Redis Vector Store 노드를 사용하여 vector store¹로서 Redis 데이터베이스와 상호작용할 수 있습니다. 벡터 데이터베이스에 문서를 삽입하거나, 벡터 데이터베이스에서 문서를 가져오거나, 체인²에 연결된 리트리버를 사용하여 문서를 검색하거나, 도구³로서 에이전트⁴에 직접 연결할 수 있습니다.

이 페이지에서는 Redis Vector Store 노드의 노드 파라미터와 추가 자료 링크를 확인할 수 있습니다.

사전 준비 사항#

이 노드를 사용하기 전에 Redis Query Engine이 활성화된 Redis 데이터베이스가 필요합니다. 다음 중 하나를 사용하세요.

• Redis Open Source (v8.0 이상) : Redis Query Engine이 기본으로 포함되어 있습니다
• Redis Cloud : 완전 관리형 서비스
• Redis Software : 자체 관리형 배포

노드 사용 패턴#

Redis Vector Store 노드는 다음과 같은 패턴으로 사용할 수 있습니다.

일반 노드로 사용하여 문서 삽입 및 검색#

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

이 템플릿에서 예시를 확인할 수 있습니다. 이 예시에서는 워크플로 시작 부분에서 Redis Vector Store 노드를 사용하여 시맨틱 캐시를 Redis에 저장하고 가져옵니다.

AI 에이전트에 도구로 직접 연결#

AI 에이전트의 도구³ 커넥터에 Redis Vector Store 노드를 직접 연결하면 질의에 답변할 때 벡터 스토어를 리소스로 사용할 수 있습니다.

이 경우 연결은 다음과 같습니다: AI 에이전트(도구 커넥터) -> Redis Vector Store 노드.

리트리버를 사용하여 문서 가져오기#

Vector Store Retriever 노드를 Redis Vector Store 노드와 함께 사용하여 Redis 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 흐름의 예(연결된 예시는 Pinecone을 사용하지만 패턴은 동일합니다)는 다음과 같습니다: Question and Answer Chain(리트리버 커넥터) -> Vector Store Retriever(벡터 스토어 커넥터) -> Redis Vector Store.

Vector Store Question Answer Tool을 사용하여 질문에 답변#

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

이 템플릿은 Redis Vector Store 노드와 함께 Vector Store Question Answer Tool을 사용하는 방법을 보여줍니다. 이 경우 연결 흐름은 다음과 같습니다: AI 에이전트(도구 커넥터) -> Vector Store Question Answer Tool(벡터 스토어 커넥터) -> Redis Vector store.

노드 파라미터#

결과 재정렬#

Get Many 파라미터#

• Redis Index: 사용할 Redis 벡터 검색 인덱스의 이름을 입력합니다. 목록에서 기존 인덱스를 선택할 수도 있습니다.
• Prompt: 검색 쿼리를 입력합니다.
• Limit: 벡터 스토어에서 가져올 결과 수를 입력합니다. 예를 들어 이 값을 10으로 설정하면 가장 적합한 결과 10개를 가져옵니다.

이 Operation Mode에는 하나의 Node option, 즉 Metadata Filter가 포함됩니다.

Insert Documents 파라미터#

• Redis Index: 사용할 Redis 벡터 검색 인덱스의 이름을 입력합니다. 목록에서 기존 인덱스를 선택할 수도 있습니다.

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

• Redis Index: 사용할 Redis 벡터 검색 인덱스의 이름을 입력합니다. 목록에서 기존 인덱스를 선택할 수도 있습니다.

이 Operation Mode에는 하나의 Node option, 즉 Metadata Filter가 포함됩니다.

Retrieve Documents (As Tool for AI Agent) 파라미터#

• Name: 벡터 스토어의 이름입니다.
• Description: 이 도구가 무엇을 하는지 LLM에 설명합니다. 좋고 구체적인 설명을 제공하면 LLM이 예상 결과를 더 자주 생성할 수 있습니다.
• Redis Index: 사용할 Redis 벡터 검색 인덱스의 이름을 입력합니다. 목록에서 기존 인덱스를 선택할 수도 있습니다.
• Limit: 벡터 스토어에서 가져올 결과 수를 입력합니다. 예를 들어 이 값을 10으로 설정하면 가장 적합한 결과 10개를 가져옵니다.

Include Metadata#

문서 메타데이터를 포함할지 여부입니다.

Get Many 및 Retrieve Documents (As Tool for AI Agent) 모드에서 이 옵션을 사용할 수 있습니다.

노드 옵션#

Metadata Filter#

메타데이터 필터는 Get Many, Redis Vector Store 노드 문서, Retrieve Documents (As Tool for AI Agent) 작동 모드에서 사용할 수 있습니다. 이는 OR 쿼리입니다. 메타데이터 필터 필드를 두 개 이상 지정하면 그중 하나 이상이 일치해야 합니다. 데이터를 삽입할 때 메타데이터는 문서 로더를 사용하여 설정됩니다. 문서를 로드하는 방법에 대한 자세한 내용은 Default Data Loader를 참조하세요.

Redis 구성 옵션#

모든 작동 모드에서 사용할 수 있습니다.

• Metadata Key: Redis 해시에서 메타데이터 필드의 키를 입력합니다(기본값: metadata).
• Key Prefix: 문서를 저장할 때 사용할 키 접두사를 입력합니다(기본값: doc:).
• Content Key: Redis 해시에서 콘텐츠 필드의 키를 입력합니다(기본값: content).
• Embedding Key: Redis 해시에서 임베딩 필드의 키를 입력합니다(기본값: embedding).

삽입 옵션#

Insert Documents 작동 모드에서 사용할 수 있습니다.

• Overwrite Documents: 기존 문서를 덮어쓸지(켜짐) 덮어쓰지 않을지(꺼짐) 선택합니다. 인덱스도 삭제됩니다.
• Time-to-Live: 문서의 유효 기간(초)을 입력합니다. 인덱스는 만료되지 않습니다.

템플릿 및 예시#

Redis Vector Store 노드 문서 통합 템플릿 둘러보기 또는 모든 템플릿 검색

관련 자료#

다음을 참조하세요.

• Redis 벡터 기능에 대한 자세한 내용은 Redis Vector Search 문서를 참조하세요.
• RediSearch에 대한 자세한 내용은 RediSearch 문서를 참조하세요.
• 서비스에 대한 자세한 내용은 LangChain의 Redis Vector Store 문서를 참조하세요.

Footnotes

1. vector store(벡터 스토어), 즉 벡터 데이터베이스는 정보의 수학적 표현을 저장합니다. 임베딩 및 리트리버와 함께 사용하여 AI가 질문에 답변할 때 액세스할 수 있는 데이터베이스를 만듭니다. ↩

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 AI가 요청에 응답할 때 특정 정보나 기능을 참조할 수 있는 애드온 리소스입니다. AI 모델은 도구를 사용하여 외부 시스템과 상호작용하거나 특정한 작업에 집중하여 완료할 수 있습니다. ↩ ↩²

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 방법을 결정합니다. ↩