RAG AI 에이전트 만들기 — n8n·Supabase로 코드 없이 구축하는 법

핵심 메시지

• RAG(검색 증강 생성)는 질문에 정확히 답하기 위해 외부 데이터에서 정보를 검색해 응답을 생성하는 방식이다.
• RAG는 벡터 데이터베이스와 동의어가 아니다. "더 많은 정보를 가져와 지능적으로 답을 만든다"가 본질이다.
• 구축은 두 부분으로 나뉜다. 데이터를 벡터 DB에 넣는 'RAG 파이프라인'과, 그 데이터와 대화하는 'RAG 에이전트'다.
• n8n(노코드)과 Supabase(pgvector), OpenAI 임베딩을 연결하면 코드 한 줄 없이 만들 수 있다.
• 에이전트에 Postgres 채팅 메모리를 붙이면 세션별로 대화 맥락을 기억하게 할 수 있다.

쉽게 이해하기

영상은 RAG를 가장 단순하게 정의하며 시작한다. "1마일이 몇 피트냐"는 질문에 모르면 검색해 답하듯, RAG 에이전트는 여러 데이터 소스에 접근해 질문에 맞는 정보를 찾아 응답한다. 많은 사람이 RAG를 벡터 DB와 동일시하지만, 핵심은 더 많은 정보를 가져와 답을 생성하는 것이다.

벡터 데이터베이스는 의미를 기준으로 텍스트 조각(청크)을 배치하는 다차원 공간이다. 과일 관련 벡터끼리, 동물 관련 벡터끼리 가까이 모인다. 데이터를 넣으려면 문서를 청킹하고, 임베딩 모델로 숫자(임베딩)로 바꾼 뒤 벡터화해 저장한다.

이 영상은 두 단계를 모두 n8n에서 드래그앤드롭으로 만든다. 먼저 RAG 파이프라인은 Google Drive의 22쪽짜리 '골프 규칙' PDF를 가져와, 기본 데이터 로더로 1000자/200자 오버랩으로 청킹하고, OpenAI의 text-embedding-3-small로 임베딩한 뒤 Supabase 벡터 스토어에 저장한다. 결과적으로 77개의 벡터가 만들어진다.

두 번째 단계인 RAG 에이전트는 챗 트리거로 질문을 받아, 같은 임베딩 모델로 쿼리를 임베딩하고 벡터 DB에서 가까운 벡터(기본 4개)를 끌어와 GPT-4.1 mini가 답을 생성한다. 도구 설명에 "골프 규칙을 찾을 때 호출하라"처럼 사용 시점을 적어두면 에이전트가 적절히 도구를 쓴다. 실제로 연습 규칙을 물으니 PDF와 거의 일치하는 답을 냈다.

기본 에이전트는 메모리가 없어 매 메시지를 독립 대화로 취급해 매번 재검색한다. Postgres 채팅 메모리를 연결하면 최근 5개 상호작용을 기억하고, 세션 ID로 대화를 구분한다. 세션 ID를 이메일이나 전화번호로 두면 사용자별 맥락을 유지할 수 있다. 새 문서 추가 시 자동 동기화, 수정 시 옛 벡터 삭제 같은 확장도 가능하다.

주요 인사이트

• RAG는 벡터 DB에 국한되지 않는다. "답을 위해 더 많은 정보를 검색해 활용한다"가 본질이며, 데이터 소스는 텍스트 문서가 아니어도 된다.
• 파이프라인과 에이전트 양쪽에서 같은 임베딩 모델을 써야 벡터 공간이 일관되게 맞는다.
• 트리거와 데이터 소스는 자유롭다. 이메일·폼 제출·HubSpot 티켓 등 어떤 흐름에도 RAG를 끼워 넣을 수 있다.
• 메모리가 없으면 방금 답한 내용도 다시 벡터 DB를 검색한다. 채팅 메모리가 불필요한 재검색을 줄인다.
• Supabase는 pgvector 벡터 스토어와 PostgreSQL 단기 메모리를 함께 제공해 한 도구로 두 역할을 한다.

자주 묻는 질문

관련 AI 소식