Google Gemini와 PostgreSQL를 사용하여 GLPI 지식庫 RAG 파이프라인을 구축

Name: Google Gemini와 PostgreSQL를 사용하여 GLPI 지식庫 RAG 파이프라인을 구축
Rating: 4.5 (10 reviews)
Author: Thiago Vazzoler Loureiro

중급

이것은Internal Wiki, Multimodal AI분야의자동화 워크플로우로, 9개의 노드를 포함합니다.주로 Agent, ChatTrigger, LmChatGoogleGemini, MemoryBufferWindow, VectorStorePGVector 등의 노드를 사용하며. 사용법 Google Gemini와 PostgreSQL를 사용하여 GLPI 지식庫 RAG 파이프라인 구축

사전 요구사항

•Google Gemini API Key

사용된 노드 (9)

EmbeddingsGoogleGemini

카테고리

내부 위키

멀티모달 AI

워크플로우 미리보기

노드 연결 관계를 시각적으로 표시하며, 확대/축소 및 이동을 지원합니다

AI 에이전트

Google Gemini 채팅 모델

채팅 메시지 수신 시

임베딩 Google Gemini1

임베딩 Google Gemini3

CONHECIMENTO_TI_GLPI

CONFLUENCE_TI_CONFLUENCE_SGU_GPL

심플 메모리

React Flow

워크플로우 내보내기

다음 JSON 구성을 복사하여 n8n에 가져오면 이 워크플로우를 사용할 수 있습니다

{
  "meta": {
    "instanceId": "98986c4dc0b4b2af9fd0666d254f8b80e6e6b2044e2f3f3eedc76242999f4b5e",
    "templateCredsSetupCompleted": true
  },
  "nodes": [
    {
      "id": "faa18c92-30d0-481f-b073-0b5efa68fbdf",
      "name": "AI 에이전트",
      "type": "@n8n/n8n-nodes-langchain.agent",
      "position": [
        3824,
        992
      ],
      "parameters": {},
      "typeVersion": 1.8
    },
    {
      "id": "dd67e0b2-9986-4506-813e-d9d79b0b9f7b",
      "name": "Google Gemini 채팅 모델",
      "type": "@n8n/n8n-nodes-langchain.lmChatGoogleGemini",
      "position": [
        3392,
        1232
      ],
      "parameters": {},
      "typeVersion": 1
    },
    {
      "id": "0667b08a-42f9-4c74-9560-75f196147468",
      "name": "채팅 메시지 수신 시",
      "type": "@n8n/n8n-nodes-langchain.chatTrigger",
      "position": [
        3488,
        992
      ],
      "webhookId": "8850cfe1-5a35-4bc9-9c02-91ccf4b82c58",
      "parameters": {},
      "typeVersion": 1.1
    },
    {
      "id": "e828b8eb-b88f-425b-aaca-7081a0145c08",
      "name": "임베딩 Google Gemini1",
      "type": "@n8n/n8n-nodes-langchain.embeddingsGoogleGemini",
      "position": [
        4192,
        1440
      ],
      "parameters": {},
      "typeVersion": 1
    },
    {
      "id": "6f220ede-5bbf-48b7-a5b1-48052fb1dd87",
      "name": "스티키 노트",
      "type": "n8n-nodes-base.stickyNote",
      "position": [
        3488,
        800
      ],
      "parameters": {
        "content": ""
      },
      "typeVersion": 1
    },
    {
      "id": "761568e7-36aa-4dd2-8dc1-a037b0c27218",
      "name": "임베딩 Google Gemini3",
      "type": "@n8n/n8n-nodes-langchain.embeddingsGoogleGemini",
      "position": [
        3904,
        1424
      ],
      "parameters": {},
      "typeVersion": 1
    },
    {
      "id": "e25c8e1e-a871-491e-ad86-fd9575700f96",
      "name": "CONHECIMENTO_TI_GLPI",
      "type": "@n8n/n8n-nodes-langchain.vectorStorePGVector",
      "position": [
        4208,
        1280
      ],
      "parameters": {},
      "typeVersion": 1.1
    },
    {
      "id": "19487e55-30d4-4570-a9e2-6ff9ce92c615",
      "name": "CONFLUENCE_TI_CONFLUENCE_SGU_GPL",
      "type": "@n8n/n8n-nodes-langchain.vectorStorePGVector",
      "position": [
        3824,
        1264
      ],
      "parameters": {},
      "typeVersion": 1.1
    },
    {
      "id": "2fe1ca70-36ee-4593-bf7d-33bc1d4ea9f9",
      "name": "심플 메모리",
      "type": "@n8n/n8n-nodes-langchain.memoryBufferWindow",
      "position": [
        3648,
        1248
      ],
      "parameters": {},
      "typeVersion": 1.3
    }
  ],
  "pinData": {},
  "connections": {
    "faa18c92-30d0-481f-b073-0b5efa68fbdf": {
      "main": [
        []
      ]
    },
    "2fe1ca70-36ee-4593-bf7d-33bc1d4ea9f9": {
      "ai_memory": [
        [
          {
            "node": "faa18c92-30d0-481f-b073-0b5efa68fbdf",
            "type": "ai_memory",
            "index": 0
          }
        ]
      ]
    },
    "e25c8e1e-a871-491e-ad86-fd9575700f96": {
      "ai_tool": [
        [
          {
            "node": "faa18c92-30d0-481f-b073-0b5efa68fbdf",
            "type": "ai_tool",
            "index": 0
          }
        ]
      ]
    },
    "dd67e0b2-9986-4506-813e-d9d79b0b9f7b": {
      "ai_languageModel": [
        [
          {
            "node": "faa18c92-30d0-481f-b073-0b5efa68fbdf",
            "type": "ai_languageModel",
            "index": 0
          }
        ]
      ]
    },
    "e828b8eb-b88f-425b-aaca-7081a0145c08": {
      "ai_embedding": [
        [
          {
            "node": "e25c8e1e-a871-491e-ad86-fd9575700f96",
            "type": "ai_embedding",
            "index": 0
          }
        ]
      ]
    },
    "761568e7-36aa-4dd2-8dc1-a037b0c27218": {
      "ai_embedding": [
        [
          {
            "node": "19487e55-30d4-4570-a9e2-6ff9ce92c615",
            "type": "ai_embedding",
            "index": 0
          }
        ]
      ]
    },
    "0667b08a-42f9-4c74-9560-75f196147468": {
      "main": [
        [
          {
            "node": "faa18c92-30d0-481f-b073-0b5efa68fbdf",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "19487e55-30d4-4570-a9e2-6ff9ce92c615": {
      "ai_tool": [
        []
      ]
    }
  }
}

자주 묻는 질문

이 워크플로우를 어떻게 사용하나요?

위의 JSON 구성 코드를 복사하여 n8n 인스턴스에서 새 워크플로우를 생성하고 "JSON에서 가져오기"를 선택한 후, 구성을 붙여넣고 필요에 따라 인증 설정을 수정하세요.

이 워크플로우는 어떤 시나리오에 적합한가요?

중급 - 내부 위키, 멀티모달 AI

유료인가요?

이 워크플로우는 완전히 무료이며 직접 가져와 사용할 수 있습니다. 다만, 워크플로우에서 사용하는 타사 서비스(예: OpenAI API)는 사용자 직접 비용을 지불해야 할 수 있습니다.

관련 워크플로우 추천

Gemini RAG 파이프라인을 사용하여 문서 전문가 채팅 로봇을 구축

사용법 Gemini RAG 파이프라인을 사용하여 문서 전문가 채팅 로봇 구축

RAG과 Google Gemini API를 사용한 IPL 법칙 질문 챗봇

RAG 및 Google Gemini API 기반 IPL 야구 규칙 질문 챗봇

🤖 RAG, 제미니, Supabase를 사용하여 문서 전문가 로봇 생성

AI판매에이전트：WhatsApp및网站판매에이전트（RAG）

RAG, CRM 및 결제 처리를 사용한 멀티 플랫폼 세일즈 에이전트

시각화 참조 라이브러리에서 n8n 노드를 탐색

可视化 참조 라이브러리에서 n8n 노드를 탐색

워크플로우 정보

난이도

중급

노드 수9

카테고리2

노드 유형7

난이도 설명

일정 경험을 가진 사용자를 위한 6-15개 노드의 중간 복잡도 워크플로우

저자

Thiago Vazzoler Loureiro

@thiagovazzoler

Building Custom Automations with n8n | Node.js Developer | Integration Specialist | Open Source Contributor If you need help with n8n workflows, API integrations, or custom nodes, feel free to connect on LinkedIn: http://linkedin.com/in/thiago-vazzoler-loureiro-24056227

외부 링크

n8n.io에서 보기 →

이 워크플로우 공유