n8n으로 만든 AI 챗봇 + RAG 워크플로우 분석
이번 글에서는 n8n을 활용해 만든 AI 챗봇 + 벡터 스토어 기반 RAG(Retrieval-Augmented Generation) 구조를 정리해 보았습니다.
폼 데이터를 기반으로 지식 베이스를 만들고, 채팅 시 벡터 검색을 활용해 답변을 생성하는 구조입니다.
🖼 워크플로우 다이어그램
전체 구조 요약
이 워크플로우의 핵심 흐름은 다음과 같습니다.
- 폼 데이터 수집 → 벡터 스토어 저장
- 사용자 채팅 → AI 모델 호출
- 벡터 검색(RAG) → 답변 생성
- Webhook으로 결과 반환
주요 노드 설명
1. On form submission
- 웹 폼 제출 시 트리거되는 시작 노드
- 폼 데이터를 벡터 스토어로 전달
2. Supabase Vector Store
- 텍스트를 OpenAI 임베딩으로 변환 후 벡터 저장
- 나중에 유사도 검색(RAG)에 활용
3. Default Data Loader & Character Text Splitter
- 문서를 작은 단위로 나누어 벡터화 준비
- 긴 문장을 쪼개야 검색 및 답변 품질 향상
4. Embeddings OpenAI
- 텍스트를 벡터(임베딩)로 변환
- 생성된 벡터는 Supabase Vector Store에 저장됨
5. When chat message
- 사용자가 채팅 메시지를 보낼 때 트리거
- 메시지를 OpenAI Chat Model로 전달
6. OpenAI Chat Model & AI Agent
- LLM이 질문을 처리하고 답변 생성
- Postgres Chat Memory를 통해 대화 맥락 유지
- 필요 시 Answer questions with a vector store를 통해 벡터 검색
7. Webhook & Respond to Webhook
- 외부 웹 서비스와의 연동
- 챗봇 응답을 웹으로 전달하거나, 폼 데이터 수신에 사용
데이터 흐름 요약
[폼 제출] → Supabase Vector Store 저장 → Embeddings 생성
→ [사용자 채팅] → AI Agent 호출
→ (필요 시 벡터 스토어 검색) → 답변 생성
→ Webhook으로 외부에 전달
..