제공되는 기능
- 보유한 문서를 기반으로 한 검색 증강 답변
- 6가지 벡터 스토어 중 하나로, 코드가 아닌 설정으로 선택
- 수집 소스: 일정과 실행 이력을 갖춘 웹사이트 크롤링 및 업로드한 파일
EDDI에서의 동작 방식
- Chroma 서버를 실행하고 URL과 컬렉션 이름을 메모해 둡니다.
storeType: "chroma", 스토어 매개변수, 임베딩 공급자를 지정해 RagConfiguration을 만듭니다.eddi://ai.labs.rag워크플로 단계로 에이전트에 연결합니다.- LLM 태스크의
knowledgeBases에서 이름으로 선택한 뒤 문서를 수집합니다.
설정
EDDI 문서를 기준으로 합니다. your-agent-id 같은 플레이스홀더는 직접 바꿔서 사용하세요.
{
"name": "product-docs",
"embeddingProvider": "openai",
"embeddingParameters": {
"model": "text-embedding-3-small",
"apiKey": "${vault:openai-key}"
},
"storeType": "chroma",
"storeParameters": {
"baseUrl": "http://localhost:8000",
"collectionName": "product-docs"
},
"chunkStrategy": "recursive",
"chunkSize": 512,
"chunkOverlap": 64,
"maxResults": 5,
"minScore": 0.6
}// 1. workflow step: binds the knowledge base to the agent
{ "type": "eddi://ai.labs.rag",
"extensions": {},
"config": { "uri": "eddi://ai.labs.rag/ragstore/rags/{ragId}?version=1" } }
// 2. LLM task: selects it by the "name" of the RagConfiguration
{ "tasks": [{
"actions": ["*"],
"type": "openai",
"knowledgeBases": [{ "name": "product-docs", "maxResults": 5, "minScore": 0.7 }],
"parameters": { "systemMessage": "You are a helpful assistant." }
} ] }거버넌스
- 임베딩 API 키는 볼트 참조이므로 문서 코퍼스와 자격 증명이 분리된 상태로 유지됩니다.
- 임베딩 호출은 문서 텍스트를 호스팅형 임베딩 공급자에게 보냅니다. 데이터가 인프라 밖으로 나가면 안 된다면 자체 호스팅 임베딩 모델을 사용하세요.
- 공개된 벡터 스토어는 코퍼스의 사본이 노출된 것과 같습니다. Chroma는 인증을 켜고 공개 인터페이스에서 분리해 운영하세요.
알아 두면 좋은 점
- 문서 청크 교체는 인메모리와 pgvector에서 검증되었습니다. Chroma에서는 동작할 것으로 예상되지만 테스트로 검증되지 않았으므로, 다시 수집한 문서에 오래된 청크가 남을 수 있습니다.
관련 통합
이 페이지의 설정과 동작은 2026-10-14에 확인한 EDDI 문서를 따릅니다. 필드 이름과 기본값은 릴리스마다 달라질 수 있으므로, 사용 중인 버전의 문서에서 확인하세요.