Ultimate n8n Agentic RAG 따라잡기
2025.04.04

소개
지난 강의를 듣다가 듣게된 "모듈러 RAG" 란 단어를 듣고 이건 뭐지라는 생각에 찾다가 알게 되어 사용해 보게 되었네요.
진행 방법
우선 Modular RAG 에 대해서 찾아보게 되었습니다.
'''
모듈러 RAG는 “Retrieval Augmented Generation”의 모듈화된 접근 방식을 의미해요. 기본적으로 RAG는 정보 검색(리트리벌) 모듈과 자연어 생성(제너레이션) 모듈을 결합한 시스템인데, 모듈러 RAG는 이 두 부분을 별개의 모듈로 분리해서 독립적으로 개발하고 최적화할 수 있도록 설계된 아키텍처예요.
주요 특징
독립적인 모듈 구성:
정보 검색 모듈은 외부 데이터베이스나 문서 저장소에서 관련 정보를 찾아내고, 생성 모듈은 이를 바탕으로 자연어 응답을 만들어내요. 각 모듈이 독립적으로 업데이트되거나 교체될 수 있어요.
유연성과 확장성:
모듈러 구조 덕분에, 특정 부분(예를 들어 검색 알고리즘이나 생성 모델)을 개선하거나 다른 도메인에 맞게 맞춤 설정하기가 쉬워요. 이는 최신 정보 반영이나 도메인 특화 응답 제공에 유리해요.
효율적인 협업:
두 모듈 간의 협력이 체계적으로 이루어지며, 이를 통해 보다 정확하고 풍부한 정보를 제공할 수 있어요. 예를 들어, 검색 모듈이 최신 정보를 제공하면 생성 모듈이 그 정보를 바탕으로 자연스러운 언어로 답변을 구성하는 방식으로 작동해요.
이와 같이, 모듈러 RAG는 기존의 단일 모델 기반 생성 방식보다 더 높은 유연성과 정확도를 목표로 한 접근 방식이라고 볼 수 있어요.
'''
구분 | Native RAG | Advanced RAG | Modular RAG |
|---|
구현 난이도 | 낮음 | 중간~높음 | 높음 |
정확도/성능 | 보통 | 높음 | 높음 |
구성 복잡도 | 단순 | 복잡 | 복잡하나 구조적으로 정리됨 |
유지보수/확장성 | 낮음 | 중간 | 높음 |
사용 목적 | 빠른 프로토타입 제작 | 정밀한 RAG 서비스 개발 | 대규모 서비스, 실시간 운영 |
역할별로 Module 를 만들어서 구성한다. 그래서 Module 별로 최적화를 할 수 있다... 라지만 잘 체감은 안됨
그래서 아키텍처에 대하여도 찾아봄
'''
다음은 모듈러 RAG 아키텍처에 관한 다양한 자료들을 요약한 내용입니다. 여러 자료에서 설명하는 공통된 핵심 요소는 아래와 같습니다:
1. 모듈러 RAG의 기본 개념
모듈화된 구성:
전통적인 RAG가 인덱싱, 검색, 생성이라는 단계를 하나의 흐름으로 처리하는 반면, 모듈러 RAG는 각 단계(예: 검색 모듈, 생성 모듈, 평가 모듈 등)를 독립적인 블록처럼 구성하여 필요에 따라 교체 및 확장이 가능하도록 설계되어 있습니다.
2. 주요 모듈 및 패턴
검색 모듈:
기존의 임베딩 기반 검색뿐만 아니라, LLM이 생성한 코드나 SQL을 활용해 다양한 데이터 소스를 검색할 수 있습니다.
메모리 모듈:
LLM의 메모리 기능을 활용하여 이전 질의나 검색 결과를 저장하고 반복 활용, 추론 성능을 향상시킵니다.
추가 생성 및 태스크 적응 모듈:
잡음 제거와 중복을 줄여 더 정확한 답변 생성을 돕고, 특정 작업에 맞춰 쿼리와 프롬프트를 자동 생성하는 기능을 포함합니다.
정렬 및 검증 모듈:
검색된 결과를 재정렬(re-ranking)하고, 프롬프트 압축 등을 통해 입력 정보를 최적화하여 LLM이 보다 신뢰성 있는 답변을 생성할 수 있도록 지원합니다.
3. 모듈 간 상호작용의 최적화
유연한 인터페이스:
각 모듈은 동일한 인터페이스를 통해 연결되므로, 필요에 따라 모듈을 추가, 교체, 제거하는 것이 쉽습니다.
동적 흐름 구성:
모듈러 RAG는 특정 시나리오나 작업에 따라 동적으로 모듈의 순서를 재구성할 수 있어, 복잡한 질의에도 효과적으로 대응할 수 있습니다.
4. 모듈러 RAG의 장점
확장성과 유연성:
새로운 기술이나 도메인에 맞게 각 모듈을 독립적으로 최적화할 수 있어, 전체 시스템의 개선이 용이합니다.
효율적인 문제 해결:
단일 RAG 시스템에서 발생할 수 있는 검색 품질, 정보 노이즈, 그리고 환각 문제 등을 모듈 단위로 개선할 수 있습니다.
이러한 아키텍처적 접근 방식은 최근 AI 애플리케이션의 다양한 문제들을 해결하는 데 중요한 역할을 하며, 특히 검색과 생성의 품질을 높이고 사용자 맞춤형 응답을 제공하는 데 효과적입니다.
'''
그래도 잘 몰라서 RAG 구현사례들을 찾아봄.
그러나 "I Built the ULTIMATE n8n RAG AI Agent Template" 라는 영상을 보게됨
https://www.youtube.com/watch?v=mQt1hOjBH9o
템플릿 소스를 얻어서 내용을 살펴봄
https://github.com/coleam00/ottomator-agents/tree/main/n8n-agentic-rag-agent
Postgresql 에 대해서도 설정해 볼 겸 해당 템플릿으로 동작하는지 구현해 봄.
잘 안되어서 동작할 수 있게 하면서 나의 사용법에 맞게 수정함.

이 아키텍처가 Modular RAG 방식인지 JSON 을 Claude 한테 던져서 물어보니 전형적인 Modular RAG 라고 함.
기존의 챗봇은 어떤지도 확인해보고 싶어서 물어보았더니 Native RAG 와 Advanced RAG, Modular RAG 가 섞여 있는 Hybrid RAG 라고 답해줌.

Modular RAG 에 대하여 확실히 이해함.
결과와 배운 점
RAG 의 종류에 대하여 이해하게 되었습니다.
내부 비즈니스 용도로 사용한다면 여러가지 경우가 생길 수 있기 때문에 Modular RAG 를 구축하는 것이 유리할 것으로 생각됩니다.
마침 여러 형태의 자료를 가지고 있는 가이드라인에 대하여 검토해 볼 예정이었는데 이것을 통해서 하면 편리하겠다는 생각이네요.
Postgresql 를 설치하면서 Local 상의 n8n 과 연결하기 위하여 docker network 설정하는 법을 배웠네요.
추가
LightRAG (GraphRAG)
Native RAG처럼 문서를 벡터화(VectorRAG)할 뿐만 아니라 문서에서 주제, 아이디어, 개념 등을 연결하는 지식 그래프도 구축하여 성능을 개선한 RAG
https://www.youtube.com/watch?v=Fx3J8k--U3E

나의 질문 . n8n 으로 LightRAG를 구현할 수 있을까?
n8n으로 LightRAG를 보조 도구로 통합하는 것은 가능하지만, 핵심 처리 로직은 별도의 Python 기반 LightRAG 서버에서 수행해야 한다.
https://github.com/HKUDS/LightRAG
Claude 를 통해 LightRAG 를 이용하여 ChatBot를 구현해 봄

나의 질문. LightRAG 의 핵심이 Vector 와 Graph 라면 Vector DB 와 Graph DB 를 이용해서 n8n 으로 구축할 수 있지 않을까?
유사한 시스템 구축이 가능하다!!
n8n 구현 예시 (ChatGPT)
단계 | 노드 유형 | 설명 |
|---|---|---|
문서 수집 | Google Docs, Notion 등 | 문서 데이터를 수집합니다. |
전처리 | Function | 텍스트로 변환하고 전처리합니다. |
임베딩 생성 | HTTP Request | OpenAI Embedding API를 호출합니다. |
VectorDB 저장 | HTTP Request | Pinecone 등 VectorDB에 임베딩을 저장합니다. |
엔터티 추출 | HTTP Request | OpenAI GPT API를 호출하여 엔터티를 추출합니다. |
GraphDB 저장 | HTTP Request | Neo4j 등 GraphDB에 엔터티 및 관계를 저장합니다. |
사용자 질의 수신 | Webhook | 사용자의 질문을 수신합니다. |
질의 임베딩 생성 | HTTP Request | 질문의 임베딩을 생성합니다. |
VectorDB 검색 | HTTP Request | 유사한 문서 조각을 검색합니다. |
GraphDB 검색 | HTTP Request | 관련 엔터티 및 관계를 조회합니다. |
프롬프트 구성 | Function | 검색된 정보를 기반으로 프롬프트를 구성합니다. |
응답 생성 | HTTP Request | LLM을 호출하여 응답을 생성합니다. |
응답 제공 | HTTP Response | 사용자에게 응답을 제공합니다. |
응답 저장 | Notion, Slack 등 | 응답을 저장하거나 공유합니다. |
로그인하고 댓글을 남겨 주세요
와우 인사이트 공유 감사 드려요~~
종범님 덕분에 모듈러 RAG라는 개념에 대해서 알게되었네요 저도 첨부해주신 링크 한번 구성해봐야겠어요 감사합니다




RAG의 개념부터 Modular RAG 아키텍처까지 직접 학습하고 구현해보신 과정이 정말 인상 깊었습니다. 공유해주신 깃허브 링크도 꼭 참고해 보겠습니다.