Azure AI Search Vector Store 노드 문서

n8n에서 Azure AI Search Vector Store 노드를 사용하는 방법을 알아봅니다. 기술 문서에 따라 Azure AI Search Vector Store 노드를 워크플로에 통합하세요.

Azure AI Search(구 Azure Cognitive Search)는 RAG 및 시맨틱 검색 애플리케이션을 위한 벡터 검색 기능을 갖춘 클라우드 검색 서비스입니다. 이 노드를 사용하여 벡터 임베딩을 콘텐츠 및 메타데이터와 함께 저장, 검색, 쿼리할 수 있습니다. 이 페이지에서는 Azure AI Search Vector Store 노드의 파라미터와 추가 리소스 링크를 확인할 수 있습니다. 인증 정보 이 노드의 인증 정보는 여기 에서 확인할 수 있습니다. 서브 노드에서의 파라미터 해석 서브 노드는 표현식을 사용하여 여러 항목을 처리할 때 다른 노드와 다르게 동작합니다. 루트 노드를 포함한 대부분의 노드는 임의 수의 항목을 입력으로 받아 처리한 후 결과를 출력합니다. 표현식을 사용하여 입력 항목을 참조할 수 있으며, 노드는 각 항목에 대해 순서대로 표현식을 해석합니다. 예를 들어, 5개의 name 값이 입력된 경우 {{ $json.name }} 표현식은 각 이름을 순서대로 해석합니다. 서브 노드에서는 표현식이 항상 첫 번째 항목으로 해석됩니다. 예를 들어, 5개의 name 값이 입력된 경우 {{ $json.name }} 표현식은 항상 첫 번째 이름으로 해석됩니다. 사전 요구 사항 # 이 노드를 사용하기 전에 다음이 필요합니다: Azure 구독 Azure AI Search 서비스 API 키 인증 구성 (쓰기 작업에는 admin key, 읽기 전용에는 query key 사용) 설정 방법은 인증 정보 문서 를 참고하세요. 인덱스 구성 # 노드는 인덱스가 존재하지 않으면 자동으로 생성합니다. 자동 생성 시 노드는 다음과 같이 구성합니다: 임베딩 모델에 맞는 적절한 차원의 벡터 필드 cosine 메트릭을 사용하는 효율적인 유사도 검색을 위한 HNSW 알고리즘 필터링 및 검색을 위한 콘텐츠 및 메타데이터 필드 사용자 지정 구성을 위해 Azure Portal에서 인덱스를 미리 생성할 수도 있습니다. 예시 스키마: { "name" : "n8n-vectorstore" , "fields" : [ { "name" : "id" , "type" : "Edm.String" , "key" : true , "filterable" : true } , { "name" : "content" , "type" : "Edm.String" , "searchable" : true } , { "name" : "content_vector" , "type" : "Collection(Edm.Single)" , "searchable" : true , "vectorSearchDimensions" : 1536 , "vectorSearchProfileName" : "n8n-vector-profile" } , { "name" : "metadata" , "type" : "Edm.String" , "filterable" : true } ] , "vectorSearch" : { "profiles" : [ { "name" : "n8n-vector-profile" , "algorithm" : "n8n-