n8n과 LangChain으로 AI 워크플로우 구축하기
n8n과 LangChain은 대부분의 팀이 결국 마주치게 되는 문제를 함께 해결합니다. 실제 데이터에 연결되고 실제 작업을 트리거하는 AI 에이전트를 원하지만, Python에서 LangChain을 연결하려면 전체 애플리케이션 스택을 유지해야 합니다. n8n의 네이티브 LangChain 노드를 사용하면 에이전트, 체인, 메모리 및 벡터 스토어를 시각적 워크플로우로 드래그 앤 드롭한 후, SDK 코드 작성 없이 400개 이상의 통합 기능에 연결할 수 있습니다.
제공되는 기능: n8n의 LangChain 노드 라이브러리
n8n에는 LangChain 개념을 시각적 빌딩 블록으로 구현하는 70개 이상의 AI 노드가 포함되어 있습니다. Python에서 langchain을 가져와 모듈을 결합하는 대신, 캔버스에서 노드를 연결하면 됩니다. 전체 분류는 다음과 같습니다.
| 노드 카테고리 | 기능 | 주요 노드 |
|---|---|---|
| 루트 노드 | 핵심 AI 로직 ("두뇌") | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| 채팅 모델 | LLM 연결 | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| 메모리 | 대화 지속성 | Simple Memory, Redis, Postgres, MongoDB, Zep |
| 벡터 스토어 | 문서 저장 + 검색 | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| 임베딩 | 텍스트-벡터 변환 | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| 도구 | 에이전트의 외부 기능 | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| 출력 파서 | 구조화된 응답 형식 지정 | Auto-fixing, Structured, Item List |
| 텍스트 분할기 | 문서 청킹 | Character, Recursive Character, Token |
아키텍처는 n8n이 클러스터 노드라고 부르는 방식을 사용합니다. 루트 노드(AI Agent 등)가 기능을 확장하는 하위 노드(채팅 모델, 메모리, 도구)에 연결됩니다. 이를 시각화된 LangChain의 모듈 시스템이라고 생각하면 됩니다.
n8n이 LangChain 개념에 매핑되는 방식
코드에서 LangChain을 사용한 적이 있다면, n8n의 매핑은 매우 직관적입니다.
| LangChain 개념 | n8n 해당 요소 | 사용 시기 |
|---|---|---|
ChatOpenAI() | OpenAI Chat Model 하위 노드 | LLM이 필요한 모든 워크플로우 |
ConversationBufferMemory() | Simple Memory / Redis Memory | 다중 턴 대화 |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | 문서 질문 답변 |
도구가 포함된 AgentExecutor | AI Agent 노드 (Tools Agent 유형) | 동적 도구 선택 |
RecursiveCharacterTextSplitter() | Recursive Character Text Splitter 하위 노드 | RAG용 문서 청킹 |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | 임베딩 로컬 저장 |
핵심적인 차이점은 무엇일까요? 코드에서는 이를 연결하기 위해 50100줄을 작성해야 합니다. n8n에서는 캔버스에서 46개의 노드를 연결하고 드롭다운 메뉴를 통해 구성하면 됩니다.
문서 Q&A 파이프라인(RAG) 구축하기
실제 사례를 만들어 보겠습니다. 이 워크플로우는 PDF 문서를 수집하여 벡터 데이터베이스에 저장하고, 해당 내용에 대한 질문에 답변합니다. 이는 비즈니스 팀에게 가장 유용한 LangChain 워크플로우인 전형적인 RAG(검색 증강 생성) 패턴입니다.
1단계: 데이터 수집 워크플로우 설정
문서를 로드하기 위한 새 워크플로우를 만듭니다. 추가할 새 문서가 있을 때마다 이 워크플로우를 한 번 실행하면 됩니다.
추가할 노드:
- Manual Trigger, 수집 실행을 위해 클릭
- Google Drive 노드 (또는 HTTP Request, Read Binary File), 소스 문서 가져오기
- Simple Vector Store, 작업을 Insert Documents로 설정
- OpenAI Embeddings 하위 노드, Vector Store에 연결하여 텍스트를 벡터로 변환
- Default Data Loader 하위 노드, 문서 내용을 청크로 구문 분석
- Recursive Character Text Splitter 하위 노드, 내용을 약 500토큰 청크로 분할(중복 50토큰)
Vector Store 구성 세부 정보:
- 작업(Operation):
Insert Documents - 메모리 키(Memory Key):
company-docs와 같이 설명적인 이름 지정(나중에 참조하는 방식) - Data Loader는 하위 노드로 연결되며 PDF/텍스트 구문 분석을 자동으로 처리
Text Splitter 구성:
- 청크 크기(Chunk Size): 500 (토큰)
- 청크 중복(Chunk Overlap): 50 (경계에서 컨텍스트가 손실되지 않도록 보장)
- 분할 방법: Recursive Character (Markdown, HTML 및 일반 텍스트를 지능적으로 처리)
2단계: Q&A 에이전트 워크플로우 구축
이제 두 번째 워크플로우를 만듭니다. 이는 사용자가 상호작용하는 워크플로우입니다.
추가할 노드:
- Chat Trigger, 질문을 위한 채팅 인터페이스 제공
- AI Agent (Tools Agent 유형), 수행 작업을 결정하는 두뇌
- OpenAI Chat Model 하위 노드, GPT-4o 또는 GPT-4o-mini 연결
- Simple Memory 하위 노드, 대화 컨텍스트 기억
- Vector Store Tool 하위 노드, 에이전트가 문서에 액세스할 수 있도록 함
AI Agent 노드 구성:
- 에이전트 유형(Agent Type): Tools Agent (가장 유연한 옵션, 도구 사용 시기와 방법을 결정)
- 시스템 프롬프트(System Prompt):
You are a helpful assistant that answers questions based on our company documents. Always cite which document you found the answer in. If the information isn't in the documents, say so clearly.(당사는 회사 문서를 기반으로 질문에 답변하는 유용한 어시스턴트입니다. 항상 답변을 찾은 문서를 인용하십시오. 정보가 문서에 없으면 명확히 그렇게 말하십시오.)
Vector Store Tool 구성:
- 이름(Name):
search_documents - 설명(Description):
Search the company knowledge base for relevant information. Use this tool when the user asks about company policies, procedures, or documentation.(회사 지식 베이스에서 관련 정보를 검색합니다. 사용자가 회사 정책, 절차 또는 문서에 대해 묻을 때 이 도구를 사용하십시오.) - 벡터 스토어(Vector Store): Simple Vector Store 선택
- 임베딩 모델(Embedding model): 수집 시 사용한 것과 동일한 OpenAI Embeddings 모델
- Top K: 4 (검색할 관련 청크 수)
이 설명은 생각보다 중요합니다. 에이전트는 이를 사용하여 자체 지식으로 답변할지 아니면 도구를 호출할지 결정합니다. 구체적으로 작성하세요.
3단계: 테스트 및 개선
하단 패널에서 Chat을 클릭하여 n8n의 내장 채팅 인터페이스를 엽니다. 문서에 대한 질문을 해보세요. 실행 추적(execution trace)을 확인하면 n8n은 어떤 노드가 실행되었는지, 에이전트의 추론 과정은 어떠했는지, 그리고 어떤 문서 청크가 검색되었는지를 정확히 보여줍니다.
이 단계에서의 일반적인 문제:
- 에이전트가 도구를 사용하지 않음: 도구 설명이 너무 모호합니다. 도구에 포함된 지식이 무엇인지 구체적으로 명시하세요.
- 관련 없는 청크 검색: 청크 중복을 늘리거나 청크 크기를 줄이세요. 100 중복으로 300토큰을 시도해 보세요.
- 느린 응답: 채팅 모델을 GPT-4o-mini로 전환하세요. 비용은 10배 저렴하며 대부분의 Q&A 작업에 충분히 빠릅니다.
도구 호출 에이전트 구축하기
위의 Q&A 파이프라인은 문서에 적합합니다. 하지만 웹 검색, 계산 실행, 데이터베이스 쿼리 및 문서 기반 답변을 모두 수행할 수 있는 에이전트는 어떨까요? 이때 Tools Agent가 빛을 발합니다.
워크플로우 설정
- Chat Trigger, 사용자 입력
- AI Agent (Tools Agent), 적절한 도구로 라우팅
- OpenAI Chat Model, 복잡한 추론을 위한 GPT-4o
- Simple Memory, 대화 기록
- 연결된 여러 도구:
- SerpAPI Tool, 웹 검색 기능
- Calculator Tool, 수학 연산
- Vector Store Tool, 문서 지식 베이스
- Custom Code Tool, 작성한 JavaScript 함수
- Workflow Tool, 다른 n8n 워크플로우를 도구로 트리거
Workflow Tool은 n8n의 비장의 카드입니다. 모든 n8n 워크플로우를 에이전트가 호출할 수 있는 도구로 감쌀 수 있습니다. 재고를 확인하는 워크플로우가 있나요? 도구로 만드세요. Slack 메시지를 보내는 워크플로우? 도구입니다. CRM을 쿼리하는 워크플로우? 역시 도구입니다. 여기서 n8n의 400개 이상 통합 노드가 AI 에이전트에서 사용 가능해집니다.
다중 도구 에이전트를 위한 시스템 프롬프트
시스템 프롬프트는 에이전트에 그 기능을 알려줘야 합니다.
You are a research assistant with access to the following tools:
- search_documents: Search our internal knowledge base
- web_search: Search the internet for current information
- calculator: Perform mathematical calculations
- send_notification: Send a Slack message to the team
For factual questions about our company, always check search_documents first.
For current events or external data, use web_search.
Show your reasoning before giving a final answer.이 프롬프트 패턴은 에이전트가 도구 간에 어떻게 라우팅할지를 직접 제어합니다. 모호한 프롬프트는 문서를 먼저 확인해야 할 때 웹 검색을 사용하는 에이전트로 이어집니다.
올바른 에이전트 유형 선택하기
n8n은 6가지 에이전트 유형을 제공합니다. 각각을 선택해야 하는 시기는 다음과 같습니다.
| 에이전트 유형 | 최적 용도 | 도구 지원? | 참고 사항 |
|---|---|---|---|
| Tools Agent | 대부분의 사용 사례 | 예 | 기본 선택, 유연함, 신뢰성 높음 |
| Conversational Agent | 간단한 챗봇 | 예 | 기능은 적지만 경량화됨 |
| ReAct Agent | 복잡한 추론 체인 | 예 | 명시적인 추론 단계 표시 |
| OpenAI Functions Agent | OpenAI 특화 기능 | 예 | OpenAI의 함수 호출 API 사용 |
| Plan and Execute Agent | 다단계 작업 | 예 | 먼저 계획한 후 실행, 복잡한 워크플로우에 적합 |
| SQL Agent | 데이터베이스 쿼리 | 제한적 | 데이터베이스에 대해 SQL 생성 및 실행 |
대부분의 팀에게는 Tools Agent가 올바른 시작점입니다. 다중 도구 라우팅을 잘 처리하며, 모든 LLM 제공업체와 작동하며 나중에 언제든지 전환할 수 있습니다. 이를 LangGraph나 CrewAI와 같은 프레임워크로 코드로 에이전트를 구축하는 것과 비교하면, 여기서의 장점은 배포 오버헤드가 제로라는 점이며, 에이전트는 n8n의 인프라 내에서 실행됩니다.
지속되는 메모리 추가하기
기본적으로 Simple Memory 하위 노드는 대화 기록을 메모리에 유지하며, 워크플로우가 재시작되면 사라집니다. 프로덕션 사용을 위해서는 영구적인 메모리가 필요합니다.
옵션:
| 메모리 유형 | 지속성 | 설정 노력 | 최적 용도 |
|---|---|---|---|
| Simple Memory | 세션 전용 | 없음 | 테스트, 프로토타이핑 |
| Redis Chat Memory | 영구적, 빠름 | 중간 (Redis 필요) | 프로덕션 챗봇 |
| Postgres Chat Memory | 영구적, 쿼리 가능 | 중간 (Postgres 필요) | 대화 분석이 필요한 경우 |
| MongoDB Chat Memory | 영구적, 유연함 | 중간 (MongoDB 필요) | 문서 중심 저장소 |
| Zep Memory | 영구적 + 요약 | 중간 (Zep 필요) | 컨텍스트 창을 초과하는 긴 대화 |
긴 대화 기록을 가진 무언가를 구축한다면 Zep을 강조할 가치가 있습니다. 대화가 50번째 턴에 도달했을 때 컨텍스트 창을 넘어서지 않도록 이전 메시지를 자동으로 요약합니다.
영구 메모리를 추가하려면 Simple Memory 하위 노드를 Redis/Postgres/Zep으로 교체하면 됩니다. 워크플로우의 나머지 부분은 동일하게 유지됩니다.
다양한 LLM 제공업체에 연결하기
LLM이 필요한 모든 루트 노드는 Chat Model 하위 노드를 허용합니다. 제공업체를 변경하는 것은 노드 하나를 바꾸는 작업입니다.
| 제공업체 | 노드 이름 | 사용 가능한 모델 | 참고 사항 |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | n8n에서 가장 널리 테스트됨 |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | 분석 및 긴 컨텍스트에 강력함 |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | 좋은 무료 티어 제공 | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | 완전 로컬, API 비용 없음 |
| Groq | Groq Chat Model | Llama 3, Mixtral | 극도로 빠른 추론 |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | 엔터프라이즈 AWS 통합 |
로컬 개발 및 테스트를 위해서는 Ollama가 무비용 옵션입니다. 머신에서 모델을 실행하고 n8n을 localhost:11434에 연결하면 됩니다. 프로덕션에서는 대부분의 팀이 작업에 따라 OpenAI 또는 Anthropic을 사용합니다.
실제 워크플로우 레시피
30분 이내에 구축할 수 있는 프로덕션 준비 완료 패턴 세 가지입니다.
레시피 1: 자동 지원 티켓 분류
트리거: 새 이메일 도착 (Gmail/Outlook 노드) 체인: 분류 프롬프트가 포함된 Basic LLM Chain 출력: 카테고리에 따라 다른 Slack 채널로 라우팅
프롬프트가 핵심 작업을 수행합니다. Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name. (이 지원 이메일을 정확히 하나의 카테고리로 분류하세요: billing, technical, feature_request 또는 other. 카테고리 이름만으로 응답하세요.)
레시피 2: 주간 콘텐츠 다이제스트
트리거: 스케줄 (매주 월요일 오전 9시) 에이전트: SerpAPI + Custom Code Tool이 포함된 Tools Agent 메모리: 필요 없음 (원샷 작업) 출력: Slack/이메일로 전송된 요약 보고서
에이전트는 업계 뉴스를 검색하고 상위 5개 기사를 요약하며 다이제스트를 형식화합니다. Custom Code Tool은 프롬프트보다 JavaScript에서 처리하기 더 쉬운 형식 지정 로직을 처리합니다.
레시피 3: 문서 기반 Slack 봇
트리거: 특정 채널의 Slack 메시지 에이전트: Vector Store Tool이 포함된 Tools Agent 메모리: Redis Chat Memory (Slack 스레드 ID로 키 지정) 출력: Slack 스레드에 답장
이는 앞서 소개한 Q&A 파이프라인이지만, 채팅 UI 대신 Slack으로 트리거됩니다. 스레드 기반 메모리 키는 각 Slack 대화가 고유한 컨텍스트를 갖도록 합니다.
n8n과 함께 사용할 최적의 RAG 도구를 탐색하는 팀에게 벡터 스토어 선택은 청킹 전략만큼 중요하지 않습니다. 프로토타이핑을 위해 Simple (In-Memory) Vector Store로 시작한 다음, 프로덕션을 위해 Pinecone 또는 Qdrant로 이동하세요.
일반적인 실수와回避 방법
수십 개의 n8n AI 워크플로우를 구축한 결과, 사람들을 곤란하게 하는 함정은 다음과 같습니다.
1. 시스템 프롬프트 생략. AI Agent 노드는 시스템 프롬프트 없이도 작동하지만 성능이 떨어집니다. 에이전트의 역할, 사용 가능한 도구 및 선호되는 행동을 항상 정의하세요. 프롬프트에 10분을 투자하면 이상한 응답을 디버깅하는 시간을 몇 시간 절약할 수 있습니다.
2. 하나의 거대한 워크플로우 사용. 수집과 쿼리를 별도의 워크플로우로 분리하세요. 수집 워크플로우는 가끔 실행됩니다(새 문서가 도착할 때). 쿼리 워크플로우는 지속적으로 실행됩니다. 둘을 혼합하면 실행 충돌이 발생합니다.
3. 잘못된 청크 크기 선택. 기본 청킹(1000자)은 일반 콘텐츠에 적합합니다. 기술 문서의 경우 300-500토큰으로 줄이세요. 법률 문서의 경우 중복도를 높여 800-1000토큰으로 늘리세요. 보편적으로 "올바른" 청크 크기는 없으며, 실제 문서로 테스트해야 합니다.
4. 실행 로그 무시. n8n은 모든 워크플로우 실행에 대한 완전한 실행 추적을 보여줍니다. 에이전트가 잘못된 답변을 제공하면 어떤 도구를 호출했는지(또는 호출하지 않았는지), 어떤 청크가 검색되었는지, 어떤 추론을 göster었는지 확인하세요. 로그는 문제가 발생한 정확한 위치를 알려줍니다.
5. 필요하지 않은데 GPT-4o에 비용 지불. 분류, 요약 및 간단한 Q&A의 경우 GPT-4o-mini는 비용의 10%로 성능의 90%를 제공합니다. 복잡한 다단계 추론에는 GPT-4o 또는 Claude를 예약하세요.
Techsy의 n8n AI 자동화 접근 방식
우리는 3명 규모의 스타트업부터 엔터프라이즈 팀에 이르기까지 다양한 고객을 위해 n8n AI 워크플로우를 구축해 왔습니다. 우리의 프로세스는 다음과 같습니다.
- 의사 결정 흐름 매핑, n8n을 열기 전에 모든 의사 결정 지점과 데이터 소스를 다이어그램으로 작성
- Simple Vector Store로 프로토타입 제작, 인메모리 저장소로 핵심 로직 작동 확인
- 실제 데이터로 조기 테스트, 합성 테스트 데이터는 청킹 및 검색 문제를 숨김
- 메모리 및 지속성 추가, 핵심 Q&A 또는 에이전트 로직이 검증된 후에만 수행
- 모니터링 및 반복, 어떤 도구 호출이 성공했는지, 어떤 청크가 검색되었는지, 사용자가 어디에서 좌절하는지 추적
비즈니스 워크플로우를 위한 AI 에이전트를 구축하고 있으며 아키텍처 설계에 도움이 필요하다면, 무료 상담을 요청하세요.
자주 묻는 질문
n8n의 AI 노드를 사용하기 위해 LangChain을 알아야 하나요?
아니요. n8n은 LangChain을 드롭다운 구성이 있는 시각적 노드로 추상화합니다. LangChain 개념(에이전트, 체인, 메모리, 검색기)을 이해하면 더 나은 설계 결정을 내리는 데 도움이 되지만, LangChain Code 노드를 사용하기로 선택하지 않는 한 LangChain 코드를 작성할 필요는 없습니다.
OpenAI 대신 n8n에서 로컬 LLM을 사용할 수 있나요?
예. Ollama Chat Model 하위 노드를 머신에서 실행 중인 모든 모델(Llama 3, Mistral, Phi-3 등)에 연결할 수 있습니다. http://localhost:11434를 지정하면 완전히 프라이빗하고 무비용인 AI 워크플로우를 갖게 됩니다. Groq는 자체 하드웨어를 관리하지 않고 빠른 추론을 위한 또 다른 옵션입니다.
n8n에서 Chain과 Agent의 차이점은 무엇인가요?
체인은 고정된 순서를 따릅니다. 입력은 단계 A를 거쳐 B, C로 이동합니다. 에이전트는 입력에 따라 호출할 도구를 동적으로 결정합니다. 예측 가능한 작업(요약, 분류)에는 체인을 사용하세요. 워크플로우가 다음 수행 작업에 대해 결정을 내려야 할 때는 에이전트를 사용하세요.
Simple Vector Store는 얼마나 많은 문서를 처리할 수 있나요?
Simple (In-Memory) Vector Store는 수백 개의 문서로 프로토타이핑하는 데 적합합니다. 수천 개의 문서를 사용하는 프로덕션 환경에서는 Pinecone, Qdrant, Supabase 또는 Chroma로 전환하세요. 워크플로우는 동일하게 유지되며 벡터 스토어 노드만 교체하면 됩니다.
외부 앱에서 n8n AI 워크플로우를 트리거할 수 있나요?
예. Webhook Trigger 노드를 사용하여 AI 워크플로우를 API 엔드포인트로 노출하세요. HTTP 요청을 할 수 있는 모든 앱이 에이전트에 데이터를 보내고 응답을 받을 수 있습니다. 이것이 기존 제품에 n8n AI 워크플로우를 통합하는 방법입니다.
AI 워크플로우에 n8n은 무료인가요?
n8n 커뮤니티 에디션은 완전히 오픈 소스이며 자체 호스팅이 무료입니다. 모든 LangChain 노드가 포함되어 있습니다. 인프라를 관리하고 싶지 않다면 클라우드 플랜은 월 $24부터 시작합니다. LLM API 비용(OpenAI, Anthropic 등)은 별도이며 제공업체에서 청구됩니다.
n8n은 AI 에이전트 워크플로우의 오류를 어떻게 처리하나요?
n8n에는 노드 수준에서 내장된 오류 처리 기능이 있습니다. 재시도 로직, 대체 경로 및 오류 워크플로우를 설정할 수 있습니다. AI 특정 문제(LLM 타임아웃 또는 속도 제한 등)의 경우, Chat Model 하위 노드에 지수 백오프(exponential backoff) 재시도를 추가하세요. 실행 로그는 실패가 발생한 정확한 위치를 보여줍니다.
내 own API 키로 n8n의 AI 워크플로우를 사용할 수 있나요?
예. 모든 LLM 노드는 자체 API 키로 자격 증명을 생성해야 합니다. n8n은 자격 증명을 암호화하여 저장합니다. 자체 호스팅하는 경우 키는 인프라 외부로 나가지 않습니다.
LangChain Code 노드는 무엇을 위한 것인가요?
LangChain Code 노드를 사용하면 LangChain 모듈을 직접 사용하는 custom JavaScript를 작성할 수 있습니다. 이는 n8n의 시각적 노드가 정확한 사용 사례를 다루지 않을 때를 위한 탈출구입니다. 예를 들어 custom 검색기, 특정 프롬프트 템플릿 또는 n8n이 아직 래핑하지 않은 LangChain 모듈이 필요할 수 있습니다.
팀과 n8n AI 워크플로우를 공유하려면 어떻게 해야 하나요?
워크플로우를 JSON으로 내보내고(Ctrl+Shift+E) 파일을 공유하세요. 누구나 자신의 n8n 인스턴스로 가져올 수 있습니다. 팀 협업을 위해 n8n Cloud에는 버전 기록이 포함된 공유 워크스페이스가 포함됩니다. 버전 관리를 위해 워크플로우 JSON 파일을 Git에 커밋할 수도 있습니다.