MongoDB Atlas Vector Store 노드 문서

n8n에서 MongoDB Atlas Vector Store 노드를 사용하는 방법을 알아봅니다. 워크플로에 MongoDB Atlas Vector Store 노드를 통합하는 기술 문서입니다.

MongoDB Atlas Vector Search는 사용자가 벡터 임베딩을 저장하고 쿼리할 수 있게 해주는 MongoDB Atlas의 기능입니다. 이 노드를 사용하여 MongoDB Atlas 컬렉션의 Vector Search 인덱스와 상호작용합니다. 문서를 삽입하거나 검색하고, 체인 또는 에이전트의 도구로 벡터 스토어를 활용할 수 있습니다. 이 페이지에서는 MongoDB Atlas Vector Store 노드의 파라미터와 추가 리소스 링크를 확인할 수 있습니다. 자격 증명 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 MongoDB Atlas 컬렉션에 Vector Search 인덱스 를 생성해야 합니다. 다음 단계에 따라 생성하세요: MongoDB Atlas 대시보드 에 로그인합니다. 조직 및 프로젝트를 선택합니다. "Search & Vector Search" 섹션을 찾습니다. 클러스터를 선택하고 "Go to search"를 클릭합니다. "Create Search Index"를 클릭합니다. "Vector Search" 모드를 선택하고 시각적 편집기 또는 JSON 편집기를 사용합니다. 예시: { "fields" : [ { "type" : "vector" , "path" : "<field-name>" , "numDimensions" : 1536 , // 다른 값도 가능 "similarity" : "<similarity-function>" } ] } 임베딩 모델에 맞게 "dimensions" 값을 조정합니다 (예: OpenAI의 text-embedding-small-3 의 경우 1536 ). 인덱스 이름을 지정하고 생성합니다. 노드 구성 시 필요한 다음 값을 기록해 두세요: 컬렉션 이름 벡터 인덱스 이름 임베딩 및 메타데이터의 필드 이름 노드 사용 패턴 # MongoDB Atlas Vector Store 노드는 다음 패턴으로 사용할 수 있습니다: 문서 삽입 및 검색을 위한 일반 노드로 사용 # MongoDB Atlas Vector Store를 일반 노드로 사용하여 문서를 삽입하거나 가져올 수 있습니다. 이 패턴은 에이전트를 사용하지 않고 MongoDB Atlas Vector Store를 일반 연결 흐름에 배치합니다. 이 템플릿 의 시나리오 1에서 예시를 확