n8n의 RAG

검색 증강 생성(RAG)을 사용하면 모델이 관련 답변을 생성하는 데 도움이 되는 컨텍스트별 리소스에 접근할 수 있습니다. 작동 방식과 n8n에서 RAG를 사용하는 방법을 알아봅니다.

n8n의 RAG # RAG란? # 검색 증강 생성(RAG) 은 언어 모델과 외부 데이터 소스를 결합하여 AI 응답을 개선하는 기법입니다. 모델의 내부 학습 데이터에만 의존하는 대신, RAG 시스템은 관련 문서를 검색하여 최신 정보, 도메인 특화 지식 또는 독점 지식에 기반한 응답을 생성합니다. RAG 워크플로는 일반적으로 이 외부 데이터를 효율적으로 관리하고 검색하기 위해 벡터 저장소에 의존합니다. 벡터 저장소란? # 벡터 저장소 는 고차원 벡터(텍스트, 이미지 또는 기타 데이터의 수치적 표현)를 저장하고 검색하도록 설계된 특수 데이터베이스입니다. 문서를 업로드하면 벡터 저장소가 이를 청크로 분할하고 임베딩 모델 을 사용하여 각 청크를 벡터로 변환합니다. 키워드 매칭이 아닌 의미적 유사성 을 기반으로 결과를 구성하는 유사성 검색을 사용하여 이러한 벡터를 쿼리할 수 있습니다. 따라서 벡터 저장소는 대규모 지식 집합을 검색하고 추론해야 하는 RAG 및 기타 AI 시스템의 강력한 기반이