Zep Vector Store 노드#
Zep Vector Store를 사용하여 Zep 벡터 데이터베이스와 상호작용할 수 있습니다. 벡터 데이터베이스에 문서를 삽입하고, 벡터 데이터베이스에서 문서를 가져오며, 체인에 연결된 검색기가 제공할 문서를 검색하거나, 도구로 사용하기 위해 에이전트와 직접 연결할 수 있습니다.
이 페이지에서는 Zep Vector Store 노드의 노드 매개변수를 찾고 추가 리소스에 대한 링크를 찾을 수 있습니다.
자격 증명
이 노드에 대한 인증 정보는 여기에서 찾을 수 있습니다.
사용 예 및 템플릿
시작하는 데 도움이 되는 사용 예 및 템플릿은 n8n의 Zep Vector Store 통합 페이지를 참조하십시오.
하위 노드에서의 매개변수 해석
하위 노드는 표현식을 사용하여 여러 항목을 처리할 때 다른 노드와 다르게 동작합니다.
대부분의 노드는(루트 노드 포함) 여러 개의 항목을 입력으로 받아 각 항목을 개별적으로 처리한 후 결과를 출력합니다.
이 과정에서 표현식을 사용하면 입력 항목을 참조할 수 있으며, 노드는 각 항목에 대해 표현식을 순차적으로 해석합니다.
예를 들어, name 값이 5개 있는 경우, {{ $json.name }} 표현식은 각각의 이름으로 순차적으로 해석됩니다.
하지만 하위 노드에서는 표현식이 항상 첫 번째 항목으로 해석됩니다.
즉, name 값이 5개 있어도 {{ $json.name }} 표현식은 항상 첫 번째 name 값으로 해석됩니다.
노드 사용 패턴#
Zep Vector Store 노드를 다음과 같은 패턴으로 사용할 수 있습니다.
문서를 삽입, 업데이트 및 검색하기 위한 일반 노드로 사용#
Zep Vector Store를 일반 노드로 사용하여 문서를 삽입하거나 가져올 수 있습니다. 이 패턴은 에이전트를 사용하지 않고 일반 연결 흐름에서 Zep Vector Store를 배치합니다.
이에 대한 예시는 이 템플릿의 시나리오 1에서 볼 수 있습니다 (예시는 Supabase를 사용하지만 패턴은 동일합니다).
AI 에이전트에 도구로 직접 연결하기#
Zep Vector Store 노드를 AI 에이전트의 도구 연결기에 직접 연결하여 쿼리에 대한 답변을 제공할 때 벡터 저장소를 자원으로 사용할 수 있습니다.
여기서 연결은 다음과 같습니다: AI 에이전트 (도구 연결기) -> Zep Vector Store 노드.
문서를 가져오기 위해 검색기 사용#
벡터 저장소 검색기 노드를 Zep Vector Store 노드와 함께 사용하여 Zep Vector Store 노드에서 문서를 가져올 수 있습니다. 이는 주어진 채팅 입력과 일치하는 벡터 저장소에서 문서를 검색하기 위해 질문 및 답변 체인 노드와 함께 자주 사용됩니다.
연결 흐름 예시 (예시는 Pinecone을 사용하지만 패턴은 동일함)는 다음과 같은 구조입니다: 질문 및 답변 체인 (검색기 연결기) -> 벡터 저장소 검색기 (벡터 저장소 연결기) -> Zep Vector Store.
질문에 답변하기 위해 벡터 저장소 질문 답변 도구 사용#
또 다른 패턴은 벡터 저장소 질문 답변 도구를 사용하여 Zep Vector Store 노드에서 결과를 요약하고 질문에 답변하는 것입니다. Zep Vector Store를 도구로 직접 연결하는 대신 이 패턴은 벡터 저장소의 데이터를 요약하는 데 특별히 설계된 도구를 사용합니다.
연결 흐름 (이 예시는 Supabase를 사용하지만 패턴은 동일함)은 이 경우 다음과 같이 보입니다: AI 에이전트 (도구 연결기) -> 벡터 저장소 질문 답변 도구 (벡터 저장소 연결기) -> Zep Vector Store.
노드 매개변수#
운영 모드 (Operation Mode)#
이 Vector Store 노드는 네 가지 모드를 지원합니다:
다중 검색(Get Many), 문서 삽입(Insert Documents),
문서 검색(체인/도구용 벡터 저장소로 사용), 문서 검색(AI 에이전트용 도구로 사용).
선택한 모드에 따라 수행할 수 있는 작업과 사용 가능한 입력 및 출력이 결정됩니다.
다중 검색 (Get Many)#
이 모드는 벡터 데이터베이스에서 여러 문서를 검색하는 데 사용됩니다.
제공한 프롬프트를 임베딩하여 유사성 검색을 수행하며,
노드는 프롬프트와 가장 유사한 문서를 유사도 점수 와 함께 반환합니다.
이 기능은 유사한 문서 목록을 검색하여 에이전트에 추가 컨텍스트로 전달할 때 유용합니다.
문서 삽입 (Insert Documents)#
이 모드는 벡터 데이터베이스에 새 문서를 삽입하는 데 사용됩니다.
문서 검색 (체인/도구용 벡터 저장소로 사용)#
Retrieve Documents (As Vector Store for Chain/Tool)
이 모드는 벡터 저장소 검색기(vector-store retriever) 와 함께 사용됩니다.
벡터 데이터베이스에서 문서를 검색한 후, 체인에 연결된 검색기(retriever)에 문서를 제공합니다.
이 모드에서는 노드를 검색기 노드 또는 루트 노드에 연결해야 합니다.
문서 검색 (AI 에이전트용 도구로 사용)#
Retrieve Documents (As Tool for AI Agent)
이 모드는 벡터 저장소를 AI 에이전트의 도구(resource)로 사용할 때 사용됩니다.
응답을 생성할 때, 벡터 저장소의 이름과 설명이 질문 내용과 일치하면 에이전트가 벡터 저장소를 활용하여 답변을 생성합니다.
문서 삽입 매개변수#
- 컬렉션 이름: 데이터를 저장할 컬렉션 이름을 입력합니다.
여러 개 가져오기 매개변수#
- 컬렉션 이름: 데이터를 검색할 컬렉션 이름을 입력합니다.
- 프롬프트: 검색 쿼리를 입력합니다.
- 제한: 벡터 저장소에서 검색할 결과 수를 입력합니다. 예를 들어, 이를
10으로 설정하면 상위 10개의 결과를 가져옵니다.
문서 검색 (체인/도구용 벡터 저장소) 매개변수#
- 컬렉션 이름: 데이터를 검색할 컬렉션 이름을 입력합니다.
문서 검색 (AI 에이전트용 도구) 매개변수#
- 이름: 벡터 저장소의 이름입니다.
- 설명: LLM에게 이 도구의 기능을 설명합니다. 구체적이고 좋은 설명은 LLM이 예상된 결과를 더 자주 생성할 수 있게 합니다.
- 컬렉션 이름: 데이터를 검색할 컬렉션 이름을 입력합니다.
- 제한: 벡터 저장소에서 검색할 결과 수를 입력합니다. 예를 들어, 이를
10으로 설정하면 상위 10개의 결과를 가져옵니다.
노드 옵션#
임베딩 차원#
데이터를 임베딩할 때와 쿼리할 때 동일해야 합니다.
이는 텍스트 문서의 의미를 나타내기 위해 사용되는 부동 소수점 배열의 크기를 설정합니다.
Zep 임베딩 문서에서 Zep 임베딩에 대해 자세히 알아보세요.
자동 임베드 여부#
문서 삽입 작업 모드에서 사용 가능하며, 기본적으로 활성화되어 있습니다.
이 설정을 비활성화하여 n8n 대신 Zep에서 임베딩을 구성할 수 있습니다.
메타데이터 필터#
이 옵션은 다중 검색(Get Many) 모드에서 사용할 수 있습니다.
데이터를 검색할 때, 문서와 연결된 메타데이터를 기준으로 검색을 수행합니다.
이 필터는 AND 연산 으로 동작합니다.
즉, 여러 개의 메타데이터 필터 필드를 지정하면 모든 조건이 일치해야 검색 결과에 포함됩니다.
데이터를 삽입할 때, 메타데이터는 문서 로더(document loader) 를 통해 설정됩니다.
문서 로딩에 대한 자세한 내용은 기본 데이터 로더(Default Data Loader) 문서를 참고하세요.
템플릿 및 예제#
관련 리소스#
서비스에 대한 더 많은 정보는 LangChain의 Zep 문서를 참조하세요.
n8n의 고급 AI(Advanced AI) 문서를 확인하세요.
AI 용어집 (AI Glossary)#
- 완성(Completion): GPT와 같은 모델이 생성하는 응답을 의미합니다.
- 환각(Hallucinations): AI에서 "환각"이란 LLM(대규모 언어 모델)이 실제로 존재하지 않는 패턴이나 개체를 잘못 인식하는 현상을 의미합니다.
- 벡터 데이터베이스(Vector Database): 정보를 수학적으로 표현한 벡터 데이터를 저장하는 데이터베이스입니다.
임베딩(Embeddings) 및 검색기(Retrievers)와 함께 사용하여 AI가 질문에 답할 때 접근할 수 있는 데이터베이스를 구성할 수 있습니다. - 벡터 저장소(Vector Store): 벡터 데이터베이스와 동일한 개념으로, 정보를 수학적으로 표현한 벡터 데이터를 저장하는 시스템입니다.
임베딩 및 검색기와 함께 사용하여 AI가 질문에 답할 때 참조할 수 있는 데이터베이스를 구축할 수 있습니다.