GitHub에서 201k 스타를 받은, TypeScript 기반이고 2019년에 시작한 프로젝트인 n8n은 워크플로우 자동화(Workflow Automation) 영역에서 독특한 위치를 차지한다. Zapier처럼 순수 드래그앤드롭만 고집하지도 않고, LangChain처럼 순수 코드만 요구하지도 않는다. 한쪽 끝에서 드래그하고, 다른 쪽 끝에서는 바로 JS/Python을 쓰거나 npm 패키지를 설치할 수 있다. 한참 써본 결과, '엔지니어 + 운영'으로 구성된 혼합 팀, 특히 AI Agent 시나리오에서 가장 잘 맞는 도구라 판단한다.
어떤 문제를 푸는가
워크플로우 자동화 플랫폼은 늘 다음 딜레마에 부딪혀 왔다.
- 순수 로우코드(Zapier, Make)는 진입장벽이 낮지만, 로직이 복잡해지면 벽에 부딪힌다. 분기 처리, 조건 판단, 데이터 정제 같은 작업이 모두 우회되어 처리된다.
- 순수 개발 프레임워크(LangChain을 직접 깔아 올리는 방식)는 유연하지만, 운영 직군이 손댈 수 없다.
n8n의 접근은 단순하다. 왼쪽 캔버스에서 노드를 끌어 이어 붙이고, 오른쪽에서 즉시 JS/Python을 작성하거나 npm 패키지를 설치한다. AI Agent 시나리오에서는 추가로 세 가지를 해결해야 한다.
- 모델 종속 제거. OpenAI, Anthropic, 로컬 Ollama를 자유롭게 교체
- 사람의 판단 개입. 핵심 의사결정은 사람이 직접 승인
- 전 구간 가시성. 모든 단계의 입력·출력을 조회 가능해야 함
기업 현장에서 AI를 도입할 때 이 세 가지가 자주 간과되곤 하는데, 한번 문제가 터지면 전부 사고 지점이 된다.
사용 방법
상황에 따라 세 가지 방식 중 골라 쓰면 된다.
# 가장 빠른 방법: docker 명령 한 줄
docker volume create n8n_data
docker run -it --rm \
--name n8n \
-p 5678:5678 \
-v n8n_data:/home/node/.n8n \
-e N8N_HOST=localhost \
-e WEBHOOK_URL=http://localhost:5678/ \
docker.n8n.io/n8nio/n8n
# 또는 Node.js로 직접 실행 (개발·디버깅용)
npx n8n
# 자체 호스팅을 피하고 싶다면 공식 클라우드
# https://app.n8n.cloud
실행 후 브라우저에서 5678 포트를 열면 왼쪽 패널에 1500개 이상의 노드가 보인다. AI Agent를 돌리려면 'AI Agent' 노드를 검색해 끌어다 놓고, OpenAI/Anthropic/Ollama 중 하나의 자격증명을 설정한 뒤 도구 노드(예: HTTP Request로 자체 API 호출)를 연결한다. 저장하고 Execute를 누르면 동작한다.
커스텀 노드 작성도 크게 어렵지 않다. 아래는 n8n 커스텀 노드 패키지에 작성하는 최소 예시다(타입스크립트).
import { INodeType, INodeExecutionData, IExecuteFunctions } from 'n8n-workflow';
export class MyNode implements INodeType {
description = {
displayName: 'My Custom Node',
name: 'myNode',
group: ['transform'],
version: 1,
description: '입력 items를 처리하고 타임스탬프를 붙인다',
inputs: ['main'],
outputs: ['main'],
properties: [],
};
async execute(this: IExecuteFunctions): Promise<INodeExecutionData[][]> {
const items = this.getInputData();
return [items.map(item => ({
json: { ...item.json, processedAt: new Date().toISOString() },
}))];
}
}
동작 원리(아키텍처)
핵심은 노드(Node), 연결(Connection), 워크플로우(Workflow) 세 가지다.
각 노드는 TypeScript 클래스이며 INodeType 인터페이스를 구현한다. execute() 메서드가 입력 items를 받아 출력 items를 산출한다. 본질적으로 순수 함수형 처리 단위다.
Workflow는 DAG로 실행 순서를 표현하고, 엔진이 스케줄링과 상태 영속화, 오류 재시도를 담당한다. 기술 스택은 TypeScript + Vue 3(프런트엔드) + Node.js 18+(런타임)이다. 풀스택 TypeScript라는 점이 마음에 드는데, 커스텀 노드를 수정할 때 컨텍스트 전환 비용이 거의 없다.
AI Agent는 별도的高级 모듈로 분리돼 있다. n8n-nodes-langchain 패키지에 LangChain 통합 노드가 들어 있고, Chain/Tool/Memory/Retriever가 모두 시각화 노드로 감싸져 있다. 핵심 Agent 노드는 두 가지 추론 모드를 지원한다.
- ReAct: Reason + Act 루프. 생각과 동시에 행동하며, 도구 호출이 명확한 시나리오에 적합하다.
- Plan-Execute: 먼저 계획을 세운 뒤 실행한다. 다단계 복잡 작업에 적합하다.
Human-in-the-loop 노드를 붙여 사람의 승인을 받을 수도 있다. AI가 제안을 제시하면, 사람이 OK를 해야 다음 동작이 실행된다.
실행 이력은 전량 DB에 저장된다. UI에서 매 단계의 입력·출력, 토큰 사용량, 소요 시간을 확인할 수 있고, 오류 발생 시 어떤 노드에서 어떤 파라미터로 어떤 응답이 돌아왔는지도 그대로 보인다.
장점과 단점
장점
- 엔지니어 친화도가同类 최고 수준이다. 코드를 쓰고 npm 패키지를 설치하고 커스텀 노드까지 작성할 수 있다. Zapier처럼 순수 설정만으로 끝나지 않는다. 운영 직군은 코드를 모르고도 워크플로우의 80%를 구성할 수 있고, 나머지 20%는 엔지니어가 Code 노드로 채우면 된다.
- 모델 레이어 종속이 없다. OpenAI/Claude/로컬 Ollama/vLLM을 바꿔도 아키텍처는 그대로다. 자격증명만 바꾸면 된다.
- 자체 호스팅이 깔끔하다. docker run 한 줄과 볼륨 마운트만으로 충분하고, 데이터도 완전히 내 손 안에 있다.
- 커뮤니티가 왕성하다. 9000개 이상의 공개 워크플로우 템플릿을 그대로 fork해 수정할 수 있고, community.n8n.io 포럼과 Discord 응답도 빠른 편이다.
단점
- Fair-code 라이선스(Sustainable Use License)는 함정이다. 개인이나 소규모 회사가 자사 용도로 쓰는 데는 문제가 없지만, n8n을 그대로 감싸 SaaS 형태로 제3자에게 판매하는 행위는 허용되지 않는다. 상용화하려면 Enterprise License를 반드시 구매해야 한다. 많은 글이 이 부분을 빼고 설명하는데, 실제로는 매우 중요한 포인트다.
- 1500개 이상의 통합 중에는 커뮤니티 유지 노드가 다수 섞여 있다. 품질 편차가 크다. 특히 결제, CRM처럼 미션 크리티컬한 시스템과 연동되는 노드는 기업 환경에서 반드시 사전 검증을 거치는 게 좋다.
- UI가 가끔 끊긴다. 워크플로우가 커지면(수백 노드) 렌더링이 무거워지고, 복잡한 흐름을 편집할 때 스크롤이 살짝 끊기는 느낌이 있다.
- 디버깅 경험은 아직 갈 길이 있다. 노드 단위 중단점과 변수 인스펙터는 아직 로드맵 단계이고, 현재는 로그와 실행 이력에 크게 의존한다.
직접 써봤다
로컬에서 docker run으로 공식 이미지를 띄웠다. 머신은 2코어 4GB 메모리. 컨테이너 시작부터 UI 사용 가능까지 약 12초가 걸렸다.
5개 노드로 구성된 워크플로우를 만들어 고객 지원 티켓 분류를 시뮬레이션했다.
- Webhook 트리거(외부 티켓 시스템 수신)
- Code 노드에서 JS로 데이터 정제
- OpenAI 노드에서 GPT-4o-mini로 의도 분류
- IF 노드로 신뢰도 분기
- 고신뢰는 Postgres 노드로 자동 적재, 저신뢰는 Slack 알림으로 사람에게 라우팅
엔드투엔드 지연은 평균 2.3초(LLM 호출 포함)였고, 실패 재시도는 지수 백오프로 3회 설정했다. 워크플로우 에디터 반응은 부드러웠고, 컨테이너 상주 메모리는 약 380MB였다.
동일 시나리오에서 Dify 워크플로우와 비교해 본 느낌은 다음과 같다.
- n8n은 '복잡한 분기' 구성에서 더 직관적이다. IF/Switch/Merge 노드가 잘 만들어져 있다.
- Dify는 '순수 대화형 Agent' 템플릿이 더 갖춰져 있다. 바로 쓰는 Chatbot 템플릿이 풍부하다.
따라서 워크플로우 자동화와 AI 강화가 결합된 시나리오라면 n8n이 더 잘 맞고, 주로 대화형 제품을 만든다면 Dify가 더 빠른 출발점이 된다.
누구에게 맞는지
적합한 경우:
- 엔지니어와 운영 직군이 함께 일하는 혼합 팀에서, 시스템 간 자동화와 AI 강화를 함께 진행해야 하는 회사
- AI Agent를 프로덕션에 올리되, LangChain 서비스를 바닥부터 만들고 싶지 않은 중소 규모 팀
- 데이터 민감도가 높아 프라이빗 배포가 필요한 기업(금융, 의료, 공공)
- 이미 Slack/Notion/DB를 쓰고 있고 AI 기능만 얹고 싶은 운영 팀
적합하지 않은 경우:
- n8n을 감싸 SaaS 제품으로 판매하려는 경우. 라이선스가 허용하지 않는다.
- 단순 단방향 동기화만 필요한 경우. Zapier 무료 플랜으로 충분하다.
- 팀에 엔지니어가 없고 PM만 있는 경우. 학습 곡선이 여전히 존재한다. Coze/钉钉宜搭 같은 도구가 더 진입장벽이 낮다.
- 밀리초 단위 지연을 요구하는 고빈도 실시간 시나리오. 워크플로우 엔진 스케줄링 오버헤드가 맞지 않다.
총평
n8n은 만능은 아니지만, '시각화 + 코드'의 교차점에서 꽤 단단한 답을 제시한다. 한국/중국 팀에게는 특히 프라이빗 배포 라인이 매력적이다. 데이터가 내부 망을 벗어나지 않고, 모델도国产(DeepSeek, 通义千问 등)로 교체할 수 있으므로 해외 API를 직접 호출하는 것보다 컴플라이언스 부담이 줄어든다.
엔지니어 주도 팀이고 복잡한 AI 자동화 흐름을 만들어야 한다면, 한 번 시도해볼 만하다. docker 명령 한 줄에 12초면 UI까지 뜨니까 진입장벽은 충분히 낮다.
참고:
- 공식 저장소: https://github.com/n8n-io/n8n
- 문서: https://docs.n8n.io
- 커뮤니티 포럼: https://community.n8n.io
# 출처(반드시 인용)
https://github.com/n8n-io/n8n