워크플로우 자동화 AI 에이전트 만들기 (n8n·MCP·RAG)

n8n으로 업무를 자동화하고, MCP로 AI에 연결하고, RAG로 지식을 붙인다

코드를 거의 쓰지 않고도 "뉴스를 수집해 노션에 저장", "게임 리뷰를 수집해 구글 시트에 적재", "그 워크플로우를 AI가 직접 호출" 하는 자동화를 만들어 본다. 도구는 n8n(워크플로우 자동화), 연결 규격은 MCP(Model Context Protocol), 지식 보강은 RAG다.

#1. n8n 워크플로우 자동화 도구

#1-1. n8n이란?

한 줄 정의

n8n은 "nodemation"(node + automation)의 약자로, 프로그래밍 지식 없이도 다양한 앱과 서비스를 연결하여 업무를 자동화할 수 있는 오픈소스 기반 워크플로우 자동화 도구다.

"nodes"와 "workflows"라는 개념으로 다양한 작업을 시각적으로 연결해 자동화 흐름을 구성한다.

#1-2. 주요 특징

#1-3. n8n이 지원하는 서비스

400개 이상의 통합을 카테고리별로 제공한다.

• 생산성 도구: Google Sheets, Notion, Airtable

• 커뮤니케이션: Slack, Discord, Telegram

• 이메일: Gmail

• 클라우드 스토리지: Google Drive

• 데이터베이스: MySQL, PostgreSQL

• 개발 도구: Webhook, HTTP Request

• AI·기계학습: OpenAI, LangChain

#1-4. 설치하기

① Node.js 설치 — https://nodejs.org/ko/download

② n8n 모듈 설치 및 실행 — 현재 경로에 상관없이 실행하려면 설치 경로를 path 환경변수에 등록한다.

# n8n 설치 경로 지정
> npm config set prefix "d:\dev\n8n"

# n8n 전역 설치
> npm install n8n -g

# 실행
> n8n

#1-5. n8n 구성요소

워크플로우 에디터 — 노드를 추가·연결하여 자동화 로직을 설계하는 핵심 공간.

자격증명(Credentials) — 외부 서비스(API·DB 등)에 연결하기 위한 인증 정보를 관리하는 곳.

#1-6. 주요 자격증명 방법

#2. 주요 서비스 API 인증 설정

#2-1. Google API 인증

Google Cloud Console에서 프로젝트를 만들고 필요한 API를 켠 뒤, OAuth 클라이언트를 생성해 n8n에 연결하는 흐름이다.

① 프로젝트 생성 — Google Cloud Console 접속 → 좌측 상단 "프로젝트 선택" → 새 프로젝트 생성

② 필요한 API 활성화 — "API 및 서비스" → 서비스 검색 → "사용" 클릭

③ OAuth 동의 화면 설정 — "OAuth 동의 화면" → 시작하기 → 앱 정보 입력 → 대상(외부) 선택 → 연락처 입력 → 정책 동의 후 완료

④ 테스트 사용자 추가 — 본인 이메일 주소를 테스트 사용자로 추가

⑤ OAuth 클라이언트 ID 생성

⑥ 데이터 액세스 — "데이터 액세스" → 범위 추가/삭제 → 필요한 범위 선택 후 업데이트 → 변경사항 저장

⑦ n8n Credential 등록 — 예: Google Sheets OAuth2 API

#2-2. Anthropic (Claude AI)

• 클로드 콘솔 대시보드: https://platform.claude.com/dashboard

• n8n Credential 등록: Anthropic account

#2-3. Supabase (PostgreSQL)

• Supabase 대시보드: https://supabase.com/dashboard

• n8n Credential 등록: Supabase account

  • Host URL: Project Settings → API Keys

  • Service Role Secret 값 복사

#3. n8n 실전 프로젝트 1 — 경제 뉴스 노션 자동 등록

RSS로 경제 뉴스를 가져와 → Claude로 요약 → Notion 데이터베이스와 Supabase에 저장하는 워크플로우다.

#3-1. 노션 설정

1. 데이터베이스 생성: 새 페이지("경제 뉴스") → 데이터베이스("경제 뉴스 스크랩") 생성

2. 속성 추가: 제목(텍스트), 게시일(날짜), 수집일(날짜), 내용(텍스트), 원문 URL(URL)

3. Notion API Key 생성: 노션 통합 대시보드 → 신규 연결 → 이름·인증방법(액세스 토큰)·워크스페이스 선택 → 연결 생성

4. 콘텐츠 사용 권한 탭 → 편집 권한 → 사용할 데이터베이스 선택

5. "구성" 탭의 API 통합 토큰(액세스 토큰) 값 복사

#3-2. n8n 설정

노션 자격증명 등록 → 복사한 노션 API Key 입력.

#3-3. 워크플로우 설계

④ Anthropic 요약 프롬프트 예시

다음 뉴스 기사를 중요한 내용 위주로 10줄 이내의 문장으로 요약해주세요:
제목: {{ $json.title }}
내용: {{ $json.content }}
날짜: {{ $json.pubDate }}
자세한 내용 보기: {{ $json.link }}

요약 형식:
- 핵심 내용만 간결하게
- 중요 수치나 날짜 포함
- 마크다운 서식 사용 안 함

⑦ Supabase 노드 설정 — news 테이블에 필드 매핑(예: title ← {{ $json.title }})

완성된 워크플로우

Schedule Trigger → RSS → Limit → 뉴스 요약(Claude) → 변수 설정 → 노션 페이지 생성 + DB 입력

#4. n8n 실전 프로젝트 2 — Steam 게임 리뷰 수집

공개 리뷰 API를 찾아 리뷰를 수집하고, 구글 시트에 적재한 뒤, 최종적으로 MCP로 노출해 Claude가 직접 호출하게 만드는 3단계 실습이다.

실습 대상 — 게임 P의 거짓(Lies of P), Steam 앱 번호 1627720. 한국어 리뷰가 수천 건이고 추천·비추천이 섞여 있어 감성분석 결과를 비교하기 좋다.

https://store.steampowered.com/appreviews/1627720?json=1&language=koreana&filter=recent&purchase_type=all&num_per_page=20&cursor=*

#4-1. 준비 — API 위치 확인

1. 구글 드라이브에 폴더(n8n_share)와 구글 시트(게임 리뷰 DB) 생성

2. Steam 상점의 게임 페이지(https://store.steampowered.com/app/1627720/) 접속 → 개발자모드(F12) → Network → Fetch/XHR

3. 페이지 아래 "고객 평가" 영역에서 필터(언어·정렬)를 바꾸면 appreviews/1627720?... 요청이 보인다 → 응답에 리뷰 JSON이 있는지 확인 → 필요하면 우클릭 → Copy as cURL

#4-2. Step 1 — 단일 페이지 스크래핑

Manual Trigger → HTTP Request(GET 리뷰 API, 응답 JSON) → Edit Fields(데이터 파싱) → HTTP Request(구글 시트에 append).

데이터 파싱 표현식 — 응답을 [추천 여부, 리뷰내용] 배열로 변환:

{{ $json.reviews.map(r => [ r.voted_up ? "추천" : "비추천", r.review ]) }}

(Execute Command + cURL 방식으로 가져왔다면 $json.stdout.parseJson().reviews.map(…))

HTTP Request로 구글 시트 입력 — Google Sheets API v4 사용:

POST https://sheets.googleapis.com/v4/spreadsheets/{시트ID}/values/시트1!A2:append?valueInputOption=USER_ENTERED
Authentication : Predefined Credential Type → Google Sheets OAuth2 API
Body (Raw, application/json) : {{ {"values": $json.review} }}

#4-3. Step 2 — 워크시트 자동 생성 + 다중 페이지 스크래핑

Steam은 페이지 번호가 아니라 커서(cursor) 로 다음 페이지를 알려 준다. 그래서 페이지 수를 계산해 반복하는 대신 HTTP Request 노드의 Pagination 옵션으로 여러 페이지를 가져온다.

HTTP Request 노드의 Query Parameters 에 cursor = *(첫 페이지)를 넣고, Options → Add option → Pagination 을 추가해 아래처럼 설정한다.

• Google Sheets / Create spreadsheet 노드로 게임 번호별 워크시트 자동 생성

• 가져온 페이지별 응답을 Edit Fields로 파싱해 시트에 입력

#4-4. Step 3 — MCP로 LLM과 연동

Step 2 워크플로우를 서브 워크플로우로 만들고, MCP Server Trigger로 노출해 Claude가 도구처럼 호출하게 한다.

1. Execute Sub-workflow 노드로 appId(게임 번호)를 입력받게 구성 후 워크플로우 활성화(publish)

2. 새 워크플로우에 MCP Server Trigger + Call n8n Workflow Tool 노드를 추가해 위 워크플로우를 MCP Tool로 연결

3. MCP 클라이언트에 서버 등록 — Claude Desktop은 claude_desktop_config.json, Claude Code는 프로젝트의 .mcp.json(또는 claude mcp add):

"steam-review-scraper": {
  "command": "npx",
  "args": [
    "-y",
    "mcp-remote",
    "http://localhost:5678/mcp/{MCP Server Trigger 노드 URL}"
  ]
}

4. 클라이언트를 다시 실행한 뒤 요청:

Steam에서 게임번호 1627720의 한국어 리뷰를 가져와서 감성분석을 해주고, 실제 추천 여부와 얼마나 맞는지 비교해줘

#5. MCP (Model Context Protocol)

#5-1. API 방식 vs MCP 방식

API를 이용한 연결 — AI 에이전트 개발자가 각 도구 제조사의 API 사용법을 일일이 알아야 도구를 제어할 수 있다.

도구마다 다른 API — AI 모델이 Gmail·Notion·Discord·Cloud API를 각각 직접 다뤄야 한다

MCP를 이용한 연결 — Anthropic이 2024년 11월 발표한 개방형 표준 프로토콜. AI 시스템과 다양한 컨텍스트 소스 간 상호작용을 표준화한다.

MCP Host(AI 모델 + Client)가 MCP Protocol로 여러 MCP Server에 연결된다

#5-2. 주요 구성 요소

#5-3. MCP 클라이언트 & 서버

주요 MCP 클라이언트: Claude Desktop, IDE(Cursor·Copilot), Raycast, Claude Code, ChatGPT·Codex, Antigravity

MCP 서버의 핵심 기능: 리소스 접근 · 도구 실행 · 프롬프트 관리 · 샘플링

통신 방식 — 서버의 실행 위치에 따라 두 가지:

#5-4. MCP 사용하기

설정 파일 위치: Claude Desktop → 좌측 상단 햄버거 메뉴 → 파일 → 설정 → 개발자 → 구성편집 → claude_desktop_config.json

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "d:\\Dev\\mcp_share"
      ]
    }
  }
}

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["-y", "@playwright/mcp@latest"]
    }
  }
}

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp@latest"]
    }
  }
}

#6. 앱 노드 vs MCP

#6-1. 개념 비교

#6-2. 직접 연결 방식 vs MCP 방식

#7. RAG 시스템

#7-1. LLM의 약점

#7-2. RAG의 등장

RAG란?

RAG (Retrieval-Augmented Generation, 검색 증강 생성) 는 LLM의 약점, 특히 환각과 지식 최신성 부족을 보완하기 위한 기술이다. 자체 지식에만 의존하지 않고 외부 지식과 결합해 답변을 생성해 환각을 크게 낮춘다.

찾고(검색) → 정리하고(증강) → 근거에 맞게 답한다(생성)

flowchart LR
    Q[사용자 질문] --> R[① 검색<br/>벡터 DB에서<br/>유사 문서 조회]
    R --> A[② 증강<br/>질문 + 검색된 문서<br/>프롬프트 결합]
    A --> G[③ 생성<br/>LLM이 근거 기반<br/>답변 작성]
    G --> F[최종 답변]

#7-3. ① 검색 (Retrieval) 단계

사용자 질문을 벡터로 바꾼 뒤, 벡터 DB에서 의미적으로 가장 가까운 문서 조각을 찾아온다. 임베딩 유사도를 이용하므로 단순 키워드 매칭이 아니라 "의미"가 비슷한 것을 찾아, 표현이 달라도 관련 내용을 잡아낸다.

임베딩(Embedding)이란? — 단어·문장·이미지를 "의미를 담은 숫자들의 목록(벡터)"으로 바꾼 것. 다차원 공간의 좌표가 되어, 의미가 비슷한 대상은 가까이, 다른 대상은 멀리 놓인다.

점이 가까울수록 의미가 비슷하고, 화살표 방향은 의미 관계(예: 성별)를 나타낸다

임베딩 모델의 선택 — 모델마다 학습한 언어·내용이 달라 좌표 기준이 다르다. "내 데이터의 의미 관계를 가장 정확하게 그려주는 모델"을 고르는 일이며, 검색 품질이 곧 RAG 답변 품질을 좌우한다.

벡터 DB vs RDB

청킹(Chunking)이란? — 긴 문서를 임베딩하기 전 적당한 크기의 조각으로 나누는 작업. 임베딩 모델·LLM은 최대 입력 길이가 정해져 있고, 너무 큰 문장을 하나의 벡터로 압축하면 의미가 흐릿해지기 때문이다.

#7-4. ② 증강 (Augmentation) 단계

검색된 외부 지식 + 사용자 질의 + 모델의 행동 지침을, 하나의 잘 구조화된 프롬프트로 합성한다.

증강 프롬프트의 구성요소

• 컨텍스트(Context): 검색된 청크들. 구분자와 출처 메타데이터(파일명·페이지·URL 등)를 포함

• 시스템 지침(Instruction): "주어진 컨텍스트만 근거로 답하라", "답이 없으면 모른다고 답하라", "출처를 명시하라"

• 사용자 질의(Query): 보통 프롬프트의 마지막에 배치

증강 단계에서는 컨텍스트를 선별·압축(토큰 예산 관리), 중복 제거·재순위화(정보 편향 관리)한 뒤 프롬프트를 조립한다.

#7-5. ③ 생성 (Generation) 단계

증강 단계가 넘긴 "완성된 프롬프트"로 실제 답변 텍스트를 만든다. 핵심은 모델이 자기 가중치의 지식(parametric) 대신 출처가 분명한 컨텍스트(non-parametric) 를 근거로 답하게 만드는 것.

Temperature 이해하기 — LLM은 다음 단어를 확률로 계산한다. 온도가 높으면 확률 분포가 평탄해져 낮은 확률 단어도 선택될 가능성이 커지고(무작위성↑), 온도가 낮으면 가장 확률 높은 단어를 골라(일관성↑) 답한다. 보통 0~1 사이 값을 설정한다.