AI와 n8n을 활용한 부동산 마케팅 자동화 웨비나 3주차 – RAG 기반 AI 상담 챗봇 시스템 구축

AI와 n8n을 활용한 부동산 마케팅 자동화 웨비나 3주차 – RAG 기반 AI 상담 챗봇 시스템 구축

AI와 n8n을 활용한 부동산 마케팅 자동화 웨비나 3주차 – RAG 기반 AI 상담 챗봇 시스템 구축

일시: 2025년 10월 30일(목) 20:00

강사: 진용성 대표 (AI Bridge)

주요 내용

3주차 정에서는 RAG(검색 증강 생성) 기술을 활용하여
① PDF 문서 업로드 → ② 텍스트 청킹 및 벡터화 → ③ Supabase Vector DB 저장 → ④ AI Agent 실시간 검색 답변 챗봇 시스템을 구축했습니다.

✨주요내용 : 문서 기반 AI 상담 챗봇 시스템 완성
RAG 개념 이해 및 Supabase Vector Database 구축
PDF 문서 자동 처리 파이프라인 
OpenAI Embeddings + GPT-4 기반 스마트 검색
Front(채팅) / Back(문서관리) 이중 구조 설계

실무 활용: 청약법규, 부동산 대책 정부 발표 문서 등을 업로드하여 즉시 AI 상담원으로 전환 가능

 

심플버전

 

Supabase 버전

워크플로우 (최종)

 

Front  (RAG 기반 AI  Chatbot )

Chat Trigger → AI Agent → 응답
     ↓           ↓
     └─ OpenAI Chat Model
     └─ Simple Memory
     └─ Supabase Vector Store1 (검색용)
         └─ Embeddings OpenAI

 

주요 기능:

• 사용자 질문 접수
• Vector Store에서 관련 문서 검색 (RAG)
• 메모리를 통한 대화 컨텍스트 유지
• AI Agent가 종합적으로 답변 생성

사용자 질의응답 (Front 영역)

사용자: "AI BRIDGE 회사에 대해 알려줘"
         ↓
[1] Chat Trigger (웹훅 접수)
         ↓
[2] AI Agent 처리
    ├─ OpenAI Chat Model (GPT-4.1-mini)
    ├─ Simple Memory (최근 10개 대화 기억)
    └─ Supabase Vector Store1 (검색 도구)
         ↓
[3] Vector Store 검색
    - "AI BRIDGE 회사 관련 내용이 구성되어 있어"
    - Top 5 관련 청크 추출
         ↓
[4] AI Agent 답변 생성
    - 검색된 문서 기반 답변
    - 컨텍스트 포함 응답

동작:

• 사용자가 질문하면 AI Agent가 Supabase에서 관련 문서를 자동 검색
• 검색된 상위 5개 청크를 기반으로 정확한 답변 생성
• Memory를 통해 이전 대화 맥락 유지

 

Back  (RAG 기반 지식 처리 파이프라인)

FROM (폼) → Extract from File → GET RECORD → 분기처리
                                      ↓
                              [기존 문서 있음]
                                      ↓
                            UPDATE RECORD → DELETE DATA
                                      ↓
                                 Aggregate
                                      ↓
                              Edit Fields1
                                      ↓
                          Supabase Vector Store2 (저장)

 

플로우:

1. 문서 업로드 
2. PDF 텍스트 추출
3. 중복 체크 (GET RECORD)
4. 조건부 처리 (If 노드)
   • 신규: ADD RECORD → Edit Fields
   • 업데이트: UPDATE → DELETE → Aggregate
5. 벡터화 처리
   • Text Splitter로 청킹
   • OpenAI Embeddings로 벡터 변환
6. Supabase 저장

관리자: PDF 문서 업로드
         ↓
[1] FROM (폼 트리거)
    - 담당자명 입력
    - PDF 파일 첨부
         ↓
[2] Extract from File
    - PDF → 텍스트 변환
    - 메타데이터 추출 (Title, 날짜 등)
         ↓
[3] GET RECORD
    - Supabase 'record' 테이블 조회
    - 동일 파일명 존재 여부 확인
         ↓
[4] IF 분기
    ├─ [신규] → ADD RECORD
    │   └─ 'record' 테이블에 신규 등록
    │
    └─ [기존] → UPDATE RECORD
        └─ DELETE DATA (기존 벡터 삭제)
            └─ 'documents' 테이블에서 제거
         ↓
[5] 텍스트 처리
    ├─ Aggregate (텍스트 병합)
    └─ Edit Fields (포맷 정리)
         ↓
[6] 벡터화 프로세스
    ├─ Recursive Character Text Splitter
    │   - 청크 크기: 800자
    │   - 오버랩: 160자
    ├─ Default Data Loader
    │   - 메타데이터 추가 (filename)
    └─ Embeddings OpenAI
        - 텍스트 → 벡터 변환
         ↓
[7] Supabase Vector Store2
    - 'documents' 테이블에 벡터 저장
    - 검색 가능 상태로 전환

데이터베이스 (SupaBase)

1. record 테이블 (이력 관리)

| filename | person | version (timestamp) |
|----------|--------|-------------------|
| 회사소개.pdf | 홍길동 | 2024-10-30 20:00 |

2. documents 테이블 (벡터 저장)

| id | content | embedding | metadata |
|----|---------|-----------|----------|
| 1 | "AI BRIDGE는..." | [0.1, 0.2...] | {filename: "회사소개.pdf"} |
| 2 | "진용성 대표는..." | [0.3, 0.4...] | {filename: "회사소개.pdf"} |

 

 인사이트 

1. 이중 Vector Store 구조

• Store1: 검색 전용 (retrieve-as-tool)
• Store2: 문서 삽입용 (insert mode)

2.  업데이트 전략

• 동일 파일명 존재 시 DELETE → INSERT
• 버전 관리를 통한 이력 추적

3. 병렬 처리 구조

• Front와 Back이 독립적으로 작동
• 문서 업로드와 채팅이 동시 가능

 

실무 활용 

마케팅 활용 사례(예)

1. 상담 자동화
2. Front: 고객 질문 → "이 아파트 평형은?" Back: 프로젝트 카탈로그 PDF 사전 업로드 결과: 즉시 정확한 평형 정보 제공
3. 청약법령 해석 지원
4. Front: "주택공급에 관한 규칙 내용 질문 ?" Back: 주택공급에 관한 규칙 법령 문서 벡터화 결과: 근거 법조문과 함께 답변
5. 내부 지식 관리
6. Front: 직원 업무 문의 Back: 업무 매뉴얼, SOP 문서 관리 결과: 24/7 업무 지원 시스템