n8n에서 LLM Chains vs Single Calls: 나의 캡션 생성 실험

Source: Dev.to

번역을 진행하려면 원본 텍스트(코드 블록, URL 등을 제외한 본문)를 제공해 주시겠어요? 텍스트를 주시면 그대로 한국어로 번역해 드리겠습니다.

두 가지 접근법

접근법 A: 3‑단계 체인 (하이쿠)

작업을 마이크로‑스텝으로 나눕니다:

1. 데이터에서 핵심 포인트 추출.
2. 1단계 출력물을 사용해 구조 초안 작성.
3. 다듬고 메타데이터 추가 (해시태그, CTA 등).

접근법 B: 소네트 단일 호출

전체 프롬프트를 더 능력 있는 모델에 한 번에 보내어 전체 흐름을 처리하게 합니다.

테스트 스크립트 (n8n 외부)

# Setup
npm init -y
npm i @anthropic-ai/sdk dotenv
export ANTHROPIC_API_KEY="your_key_here"

index.mjs

import "dotenv/config";
import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY });

// Sample data structure
const image_details = [
  { order: 1, attributeA: "value1", attributeB: "value2" },
  { order: 2, attributeA: "value3", attributeB: "value4" },
];

async function callClaude({ model, system, prompt }) {
  const res = await client.messages.create({
    model,
    max_tokens: 1000,
    system,
    messages: [{ role: "user", content: prompt }],
  });
  return res.content?.text ?? "";
}

// Approach A: Haiku 3‑step chain
async function haikuChain() {
  const model = "claude-haiku-4-5";
  const system = "You are a caption editor. Be concise.";

  // Step 1: Extract data
  const step1 = await callClaude({
    model,
    system,
    prompt: `Extract key descriptions from this data:\n${JSON.stringify({ image_details }, null, 2)}`,
  });

  // Step 2: Create structure
  const step2 = await callClaude({
    model,
    system,
    prompt: `Based on this, create hook + body + CTA:\n${step1}`,
  });

  // Step 3: Add tags
  const step3 = await callClaude({
    model,
    system,
    prompt: `Add hashtags to this caption:\n${step2}`,
  });

  return { step1, step2, final: step3 };
}

// Approach B: Sonnet single call
async function sonnetSingle() {
  const model = "claude-sonnet-4-5";
  const system = "You are a caption editor. Be concise.";

  return await callClaude({
    model,
    system,
    prompt: `Create a complete caption (hook + body + bullets + CTA + tags) from:\n${JSON.stringify({ image_details }, null, 2)}`,
  });
}

// Run both
const resultA = await haikuChain();
const resultB = await sonnetSingle();

console.log("=== Haiku Chain ===\n", resultA.final);
console.log("\n=== Sonnet Single ===\n", resultB);

n8n 코드 노드에서 데이터 준비하기

// Wrong: LLM can't work with IDs alone
const image_details = transformedImages.map(img => ({ id: img.id }));

// Right: Provide the full content the LLM needs
const image_details = transformedImages.map((img, index) => ({
  order: index + 1,
  ...img, // Spread ALL attributes the LLM needs
}));

return [{ json: { image_details } }];

근본 원인: 이미지 ID만 전달되어 모델이 설명적인 컨텍스트를 전혀 갖지 못함.
해결책: 전체 객체(...img)를 펼쳐서 LLM이 모든 관련 속성을 받도록 함.

메트릭 비교

판단: 캡션(또는 모든 창작 글쓰기)에서는 맥락 연속성이 약간의 비용 절감보다 더 중요합니다.

패턴 및 사용‑케이스 안내

Key takeaways:

• Context > Cost: 파편화된 체인은 창의적 작업에서 서사 흐름을 방해합니다.
• Data quality matters: 풍부한 정보를 제공하는 것이 필수이며, 체인 방식은 누락된 맥락을 보완할 수 없습니다.
• Haiku’s niche: 속도와 고도로 구조화된 작업에 뛰어나지만, “감성”이 중요한 경우 Sonnet이 우수합니다.

참고 문헌

• n8n 고급 AI 문서
• Claude Sonnet 4.5 발표
• AWS Bedrock에서 Claude Haiku