홈›도서›하루 30분 n8n ③›DAY 17

PART 4 — RAG 파이프라인난이도 ★★☆

DAY 17

RAG 개념과 벡터 데이터베이스 이해

📥 DAY 17 워크플로우 JSON 다운로드

📖 이론10분

🛠️ 실습15분

🎯 미션5분

"아는 것과 찾을 수 있는 것은 다르다."

— 피터 드러커

🎯 오늘의 학습 목표

OpenAI Embeddings 노드로 텍스트를 벡터로 변환한다
비슷한 의미의 문장이 비슷한 벡터값을 가지는 것을 확인한다
RAG의 저장·검색 흐름을 이해한다

📊 일반 AI vs RAG AI 비교

상황	일반 AI	RAG AI
사내 휴가 규정 질문	일반적인 답변 생성 (틀릴 수 있음)	실제 사규 문서를 검색해서 정확하게 답변
제품 매뉴얼 질문	비슷한 제품 정보로 추측	실제 매뉴얼에서 정확한 내용 인용
계약서 조항 확인	일반적인 계약 내용 답변	실제 계약서 조항을 찾아서 답변

📊 주요 임베딩 모델

모델	제공사	특징
text-embedding-3-small	OpenAI	저렴하고 빠름 (권장)
text-embedding-3-large	OpenAI	정확도 높음, 비용 더 높음
text-embedding-ada-002	OpenAI	구버전, 호환성 좋음

🛠️ 실습 — RAG 개념 시각화 실습

STEP 1워크플로우 구성

새 워크플로우 생성 → 이름: RAG 개념 이해
Manual Trigger → OpenAI 노드 연결
OpenAI 노드에서 작업(Operation): Embeddings 선택

STEP 2OpenAI Embeddings 설정

STEP 3실행 및 결과 확인

워크플로우 실행
결과 패널에서 숫자 배열(1,536개) 확인 → 이것이 벡터예요
Input 텍스트를 아래 3개 문장으로 바꿔가며 각각 실행

STEP 4RAG 흐름 JSON으로 정리

🚀 오늘의 미션

아래 3개 문장의 벡터를 각각 만들어보고 A-B 쌍과 A-C 쌍 중 어느 쪽 첫 번째 숫자가 더 비슷한지 확인해봐요.

OpenAI Embeddings 노드 Input을 아래 문장으로 바꿔가며 3번 실행
각 결과의 첫 번째 숫자값을 메모
A-B / A-C 중 어느 쌍이 더 비슷한지 비교

📋 워크플로우 임포트 방법

위 버튼으로 JSON 파일을 다운로드합니다.
n8n 캔버스 오른쪽 상단 ⋯ → Import from file 클릭
다운로드한 JSON 파일을 선택하면 워크플로우가 즉시 열립니다.
빨간 느낌표(!)가 보이면 Credentials을 본인 계정으로 재연결하세요.

💡 먼저 직접 만들어보고, 막혔을 때 정답지로만 활용하세요!

n8n 계정이 없으신가요?n8n 무료 시작하기 ↗

← DAY 16
개인 비서 에이전트 완성 프로젝트 목차로 DAY 18 →
문서 청킹(Chunking)과 임베딩 실습