n8n AI 워크플로우 구축

n8n AI 노드 생태계

n8n은 LangChain 기반의 AI 노드들을 기본 제공합니다. 코드 없이 AI 에이전트, RAG 파이프라인, 멀티모달 처리를 워크플로우로 구성할 수 있습니다.

n8n AI 노드 계층: AI Agent가 LLM 모델·메모리·도구를 조합하여 자율 실행

AI 노드 전체 카탈로그

AI 모델 연동 심화 (Anthropic·OpenAI·Gemini)

자격증명 설정

# UI에서 자격증명 추가 — 프로바이더별 설정

## Anthropic (Claude)
Settings → Credentials → Add Credential → Anthropic
API Key: sk-ant-api03-...

## OpenAI (GPT)
Settings → Credentials → Add Credential → OpenAI
API Key: sk-proj-...

## Google Gemini
Settings → Credentials → Add Credential → Google AI (Gemini)
API Key: AIza...

# 환경 변수로도 설정 가능 (n8n이 자동으로 자격증명 생성)
ANTHROPIC_API_KEY=sk-ant-api03-...
OPENAI_API_KEY=sk-proj-...
GOOGLE_AI_API_KEY=AIza...

Basic LLM Chain 구성

# Basic LLM Chain 노드 설정 (Anthropic 예시)
Chat Model → Anthropic Chat Model
  Model: claude-opus-4-7
  Max Tokens: 4096
  Temperature: 0.7
  Top P: 0.9
  Extended Thinking: OFF (고급 추론 시 ON)

# 대안: OpenAI Chat Model → gpt-4.1 / gpt-4.1-mini
# 대안: Google Gemini Chat Model → gemini-3-flash
# 대안: Ollama Chat Model → llama3, mistral (로컬 무료)

Prompt:
  System: |
    당신은 전문적인 코드 리뷰어입니다.
    코드의 문제점을 구체적으로 지적하고 개선 방안을 제시하세요.
    응답은 반드시 한국어로 작성하세요.
  Human: {{ $json.code }}

HTTP Request로 LLM API 직접 호출

멀티모달(이미지 분석), 스트리밍, 캐시 제어 등 고급 기능은 HTTP Request 노드로 직접 호출합니다. 아래는 Anthropic API 예시이며, OpenAI는 https://api.openai.com/v1/chat/completions, Gemini는 https://generativelanguage.googleapis.com/v1beta/models/로 동일 패턴 적용이 가능합니다.

# HTTP Request 노드 — Anthropic Claude API 직접 호출 예시
Method: POST
URL: https://api.anthropic.com/v1/messages
Headers:
  x-api-key: {{ $env.ANTHROPIC_API_KEY }}
  anthropic-version: 2023-06-01
  content-type: application/json
  anthropic-beta: prompt-caching-2024-07-31   # 프롬프트 캐싱

Body (JSON):
{
  "model": "claude-opus-4-7",
  "max_tokens": 4096,
  "system": [
    {
      "type": "text",
      "text": "{{ $json.systemPrompt }}",
      "cache_control": { "type": "ephemeral" }
    }
  ],
  "messages": [
    {
      "role": "user",
      "content": "{{ $json.userMessage }}"
    }
  ]
}

// 응답 파싱 (Code 노드)
const resp = $json;
return [{
  json: {
    answer:       resp.content[0].text,
    inputTokens:  resp.usage.input_tokens,
    outputTokens: resp.usage.output_tokens,
    cacheRead:    resp.usage.cache_read_input_tokens ?? 0,
    cacheWrite:   resp.usage.cache_creation_input_tokens ?? 0,
    stopReason:   resp.stop_reason,
    // 비용 추정 (claude-opus-4-7 기준, 모델별 단가 상이)
    costUSD: (resp.usage.input_tokens / 1e6 * 5) +
             (resp.usage.output_tokens / 1e6 * 25),
  }
}];

이미지 분석 (Vision)

# 이미지 URL → Anthropic Vision 분석 (OpenAI·Gemini도 유사 API 제공)
## HTTP Request 노드 Body
{
  "model": "claude-opus-4-7",
  "max_tokens": 2048,
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "image",
          "source": {
            "type": "url",
            "url": "{{ $json.imageUrl }}"
          }
        },
        {
          "type": "text",
          "text": "이 이미지를 자세히 설명하고, 주요 객체를 JSON 배열로 나열하세요."
        }
      ]
    }
  ]
}

# Binary 이미지 → Base64 → LLM Vision API

## Code 노드 — Binary를 Base64로 변환
const item = $input.first();
const base64 = item.binary.data.data;  // 이미 base64
const mimeType = item.binary.data.mimeType;

return [{ json: { base64, mimeType } }];

## HTTP Request Body (base64 이미지)
{
  "model": "claude-opus-4-7",
  "max_tokens": 2048,
  "messages": [{
    "role": "user",
    "content": [
      {
        "type": "image",
        "source": {
          "type": "base64",
          "media_type": "{{ $json.mimeType }}",
          "data": "{{ $json.base64 }}"
        }
      },
      { "type": "text", "text": "{{ $json.prompt }}" }
    ]
  }]
}

출력 파서 (Output Parser)

LLM의 자유 형식 텍스트 출력을 구조화된 데이터로 변환합니다. 이후 노드에서 $json.fieldName으로 바로 접근할 수 있어 워크플로우 연결이 매우 간편해집니다.

Structured Output Parser

# Basic LLM Chain + Structured Output Parser 구성

Output Parser → Structured Output Parser
  Schema Type: Manual
  Attributes:
    - Name: category
      Type: string
      Description: "분류 카테고리 (결제/기술/계정/기타 중 하나)"
    - Name: severity
      Type: options
      Options: 긴급, 높음, 보통, 낮음
      Description: "심각도 수준"
    - Name: summary
      Type: string
      Description: "50자 이내 한국어 요약"
    - Name: requiresHuman
      Type: boolean
      Description: "인간 담당자 처리 필요 여부"

# 프롬프트에 파서 지침이 자동 추가됨
# 출력 결과 → 바로 $json.category, $json.severity 로 접근

// 파싱 결과 예시
{
  "category": "결제",
  "severity": "긴급",
  "summary": "신용카드 결제 실패, 즉시 처리 필요",
  "requiresHuman": true
}

Auto-fixing Output Parser

LLM이 잘못된 형식을 반환하면, 에러 메시지와 함께 LLM에게 자동으로 재요청하여 수정합니다.

# Auto-fixing Output Parser 설정
Output Parser → Auto-fixing Output Parser
  Parser: Structured Output Parser (내부에 구조 정의)
  Max Retries: 3    # 최대 수정 재시도 횟수

# 동작 방식
1. LLM 출력 파싱 시도
2. 실패 → LLM에 에러 메시지와 함께 재요청
   "다음 에러를 수정하세요: JSON parse error at line 3..."
3. 최대 Retry 횟수까지 반복
4. 여전히 실패 → 노드 에러 처리

Code 노드로 수동 파싱

// LLM 출력에서 JSON 추출 (마크다운 코드블록 포함 경우)
const text = $json.text || $json.output;

// ```json ... ``` 블록 추출
const jsonMatch = text.match(/```(?:json)?\s*([\s\S]*?)```/);
if (jsonMatch) {
  const parsed = JSON.parse(jsonMatch[1].trim());
  return [{ json: parsed }];
}

// 순수 JSON 파싱 시도
try {
  const parsed = JSON.parse(text.trim());
  return [{ json: parsed }];
} catch {
  // 정규식으로 키-값 추출 (폴백)
  const category = text.match(/category[:\s]+([^\n,}]+)/i)?.[1]?.trim();
  return [{ json: { category, rawText: text } }];
}

AI Agent 노드 완전 가이드

AI Agent 노드는 LLM이 스스로 "어떤 도구를 쓸지" 판단하고, 도구 실행 결과를 바탕으로 다음 행동을 결정하는 ReAct 패턴을 구현합니다.

AI Agent ReAct 루프: Thought → Action(도구 호출) → Observation → 반복 → Final Answer

AI Agent 핵심 설정

# AI Agent 노드 전체 설정 (Anthropic 예시)

Chat Model → Anthropic Chat Model
  Model: claude-opus-4-7         # 또는 OpenAI: gpt-4.1 / Gemini: gemini-3-flash
  Temperature: 0          # 도구 사용 시 결정론적 행동 권장
  Max Tokens: 4096

Memory → Window Buffer Memory
  Context Window Length: 10

Max Iterations: 10        # 무한 루프 방지 (도구 최대 호출 횟수)
Return Intermediate Steps: true  # 중간 Thought/Action 포함 출력

System Prompt: |
  당신은 유용한 AI 어시스턴트입니다.
  주어진 도구를 적극 활용하여 정확한 답변을 제공하세요.
  최종 답변은 반드시 한국어로 작성하세요.
  모르는 정보는 추측하지 말고 도구로 확인하세요.

Human Message: {{ $json.userMessage }}

도구(Tool) 설정 상세

# HTTP Request Tool — 주식/암호화폐 가격 조회
Name: get_crypto_price
Description: |
  암호화폐의 현재 가격과 24시간 변동률을 조회합니다.
  id 파라미터에 코인 ID를 입력하세요.
  예: bitcoin, ethereum, ripple
Method: GET
URL: https://api.coingecko.com/api/v3/simple/price
Query Parameters:
  ids: {{ $parameter.id }}
  vs_currencies: usd,krw
  include_24hr_change: true

# n8n Workflow Tool — 복잡한 DB 조회를 서브워크플로우로
Name: get_customer_info
Description: |
  고객 ID로 고객 정보(이름, 이메일, 주문 이력)를 조회합니다.
  customer_id 파라미터에 고객 ID(숫자)를 입력하세요.
Workflow: "고객 정보 조회 서브워크플로우"

# 서브워크플로우 내부:
Execute Workflow Trigger
  ↓
PostgreSQL
  Query: |
    SELECT c.*, json_agg(o.*) as orders
    FROM customers c
    LEFT JOIN orders o ON o.customer_id = c.id
    WHERE c.id = {{ $json.customer_id }}
    GROUP BY c.id
  ↓
Respond to Workflow

에이전트 시스템 프롬프트 설계

# 고객 지원 에이전트 시스템 프롬프트 예시
당신은 [회사명] 공식 고객 지원 AI입니다.

## 역할과 권한
- 주문 조회, 배송 상태 확인, 반품/교환 안내 가능
- 환불 처리는 50,000원 이하만 직접 처리 가능
- 50,000원 초과 또는 법적 분쟁 → 인간 담당자 연결

## 도구 사용 규칙
- 고객 정보 조회 시 반드시 get_customer_info 도구 사용
- 주문 상태 확인 시 반드시 get_order_status 도구 사용
- 추측으로 주문 상태를 답변하지 말 것

## 응답 형식
- 친절하고 공감적인 어조 유지
- 전문 용어 대신 쉬운 표현 사용
- 해결이 어려우면 담당자 연결 제안

## 개인정보 보호
- 전화번호, 신용카드 번호를 응답에 포함하지 말 것
- 이메일은 마스킹 처리: hong***@example.com

메모리 전략

메모리 종류 비교

세션별 메모리 관리

# Redis Chat Memory — 사용자별 독립 메모리

AI Agent
  Memory → Redis Chat Memory
    Session Key: {{ $json.userId }}        # 사용자별 분리
    Session ID: {{ $json.sessionId }}      # 또는 대화 세션별 분리
    Context Window Length: 20             # 최근 20개 메시지
    Redis Credential: (Redis 자격증명)

# Telegram 봇 예시 — chat.id로 세션 분리
Session Key: {{ $json.message.chat.id }}

// Code 노드 — 오래된 메모리 수동 정리 (Redis)
// 특정 사용자의 대화 이력 초기화
const userId = $json.userId;
const sessionKey = `n8n:${userId}:history`;

// 다음 Redis 노드에서 DEL 명령 실행
return [{ json: { sessionKey } }];

RAG 파이프라인 완전 구축

문서 로더 종류

텍스트 분할기 비교

워크플로우 1: 문서 인덱싱 파이프라인

# 문서 → 청크 → 임베딩 → 벡터 DB 저장

## 트리거: 파일 업로드 Webhook
Webhook Trigger (multipart/form-data)
  ↓
## 메타데이터 추출
Code 노드
  const filename = $binary.data.fileName;
  const source = $json.source ?? 'upload';
  const uploadedBy = $json.uploadedBy ?? 'system';
  return [{ json: { filename, source, uploadedBy }, binary: $input.first().binary }];
  ↓
## 중복 체크 (선택)
Supabase 노드
  Query: SELECT id FROM documents WHERE filename = '{{ $json.filename }}'
  ↓
IF (이미 존재하면) → 409 응답 반환

## 문서 → 텍스트 청크 분할
Default Data Loader
  Data Type: Binary (자동 감지: PDF/DOCX/TXT)
  Text Splitter → Recursive Character Text Splitter
    Chunk Size: 1000
    Chunk Overlap: 200
    Separators: ["\n\n", "\n", " ", ""]
  ↓
## 임베딩 생성 + 벡터 DB 저장
Supabase Vector Store
  Operation: Insert Documents
  Embedding → OpenAI Embeddings (text-embedding-3-small)
  Table: documents
  Query Name: match_documents
  Metadata:
    source: {{ $json.filename }}
    uploadedBy: {{ $json.uploadedBy }}
    uploadedAt: {{ $now.toISO() }}
  ↓
## 완료 응답
Respond to Webhook
  Body: { "success": true, "chunks": {{ $input.all().length }} }

워크플로우 2: RAG 질의응답

# 질문 → 벡터 검색 → LLM 답변 생성

Webhook Trigger
  Body: { "question": "...", "userId": "...", "topK": 5 }
  ↓
## 방법 A: Retrieval Q&A Chain (간단)
Retrieval Q&A Chain
  Chat Model → Anthropic (claude-opus-4-7)   # 또는 OpenAI (gpt-4.1) / Gemini 등
  Vector Store → Supabase (Retrieve Documents)
    Query: {{ $json.question }}
    Top K: {{ $json.topK ?? 5 }}
  Prompt Template: |
    다음 문서를 참고하여 질문에 답변하세요.
    문서에 없는 내용은 "문서에서 확인할 수 없습니다"라고 답변하세요.

    문서:
    {context}

    질문: {question}
  ↓
Respond to Webhook (answer + sources)

## 방법 B: AI Agent + Vector Store Tool (더 유연)

AI Agent
  Chat Model: Anthropic claude-opus-4-7  # 또는 OpenAI gpt-4.1 등
  Memory: Redis Chat Memory (userId 키)
  Tools:
    Vector Store Retriever Tool
      Vector Store: Supabase
      Name: search_documents
      Description: "내부 문서에서 관련 정보를 검색합니다. query에 검색할 내용을 입력하세요."
      Top K: 5
      Filter: { "source": "{{ $json.docSource }}" }  # 특정 문서만

  System Prompt: |
    당신은 내부 문서 기반 AI 어시스턴트입니다.
    반드시 search_documents 도구로 문서를 확인한 후 답변하세요.
    출처 파일명을 항상 명시하세요.
    문서에 없는 내용은 솔직히 모른다고 하세요.

  Human: {{ $json.question }}

고급 RAG 기법

// 하이브리드 검색: 벡터 유사도 + 키워드 검색 결합

// 1. 벡터 검색 (의미적 유사도)
Supabase Vector Store Retrieve → 상위 10개

// 2. PostgreSQL 키워드 검색 (Full-Text Search)
PostgreSQL:
  SELECT *, ts_rank(to_tsvector('korean', content), query) AS rank
  FROM documents, to_tsquery('korean', '{{ $json.keywords }}') query
  WHERE to_tsvector('korean', content) @@ query
  ORDER BY rank DESC LIMIT 10

// 3. Code 노드 — 결과 병합 및 중복 제거
const vector = $items("Vector Store").map(i => i.json);
const keyword = $items("PostgreSQL").map(i => i.json);
const merged = [...vector, ...keyword];
const seen = new Set();
const unique = merged.filter(d => {
  if (seen.has(d.id)) return false;
  seen.add(d.id);
  return true;
});
return [{ json: { documents: unique.slice(0, 8) } }];
  ↓
// 4. LLM에 컨텍스트와 함께 전달

// 쿼리 재작성 (Query Rewriting) — 검색 품질 향상

Basic LLM Chain (쿼리 재작성 전용, 빠른 모델 사용)
  Chat Model: claude-haiku-4-5   # 또는 gpt-4.1-mini, gemini-3-flash (경량 모델 권장)
  Prompt: |
    대화 이력과 사용자 질문을 보고, 문서 검색에 최적화된
    독립적인 검색 쿼리를 한국어로 작성하세요.
    대화 이력 없이도 이해 가능한 완전한 쿼리여야 합니다.

    대화 이력: {{ $json.history ?? "없음" }}
    사용자 질문: {{ $json.question }}

    검색 쿼리만 출력 (설명 없이):
  ↓
벡터 DB 검색 (재작성된 쿼리로)

멀티에이전트 패턴

패턴 1: 병렬 전문가 에이전트

# 하나의 복잡한 질문을 여러 전문 에이전트가 병렬 처리

Webhook Trigger ("분기별 실적 분석해줘")
  ↓
Code 노드 (질문 분해)
  return [
    { json: { question: "Q1-Q2 매출 트렌드", agent: "sales" } },
    { json: { question: "비용 구조 분석", agent: "finance" } },
    { json: { question: "시장 점유율 변화", agent: "market" } },
  ];
  ↓ (3개 아이템, 병렬 처리)

## 각 아이템에 대해 담당 에이전트 라우팅
Switch 노드 ({{ $json.agent }}으로 분기)
  "sales"  → 매출 분석 에이전트 (DB Tool + Chart Tool)
  "finance"→ 재무 분석 에이전트 (DB Tool + Calculator)
  "market" → 시장 분석 에이전트 (Web Search Tool + DB Tool)
  ↓ (Merge: Append)

## 결과 통합 에이전트
AI Agent (통합 요약)
  System: "세 전문가의 분석을 종합하여 경영 보고서를 작성하세요."
  Human: "분석 결과:\n{{ $json.allResults }}"

패턴 2: 슈퍼바이저 에이전트

# 슈퍼바이저가 전문 에이전트들을 지휘

Chat Trigger (사용자 요청)
  ↓
슈퍼바이저 AI Agent
  System: |
    당신은 팀 슈퍼바이저입니다.
    사용자 요청을 분석하고 적절한 전문 에이전트에게 작업을 할당하세요.
    사용 가능한 에이전트:
    - research_agent: 웹 검색, 정보 수집
    - code_agent: 코드 작성, 디버깅
    - data_agent: 데이터 분석, 시각화
    결과를 검토하고 최종 답변을 사용자에게 전달하세요.
  Tools:
    → research_agent (Workflow Tool)
    → code_agent (Workflow Tool)
    → data_agent (Workflow Tool)

패턴 3: Human-in-the-Loop

# AI 처리 → 사람 검토 → 승인/거절 → 계속 실행

Webhook Trigger (자동화 요청)
  ↓
AI Agent (초안 작성)
  ↓
## 사람 검토 요청 (Slack에 승인 요청)
Slack 노드
  Text: "AI가 다음 초안을 작성했습니다:\n{{ $json.draft }}\n승인하시겠습니까?"
  Blocks:
    - type: actions
      elements:
        - type: button
          text: "✅ 승인"
          action_id: approve
          value: "{{ $execution.resumeUrl }}?action=approve"
        - type: button
          text: "❌ 거절"
          action_id: reject
          value: "{{ $execution.resumeUrl }}?action=reject"
          style: danger
  ↓
## Webhook 재개 대기 (최대 24시간)
Wait 노드
  Resume: On Webhook Call
  Webhook Suffix: /approval/{{ $execution.id }}
  Max Wait Time: 86400   # 24시간 후 자동 타임아웃
  ↓
## 승인/거절 처리
IF ({{ $json.action }} === "approve")
  True → 실제 실행 (이메일 발송, DB 저장 등)
  False → 취소 알림 + 로그

# Wait 노드 재개 URL 호출 방법

## Slack 버튼 클릭 시 n8n으로 재개 신호 전송
## action_id에 따라 resumeUrl에 파라미터 추가

## 외부에서 재개 호출 (curl 예시)
curl -X POST "{{ $execution.resumeUrl }}" \
  -H "Content-Type: application/json" \
  -d '{"action": "approve", "approvedBy": "manager@company.com"}'

실전 AI 자동화 사례

사례 1: Slack AI 분류 & 자동 라우팅

# Slack 새 메시지 → AI 분류 → 담당자 태그 + DB 로그

Slack Trigger (새 메시지)
  Channel: #customer-support
  ↓
Basic LLM Chain (경량 모델: claude-haiku-4-5 / gpt-4.1-mini / gemini-3-flash)
  System: |
    고객 메시지를 JSON으로만 분류하세요.
    category: ["결제", "기술", "계정", "배송", "일반", "기타"]
    severity: ["긴급", "높음", "보통", "낮음"]
    sentiment: ["화남", "불만", "중립", "만족"]
    language: ["한국어", "영어", "기타"]
  User: {{ $json.text }}

Output Parser → Structured Output Parser
  category, severity, sentiment, language (모두 string)
  ↓
Code 노드 (담당자 매핑)
  const assigneeMap = {
    "결제": { user: "U01FINANCE", channel: "#finance-support" },
    "기술": { user: "U02DEVTEAM", channel: "#dev-support" },
    "계정": { user: "U03OPSCORE", channel: "#ops-support" },
  };
  const assignee = assigneeMap[$json.category] ?? { user: "U04GENERAL" };
  return [{ json: { ...$json, assignee } }];
  ↓
[병렬]
  Slack (원본 채널에 분류 태그 추가)
    Thread TS: {{ $json.ts }}
    Text: "카테고리: {{ $json.category }} | 심각도: {{ $json.severity }}"
  PostgreSQL (티켓 생성)
    INSERT INTO support_tickets ...
  IF (severity == "긴급")
    → Slack DM to assignee.user (즉시 알림)

사례 2: GitHub PR AI 코드 리뷰

# PR 오픈 → diff 가져오기 → AI 리뷰 → GitHub 코멘트

GitHub Trigger
  Event: Pull Request, Action: opened/synchronize
  ↓
Code 노드 (PR 메타데이터)
  const pr = $json.pull_request;
  return [{ json: {
    title: pr.title,
    author: pr.user.login,
    diffUrl: pr.diff_url,
    commentsUrl: pr.comments_url,
    prNumber: pr.number,
    repoFullName: $json.repository.full_name,
  }}];
  ↓
HTTP Request (diff 다운로드)
  URL: {{ $json.diffUrl }}
  Headers: Authorization: token {{ $env.GITHUB_TOKEN }}, Accept: application/vnd.github.v3.diff
  ↓
Code 노드 (diff 전처리)
  const diff = $json.data;
  const MAX_CHARS = 12000;
  const truncated = diff.length > MAX_CHARS
    ? diff.slice(0, MAX_CHARS) + '\n... (이하 생략)'
    : diff;
  const addedLines = (diff.match(/^\+[^+]/mg) ?? []).length;
  const removedLines = (diff.match(/^-[^-]/mg) ?? []).length;
  return [{ json: { diff: truncated, addedLines, removedLines } }];
  ↓
Basic LLM Chain (고성능 모델: claude-opus-4-7 / gpt-4.1 / gemini-3.1-pro)
  System: |
    당신은 시니어 소프트웨어 엔지니어입니다.
    PR 코드 변경사항을 분석하고 건설적인 피드백을 작성하세요.

    ## 리뷰 항목 (중요도 순)
    1. 🐛 버그 및 잠재적 오류
    2. 🔒 보안 취약점
    3. ⚡ 성능 이슈
    4. 🏗️ 코드 구조 및 가독성
    5. 🧪 테스트 커버리지
    6. ✅ 잘된 점

    각 항목에 해당하는 내용이 없으면 생략하세요.
    구체적인 코드 라인을 인용하면 더 좋습니다.
  User: |
    PR 제목: {{ $node["Code"].json.title }}
    작성자: {{ $node["Code"].json.author }}
    변경: +{{ $node["Code 1"].json.addedLines }}줄 / -{{ $node["Code 1"].json.removedLines }}줄

    코드 변경사항:
    ```diff
    {{ $json.diff }}
    ```
  ↓
HTTP Request (GitHub 코멘트 등록)
  URL: https://api.github.com/repos/{{ $node["Code"].json.repoFullName }}/issues/{{ $node["Code"].json.prNumber }}/comments
  Method: POST
  Headers: Authorization: token {{ $env.GITHUB_TOKEN }}
  Body: { "body": "## 🤖 AI 코드 리뷰\n\n{{ $json.text }}\n\n---\n*자동 생성된 리뷰입니다. 참고용으로 활용하세요.*" }

사례 3: AI 콘텐츠 생성 파이프라인

# 주제 입력 → AI 리서치 → 초안 작성 → SEO 최적화 → 발행

Webhook Trigger
  Body: { "topic": "n8n으로 AI 자동화 구축하기", "language": "ko", "targetLength": 1500 }
  ↓
AI Agent (리서치 에이전트)
  Tools: Wikipedia, SerpAPI, HTTP Request (뉴스 API)
  System: 주제에 대한 최신 정보를 수집하고 JSON으로 요약하세요.
  ↓
Basic LLM Chain (초안 작성, claude-opus-4-7 / gpt-4.1 등 고성능 모델)
  Prompt: |
    리서치 결과를 바탕으로 블로그 포스트 초안을 작성하세요.
    - 언어: {{ $json.language }}
    - 목표 길이: {{ $json.targetLength }}자
    - H2/H3 구조, 예제 코드 포함
    - SEO 최적화된 제목과 소제목

    리서치 결과:
    {{ $json.research }}
  ↓
Basic LLM Chain (SEO 메타데이터 추출, claude-haiku-4-5 / gpt-4.1-mini 등 경량 모델)
  Prompt: |
    다음 블로그 포스트에서 SEO 메타데이터를 JSON으로 추출하세요.
    - title: SEO 최적화 제목 (60자 이내)
    - description: 메타 설명 (160자 이내)
    - keywords: 핵심 키워드 배열 (5-10개)
    - readingTime: 예상 읽기 시간 (분)

    {{ $json.text }}

Output Parser → Structured Output Parser
  ↓
[병렬]
  HTTP Request (WordPress API 발행 또는 Notion 저장)
  Google Sheets (콘텐츠 캘린더 기록)
  Slack (팀 알림: 새 포스트 초안 완료)

사례 4: AI 장애 대응 자동화

# 모니터링 알림 → AI 원인 분석 → 자동 복구 시도 → 에스컬레이션

Webhook Trigger (Prometheus AlertManager)
  Body: { "alertname": "HighCPUUsage", "service": "api-server", "severity": "critical" }
  ↓
Code 노드 (경보 파싱)
  const alert = $json.alerts[0];
  return [{ json: {
    alertname: alert.labels.alertname,
    service: alert.labels.service,
    severity: alert.labels.severity,
    startedAt: alert.startsAt,
    description: alert.annotations.description,
  }}];
  ↓
[병렬]
  HTTP Request (최근 로그 조회 - Loki/Elasticsearch)
  HTTP Request (메트릭 조회 - Prometheus)
  PostgreSQL (최근 배포 이력)
  ↓ (Merge)
AI Agent (원인 분석 + 복구 방안)
  System: |
    DevOps 전문가로서 장애 원인을 분석하고 즉시 조치 방안을 제시하세요.
    제공된 도구로 추가 조사를 할 수 있습니다.
    복구 명령어는 반드시 실행 전 승인을 요청하세요.
  Tools:
    → SSH Command Tool (서버 명령어 실행)
    → Kubernetes API Tool (Pod 재시작 등)
  User: |
    장애 내용:
    {{ $json.description }}

    최근 로그: {{ $json.logs }}
    메트릭: {{ $json.metrics }}
    최근 배포: {{ $json.deployments }}
  ↓
Slack 노드 (즉시 알림 + AI 분석 결과)
  Channel: #incidents
  Text: |
    🚨 *{{ $json.alertname }}* - {{ $json.service }}
    AI 분석: {{ $json.output }}
  ↓
IF (severity == "critical" && 자동 복구 제안 있음)
  → Human-in-the-Loop (승인 후 복구 실행)
  → PagerDuty (온콜 담당자 호출)

사례 5: AI 리드 스코어링

# CRM 신규 리드 → AI 분석 → 점수 산출 → 영업팀 라우팅

HubSpot Trigger (새 Contact 생성)
  ↓
HTTP Request (회사 정보 보강 - Clearbit/Apollo)
  URL: https://company.clearbit.com/v2/companies/find
  Query: domain={{ $json.company.domain }}
  ↓
Basic LLM Chain (claude-opus-4-7 / gpt-4.1 등 고성능 모델)
  System: |
    B2B SaaS 영업 전문가로서 리드를 분석하고 점수를 산출하세요.

    점수 기준 (0-100점):
    - 회사 규모 (직원 수): 대기업 30점, 중기업 20점, 소기업 10점
    - 업종 적합성: AI/Tech 25점, 제조 15점, 서비스 10점
    - 타이틀 적합성: C레벨/VP 20점, 매니저 15점, 일반 5점
    - 인게이지먼트: 데모 신청 25점, 콘텐츠 다운 15점, 방문만 5점

    JSON으로만 응답: { "score": number, "tier": "A|B|C", "reason": string, "nextAction": string }
  User: |
    이름: {{ $json.firstname }} {{ $json.lastname }}
    직책: {{ $json.jobtitle }}
    회사: {{ $json.company }}
    직원 수: {{ $json.company_size }}
    업종: {{ $json.industry }}
    유입 경로: {{ $json.lead_source }}

Output Parser → Structured Output Parser
  ↓
HubSpot 노드 (리드 점수 업데이트)
  Update Contact Property: lead_score, lead_tier, ai_reason
  ↓
Switch (tier)
  "A" → 영업팀 즉시 알림 + 자동 미팅 일정 제안
  "B" → 이메일 시퀀스 등록
  "C" → 뉴스레터만 구독

프롬프트 보안

프롬프트 인젝션 방지

// Code 노드 — 사용자 입력 위생처리
const userInput = $json.userMessage;

// 1. 길이 제한
if (userInput.length > 2000) {
  throw new Error('입력이 너무 깁니다 (최대 2000자)');
}

// 2. 인젝션 패턴 감지
const injectionPatterns = [
  /ignore\s+(all\s+)?previous\s+instructions/i,
  /system\s+prompt/i,
  /jailbreak/i,
  /\[INST\]/i,
  /<system>/i,
];
for (const pattern of injectionPatterns) {
  if (pattern.test(userInput)) {
    throw new Error('허용되지 않는 입력입니다');
  }
}

// 3. 특수 문자 이스케이프 (SQL 인젝션 방지)
const sanitized = userInput
  .replace(/[<>&"']/g, c => ({
    '<': '<', '>': '>', '&': '&',
    '"': '"', "'": '''
  }[c]));

return [{ json: { sanitizedInput: sanitized } }];

Rate Limiting

// Code 노드 — 사용자별 요청 제한 (Redis 기반)
const userId = $json.userId;
const key = `ratelimit:${userId}:${$now.toFormat('yyyy-MM-dd-HH')}`;
const MAX_REQUESTS_PER_HOUR = 20;

// 다음 Redis 노드에서:
// INCR key → TTL 3600 → IF count > MAX → 429 반환
return [{ json: { ratelimitKey: key, maxRequests: MAX_REQUESTS_PER_HOUR } }];

AI 비용 최적화

모델 라우팅 전략

// Code 노드 — 복잡도 기반 모델 자동 선택
const { prompt, taskType } = $json;
const tokenEstimate = Math.ceil(prompt.length / 3.5);

let model, temperature;

// Anthropic 모델 기준 예시 (OpenAI: gpt-4.1-mini → gpt-4.1, Gemini: flash → pro)
if (taskType === 'classification' || tokenEstimate < 500) {
  model = 'claude-haiku-4-5';  // 빠르고 저렴 (대안: gpt-4.1-mini, gemini-3-flash)
  temperature = 0;
} else if (taskType === 'code' || tokenEstimate < 2000) {
  model = 'claude-sonnet-4-6';  // 균형 (대안: gpt-4.1, gemini-3.1-pro)
  temperature = 0.3;
} else {
  model = 'claude-opus-4-7';    // 복잡한 추론 (대안: gpt-4.1, gemini-3.1-pro)
  temperature = 0.7;
}

return [{ json: { ...($json), model, temperature } }];

프롬프트 캐싱 (Anthropic 고유 기능)

Anthropic Claude API는 프롬프트 캐싱을 지원하여 반복 호출 시 비용을 크게 절감할 수 있습니다. OpenAI는 자동 캐싱(Predicted Outputs)을, Gemini는 Context Caching을 별도로 제공합니다.

# Anthropic 전용: 긴 시스템 프롬프트에 캐시 활성화 → 비용 90% 절감
# 최소 1024 토큰 이상인 시스템 프롬프트에 적용

{
  "system": [
    {
      "type": "text",
      "text": "{{ $json.longSystemPrompt }}",
      "cache_control": { "type": "ephemeral" }  # 이 부분 캐시
    }
  ],
  "messages": [
    { "role": "user", "content": "{{ $json.userMessage }}" }
  ]
}

# 캐시 히트 시 비용
# 입력 토큰: $5/MTok → $0.50/MTok (90% 절감)
# 유효 시간: 5분 또는 1시간 (호출할 때마다 갱신)

다음 단계