n8n AI 에이전트 입문 — 트리거·도구·메모리로 자동화 만들기

핵심 메시지

• 워크플로우는 출력이 미리 정해진 자동화이고, 에이전트는 LLM이 상황에 맞는 도구와 출력을 스스로 선택하는 자동화다.
• n8n의 노드는 트리거·액션·유틸리티·코드·고급 AI 다섯 범주로 나뉘며, 모든 자동화는 트리거에서 시작한다.
• AI 에이전트 노드에 챗 모델을 연결하면 두뇌가 생기고, 메모리를 붙여야 이전 대화 맥락을 기억한다.
• 도구를 연결하면 에이전트가 외부 데이터(예: Airtable 재고)를 검색·수정하는 등 실제 작업을 수행한다.
• 하나의 에이전트를 도구처럼 다른 워크플로우에서 호출해 더 큰 에이전트 생태계를 구성할 수 있다.

쉽게 이해하기

영상은 코드 없이 동작하는 자동화 도구 n8n으로 AI 에이전트를 처음부터 만드는 과정을 다룬다. 먼저 '에이전트 시스템'을 워크플로우와 에이전트로 구분한다. 워크플로우는 제품 구매 후 주문 내역 이메일을 보내는 것처럼 출력이 미리 정해진 자동화다. 반면 에이전트는 고객 지원 상담원처럼 LLM이 주어진 도구 중 무엇을 쓸지 그때그때 판단해 동적인 결과를 낸다.

n8n에 계정을 만들면 워크플로우, 자격증명(credentials), 실행 기록(executions)을 볼 수 있는 화면이 나온다. 자격증명은 API 키나 계정 접근 권한이고, 실행 기록은 워크플로우가 실제로 돌아간 내역이다. 워크플로우는 프로젝트 단위로 정리되며 우측 상단 버튼으로 새로 만든다.

강의는 노드를 다섯 범주로 정리한다. 자동화를 시작하는 트리거, 앱·서비스에서 동작을 수행하는 액션, 데이터를 변환·저장하는 유틸리티, 코드·HTTP 요청을 다루는 코드, 그리고 워크플로우를 에이전트로 바꿔 주는 고급 AI 노드다. 모든 자동화는 트리거로 시작하며, 예시에서는 '채팅 메시지 수신'을 트리거로 쓴다.

핵심은 AI 에이전트 노드다. 여기에 OpenAI의 GPT-4o 같은 챗 모델을 연결하면 ChatGPT처럼 대화할 수 있다. 다만 기본 상태로는 직전 대화를 기억하지 못하므로, 윈도우 버퍼 메모리를 붙여 과거 상호작용을 맥락으로 받게 한다. 영상에서는 '1, 2, 3 다음을 이어가라'는 예시로 메모리 유무의 차이를 보여 준다.

마지막으로 도구를 연결한다. 예시는 Airtable에 만든 가정용 재고 데이터베이스를 검색·수정 도구로 붙인다. 각 도구에는 'Airtable의 가정용 재고를 검색한다' 같은 설명을 달아 LLM이 언제 쓸지 판단하게 한다. 업데이트 도구에서는 from-AI 표현식으로 레코드 ID와 새 수량 같은 필드를 AI가 대화에서 알아서 채우도록 한다.

주요 인사이트

• 도구 설명(description)을 구체적으로 쓸수록 LLM이 기대한 결과를 더 자주 만들어 낸다. 'home Inventory', 'Airtable' 같은 단어를 넣어 언제 그 도구를 써야 하는지 알려 주는 것이 중요하다.
• 에이전트는 '재고 업데이트해 줘'라는 요청에 먼저 검색으로 레코드 ID를 찾고 이어서 업데이트하는 식으로, 명시적 지시 없이도 작업 순서를 스스로 파악하기도 한다. 다만 일관성을 높이려면 시스템 지시를 추가해야 한다.
• 수량처럼 숫자가 들어가야 하는 필드는 from-AI 표현식에서 타입을 'number'로 지정해야 문자열이 아닌 숫자로 채워진다.
• 하나의 에이전트를 '재고 에이전트'라는 하나의 도구로 보고, 다른 워크플로우가 이를 호출하게 하면 에이전트를 중첩·연결해 더 복잡한 자동화 생태계를 만들 수 있다.

자주 묻는 질문

관련 AI 소식