Simple Vector Store 노드를 사용하면 n8n의 앱 내 메모리에 임베딩¹을 저장하고 검색할 수 있습니다.

이 페이지에서는 Simple Vector Store 노드의 노드 매개변수와 추가 리소스 링크를 확인할 수 있습니다.

데이터 안전성 제한 사항#

Simple Vector Store 노드를 사용하기 전에, 그 한계와 작동 방식을 이해하는 것이 중요합니다.

벡터 스토어 데이터는 영구적이지 않습니다#

이 노드는 메모리에만 데이터를 저장합니다. n8n이 재시작되면 모든 데이터가 손실되며, 메모리 부족 상황에서도 삭제될 수 있습니다.

인스턴스의 모든 사용자가 벡터 스토어 데이터에 접근할 수 있습니다#

Simple Vector Store 노드의 메모리 키는 전역적이며, 개별 워크플로에 범위가 한정되지 않습니다.

즉, 인스턴스의 모든 사용자가 Simple Vector Store 노드를 추가하고 메모리 키를 선택하면 원본 워크플로에 설정된 접근 제어와 관계없이 벡터 스토어 데이터에 접근할 수 있습니다. Simple Vector Store 노드로 데이터를 수집할 때 민감한 정보가 노출되지 않도록 주의하세요.

노드 사용 패턴#

다음과 같은 패턴으로 Simple Vector Store 노드를 사용할 수 있습니다.

일반 노드로 사용하여 문서를 삽입하고 검색#

Simple Vector Store를 일반 노드로 사용하여 문서를 삽입하거나 가져올 수 있습니다. 이 패턴은 에이전트를 사용하지 않고 Simple Vector Store를 일반적인 연결 흐름에 배치합니다.

이 템플릿의 2단계에서 예시를 확인할 수 있습니다.

AI 에이전트에 직접 도구로 연결#

Simple Vector Store 노드를 AI 에이전트의 도구³ 커넥터에 직접 연결하여, 쿼리에 응답할 때 벡터 스토어를 리소스로 사용할 수 있습니다.

여기서 연결은 다음과 같습니다: AI 에이전트(tools 커넥터) -> Simple Vector Store 노드.

리트리버를 사용하여 문서 가져오기#

Vector Store Retriever 노드를 Simple Vector Store 노드와 함께 사용하여 Simple Vector Store 노드에서 문서를 가져올 수 있습니다. 이는 주어진 채팅 입력과 일치하는 문서를 벡터 스토어에서 가져오기 위해 Question and Answer Chain 노드와 함께 자주 사용됩니다.

연결 흐름 예시(연결된 예시는 Pinecone을 사용하지만 패턴은 동일합니다)는 다음과 같습니다: Question and Answer Chain(Retriever 커넥터) -> Vector Store Retriever(Vector Store 커넥터) -> Simple Vector Store.

Vector Store Question Answer Tool을 사용하여 질문에 답변#

또 다른 패턴은 Vector Store Question Answer Tool을 사용하여 Simple Vector Store 노드에서 결과를 요약하고 질문에 답변합니다. Simple Vector Store를 도구로 직접 연결하는 대신, 이 패턴은 벡터 스토어의 데이터를 요약하도록 특별히 설계된 도구를 사용합니다.

이 경우 연결 흐름은 다음과 같습니다: AI 에이전트(tools 커넥터) -> Vector Store Question Answer Tool(Vector Store 커넥터) -> Simple Vector Store.

메모리 관리#

Simple Vector Store는 과도한 메모리 사용을 방지하기 위해 메모리 관리 기능을 구현합니다:

• 메모리 부담이 증가하면 오래된 벡터 스토어를 자동으로 정리합니다
• 설정 가능한 시간 동안 접근하지 않은 비활성 스토어를 제거합니다

설정 옵션#

다음 환경 변수로 메모리 사용을 제어할 수 있습니다:

n8n Cloud에서는 이 값이 각각 100MB(문서 크기와 메타데이터에 따라 약 8,000개 문서)와 7일로 미리 설정되어 있습니다. 셀프 호스팅 인스턴스의 경우 두 값 모두 기본적으로 -1입니다(메모리 제한이나 시간 기반 정리 없음).

노드 매개변수#

결과 재정렬#

Get Many 매개변수#

• Memory Key: 쿼리하려는 벡터 메모리가 포함된 키를 선택하거나 생성합니다.
• Prompt: 검색 쿼리를 입력합니다.
• Limit: 벡터 스토어에서 가져올 결과 수를 입력합니다. 예를 들어 상위 10개 결과를 가져오려면 10으로 설정하세요.

Insert Documents 매개변수#

• Memory Key: 벡터 메모리를 저장할 키를 선택하거나 생성합니다.
• Clear Store: 이 매개변수를 사용하여 데이터를 삽입하기 전에 이 워크플로의 해당 메모리 키에 대한 벡터 스토어를 지울지 여부를 제어합니다(켜짐).

Retrieve Documents(As Vector Store for Chain/Tool) 매개변수#

• Memory Key: 쿼리하려는 벡터 메모리가 포함된 키를 선택하거나 생성합니다.

Retrieve Documents(As Tool for AI Agent) 매개변수#

• Name: 벡터 스토어의 이름입니다.
• Description: 이 도구가 하는 일을 LLM에게 설명합니다. 좋고 구체적인 설명은 LLM이 더 자주 예상되는 결과를 생성하도록 돕습니다.
• Memory Key: 쿼리하려는 벡터 메모리가 포함된 키를 선택하거나 생성합니다.
• Limit: 벡터 스토어에서 가져올 결과 수를 입력합니다. 예를 들어 상위 10개 결과를 가져오려면 10으로 설정하세요.

템플릿 및 예제#

Simple Vector Store 노드 문서 통합 템플릿 찾아보기 또는 모든 템플릿 검색

관련 리소스#

서비스에 대한 자세한 내용은 LangChain의 Memory Vector Store 문서를 참고하세요.

Footnotes

1. 임베딩은 벡터를 사용하여 데이터를 수치로 표현한 것입니다. AI가 여러 차원에 걸쳐 값을 매핑함으로써 복잡한 데이터와 관계를 해석하는 데 사용됩니다. 벡터 데이터베이스, 즉 벡터 스토어는 임베딩을 저장하고 접근하도록 설계된 데이터베이스입니다. ↩

2. 벡터 스토어, 즉 벡터 데이터베이스는 정보의 수학적 표현을 저장합니다. 임베딩 및 리트리버와 함께 사용하여 AI가 질문에 답변할 때 접근할 수 있는 데이터베이스를 만드세요. ↩

3. AI 맥락에서 도구는 AI가 요청에 응답할 때 특정 정보나 기능을 참고할 수 있는 부가 리소스입니다. AI 모델은 도구를 사용하여 외부 시스템과 상호작용하거나 특정한 집중 작업을 완료할 수 있습니다. ↩