Milvus 노드를 사용하여 벡터 스토어¹로서 Milvus 데이터베이스와 상호작용할 수 있습니다. 벡터 데이터베이스에 문서를 삽입하고, 벡터 데이터베이스에서 문서를 가져오고, 체인²에 연결된 리트리버에 제공할 문서를 검색하거나, 도구³로서 에이전트⁴에 직접 연결할 수 있습니다.

이 페이지에서는 Milvus 노드의 노드 파라미터와 추가 리소스 링크를 확인할 수 있습니다.

노드 사용 패턴#

Milvus Vector Store 노드는 다음과 같은 패턴으로 사용할 수 있습니다.

일반 노드로 사용하여 문서를 삽입하고 검색하기#

Milvus Vector Store를 일반 노드로 사용하여 문서를 삽입하거나 가져올 수 있습니다. 이 패턴에서는 에이전트를 사용하지 않고 일반적인 연결 흐름 안에 Milvus Vector Store를 배치합니다.

Milvus에 문서를 저장하고 이를 검색하여 인용이 포함된 채팅 기반 답변을 지원하는 시스템을 구축하는 방법은 이 예제 템플릿을 참고하세요.

AI 에이전트에 도구로 직접 연결하기#

Milvus Vector Store 노드를 AI 에이전트의 도구 커넥터에 직접 연결하여 쿼리에 답변할 때 벡터 스토어를 리소스로 사용할 수 있습니다.

이 경우 연결은 다음과 같습니다: AI 에이전트(도구 커넥터) -> Milvus Vector Store 노드. Milvus에서 데이터를 임베딩하고 인덱싱한 후, AI 에이전트가 벡터 스토어를 질의응답용 지식 도구로 사용하는 예시는 이 예제 템플릿을 참고하세요.

리트리버를 사용하여 문서 가져오기#

Vector Store Retriever 노드를 Milvus Vector Store 노드와 함께 사용하여 Milvus 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.

일반적인 노드 연결 흐름은 다음과 같습니다: Question and Answer Chain(Retriever 커넥터) -> Vector Store Retriever(Vector Store 커넥터) -> Milvus Vector Store.

외부 데이터를 Milvus에 수집하고 채팅 기반 시맨틱 질의응답 시스템을 구축하는 방법을 확인하려면 이 워크플로 예제를 참고하세요.

Vector Store Question Answer Tool을 사용하여 질문에 답변하기#

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

연결 흐름은 다음과 같습니다: AI 에이전트(도구 커넥터) -> Vector Store Question Answer Tool(Vector Store 커넥터) -> Milvus Vector store.

노드 파라미터#

결과 재정렬#

Get Many 파라미터#

• Milvus Collection: 사용할 Milvus Collection을 선택하거나 입력합니다.
• Prompt: 검색 쿼리를 입력합니다.
• Limit: 벡터 스토어에서 가져올 결과 수를 입력합니다. 예를 들어, 상위 10개 결과를 가져오려면 10으로 설정합니다.

Insert Documents 파라미터#

• Milvus Collection: 사용할 Milvus Collection을 선택하거나 입력합니다.
• Clear Collection: 새 문서를 삽입하기 전에 컬렉션을 지울지 여부를 지정합니다.

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

• Milvus collection: 사용할 Milvus Collection을 선택하거나 입력합니다.

Retrieve Documents (As Tool for AI Agent) 파라미터#

• Name: 벡터 스토어의 이름입니다.
• Description: 이 도구가 하는 일을 LLM에게 설명합니다. 구체적이고 좋은 설명은 LLM이 더 자주 예상된 결과를 산출하도록 돕습니다.
• Milvus Collection: 사용할 Milvus Collection을 선택하거나 입력합니다.
• Limit: 벡터 스토어에서 가져올 결과 수를 입력합니다. 예를 들어, 상위 10개 결과를 가져오려면 10으로 설정합니다.

노드 옵션#

Metadata Filter#

컬렉션 비우기#

Insert Documents 모드에서 사용할 수 있습니다. 새 데이터를 삽입하기 전에 컬렉션의 모든 데이터를 삭제합니다.

관련 리소스#

이 서비스에 대한 자세한 내용은 LangChain의 Milvus 문서를 참고하세요.

Footnotes

1. 벡터 스토어(또는 벡터 데이터베이스)는 정보의 수학적 표현을 저장합니다. 임베딩 및 리트리버와 함께 사용하여 AI가 질문에 답변할 때 접근할 수 있는 데이터베이스를 구성합니다. ↩

2. AI 체인을 사용하면 일련의 컴포넌트 호출을 통해 대규모 언어 모델(LLM) 및 기타 리소스와 상호작용할 수 있습니다. n8n의 AI 체인은 영구 메모리를 사용하지 않으므로 이전 컨텍스트를 참조하는 데 사용할 수 없습니다(이를 위해서는 AI 에이전트를 사용하세요). ↩

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

4. AI 에이전트는 요청에 응답하고, 결정을 내리고, 사용자를 위해 실제 작업을 수행할 수 있는 인공지능 시스템입니다. 대규모 언어 모델(LLM)을 사용하여 사용자 입력을 해석하고, 사용 가능한 정보와 리소스를 활용하여 요청을 가장 잘 처리하는 방법에 대한 결정을 내립니다. ↩