체인¹은 AI의 다양한 구성 요소를 하나로 모아 결합된 시스템을 만듭니다. 체인은 구성 요소 간의 호출 시퀀스를 설정합니다. 이러한 구성 요소에는 모델과 메모리²가 포함될 수 있습니다(단, n8n의 체인은 메모리를 사용할 수 없다는 점에 유의하세요).

n8n의 체인#

n8n은 세 가지 체인 노드를 제공합니다.

• Basic LLM Chain: 추가 구성 요소 없이 LLM과 상호 작용할 때 사용합니다.
• Question and Answer Chain: 리트리버를 사용해 벡터 스토어³에 연결하거나, Workflow Retriever 노드를 사용해 n8n 워크플로에 연결할 수 있습니다. 특정 문서에 대한 질문을 지원하는 워크플로를 만들고 싶다면 이 체인을 사용하세요.
• Summarization Chain: 입력을 받아 요약을 반환합니다.

n8n의 체인과 LangChain 같은 다른 도구의 체인 사이에는 중요한 차이점이 있습니다. 어떤 체인 노드도 메모리를 지원하지 않는다는 점입니다. 즉, 이전 사용자 쿼리를 기억할 수 없습니다. LangChain을 사용해 AI 애플리케이션을 코딩하는 경우 애플리케이션에 메모리를 부여할 수 있습니다. n8n에서 워크플로가 메모리를 지원해야 한다면 에이전트를 사용하세요. 사용자가 앱과 자연스럽게 지속적인 대화를 나눌 수 있게 하려면 이 방식이 필수적입니다.

관련 리소스#

• AI 구성 요소 이해하기
• 에이전트의 역할
• 메모리 동작 방식
• 도구 동작 방식
• 벡터로 데이터 저장 및 검색하기
• 관련 컨텍스트 검색하기
• 에이전트와 체인 비교

Footnotes

1. AI 체인을 사용하면 구성 요소에 대한 일련의 호출을 통해 대규모 언어 모델(LLM) 및 기타 리소스와 상호 작용할 수 있습니다. n8n의 AI 체인은 지속적인 메모리를 사용하지 않으므로 이전 컨텍스트를 참조하는 데 사용할 수 없습니다(이를 위해서는 AI 에이전트를 사용하세요). ↩

2. AI 맥락에서 메모리는 AI 도구가 상호 작용 간에 메시지 컨텍스트를 유지할 수 있게 해줍니다. 이를 통해 각 메시지마다 진행 중인 컨텍스트를 다시 제출하지 않고도 AI 에이전트와 지속적인 대화를 나눌 수 있습니다. n8n에서 AI 에이전트 노드는 메모리를 사용할 수 있지만, AI 체인은 사용할 수 없습니다. ↩

3. 벡터 스토어(또는 벡터 데이터베이스)는 정보의 수학적 표현을 저장합니다. 임베딩 및 리트리버와 함께 사용하여 AI가 질문에 답할 때 참조할 수 있는 데이터베이스를 만드세요. ↩