Workflow templates

원문 보기 위키 갱신 2026.10.14

출처: 문서

본문

워크플로 템플릿

OpenSearch는 몇 가지 일반적인 머신 러닝(ML) 사용 사례를 위해 여러 워크플로 템플릿을 제공해요. 템플릿을 사용하면 복잡한 설정이 간소해지고, 시맨틱 검색이나 대화형 검색 같은 사용 사례를 위한 다양한 기본값도 제공돼요.

Create Workflow API를 호출할 때 워크플로 템플릿을 지정할 수 있어요:

OpenSearch에서 제공하는 워크플로 템플릿을 사용하려면 템플릿 사용 사례를 use_case 쿼리 파라미터로 지정하세요(예시 참조). OpenSearch에서 제공하는 템플릿 목록은 지원되는 워크플로 템플릿을 참조하세요.
커스텀 워크플로 템플릿을 사용하려면 요청 본문에 전체 템플릿을 제공하세요. 커스텀 템플릿 예시는 JSON 템플릿 예시 또는 YAML 템플릿 예시를 참조하세요.

워크플로를 프로비저닝하려면 쿼리 파라미터로 provision=true를 지정하세요.

예시

이 예시에서는 semantic_search_with_cohere_embedding_query_enricher 워크플로 템플릿을 설정해요. 이 템플릿으로 생성한 워크플로는 다음 설정 단계를 수행해요:

외부에서 호스팅되는 Cohere 모델을 배포해요
해당 모델을 사용해 ingest 파이프라인을 생성해요
샘플 벡터 인덱스를 생성하고, 해당 인덱스의 기본 모델 ID를 정의하도록 search 파이프라인을 설정해요

1단계: 워크플로 생성 및 프로비저닝

semantic_search_with_cohere_embedding_query_enricher 워크플로 템플릿을 사용해 워크플로를 생성하고 프로비저닝하려면 다음 요청을 보내세요. 이 템플릿에서 요청 본문에 필수인 필드는 Cohere Embed 모델의 API 키뿐이에요:

POST /_plugins/_flow_framework/workflow?use_case=semantic_search_with_cohere_embedding_query_enricher&provision=true
{
    "create_connector.credential.key" : "<YOUR API KEY>"
}

{% include copy-curl.html %}

OpenSearch는 생성된 워크플로의 워크플로 ID를 응답으로 반환해요:

{
  "workflow_id" : "8xL8bowB8y25Tqfenm50"
}

이전 단계의 워크플로는 기본 벡터 인덱스를 생성해요. 기본 인덱스 이름은 my-nlp-index예요:

{
  "create_index.name": "my-nlp-index"
}

이 워크플로 템플릿의 모든 기본 파라미터 값은 Cohere Embed 시맨틱 검색 기본값을 참조하세요.

2단계: 인덱스에 문서 색인하기

이전 단계에서 생성한 인덱스에 문서를 색인하려면 다음 요청을 보내세요:

PUT /my-nlp-index/_doc/1
{
  "passage_text": "Hello world",
  "id": "s1"
}

{% include copy-curl.html %}

3단계: 벡터 검색 수행하기

인덱스에서 벡터 검색을 수행하려면 neural 쿼리 절을 사용하세요:

GET /my-nlp-index/_search
{
  "_source": {
    "excludes": [
      "passage_embedding"
    ]
  },
  "query": {
    "neural": {
      "passage_embedding": {
        "query_text": "Hi world",
        "k": 100
      }
    }
  }
}

{% include copy-curl.html %}

파라미터

각 워크플로 템플릿에는 정의된 스키마와, 각 단계에 대해 미리 정의된 기본값을 가진 API 세트가 있어요. 템플릿 파라미터 기본값에 대한 자세한 내용은 지원되는 워크플로 템플릿을 참조하세요.

기본값 재정의하기

템플릿의 기본값을 재정의하려면 create workflow 요청을 보낼 때 요청 본문에 새 값을 제공하세요. 예를 들어 다음 요청은 semantic_search_with_cohere_embedding 템플릿에서 Cohere 모델, text_embedding 프로세서 출력 필드 이름, sparse 인덱스 이름을 변경해요:

POST /_plugins/_flow_framework/workflow?use_case=semantic_search_with_cohere_embedding
{
    "create_connector.model" : "embed-multilingual-v3.0",
    "text_embedding.field_map.output": "book_embedding",
    "create_index.name": "sparse-book-index"
}

{% include copy-curl.html %}

워크플로 리소스 조회하기

생성한 워크플로는 시맨틱 검색에 필요한 모든 리소스를 프로비저닝했어요. 프로비저닝된 리소스를 조회하려면 Get Workflow Status API를 호출하고 워크플로의 workflowID를 제공하세요:

GET /_plugins/_flow_framework/workflow/8xL8bowB8y25Tqfenm50/_status

{% include copy-curl.html %}

지원되는 워크플로 템플릿

워크플로 템플릿을 사용하려면 워크플로를 생성할 때 use_case 쿼리 파라미터에 해당 템플릿을 지정하세요. 다음 템플릿이 지원돼요:

다음 템플릿이 지원돼요:

모델 배포 템플릿:
시맨틱 검색 템플릿:
Neural sparse 검색 템플릿:
- Neural sparse 검색
멀티모달 검색 템플릿:
- 멀티모달 검색
- Amazon Bedrock Titan을 사용하는 멀티모달 검색
하이브리드 검색 템플릿:
- 하이브리드 검색
- 로컬 모델을 사용하는 하이브리드 검색
대화형 검색 템플릿:
- LLM을 사용하는 대화형 검색
Agentic 검색 템플릿:
- flow agent를 사용하는 Agentic 검색
- conversational agent를 사용하는 Agentic 검색

모델 배포 템플릿

다음 워크플로 템플릿은 모델 배포를 설정해요.

Amazon Bedrock Titan 임베딩

이 워크플로는 Amazon Bedrock 임베딩 모델을 생성하고 배포해요(기본값은 titan-embed-text-v1).

사용 사례: bedrock_titan_embedding_model_deploy
생성되는 구성 요소: Amazon Bedrock Titan 임베딩 모델용 커넥터와 모델
필수 파라미터:
- create_connector.credential.access_key
- create_connector.credential.secret_key
- create_connector.credential.session_token
기본값

참고: AWS 자격 증명과 Amazon Bedrock에 대한 액세스 권한이 필요해요.

Amazon Bedrock Titan 멀티모달

이 워크플로는 Amazon Bedrock 멀티모달 임베딩 모델을 생성하고 배포해요(기본값은 titan-embed-image-v1).

사용 사례: bedrock_titan_multimodal_model_deploy
생성되는 구성 요소: Amazon Bedrock Titan 멀티모달 임베딩용 커넥터와 모델
필수 파라미터:
- create_connector.credential.access_key
- create_connector.credential.secret_key
- create_connector.credential.session_token
기본값

참고: AWS 자격 증명과 Amazon Bedrock에 대한 액세스 권한이 필요해요.

Cohere 임베딩

이 워크플로는 Cohere 임베딩 모델을 생성하고 배포해요(기본값은 embed-english-v3.0).

사용 사례: cohere_embedding_model_deploy
생성되는 구성 요소: Cohere 임베딩용 커넥터와 모델
필수 파라미터:
- create_connector.credential.key
기본값

참고: Cohere API 키가 필요해요.

Cohere 채팅

이 워크플로는 Cohere 채팅 모델을 생성하고 배포해요(기본값은 Cohere Command).

사용 사례: cohere_chat_model_deploy
생성되는 구성 요소: Cohere 채팅용 커넥터와 모델
필수 파라미터:
- create_connector.credential.key
기본값

참고: Cohere API 키가 필요해요.

OpenAI 임베딩

이 워크플로는 OpenAI 임베딩 모델을 생성하고 배포해요(기본값은 text-embedding-ada-002).

사용 사례: open_ai_embedding_model_deploy
생성되는 구성 요소: OpenAI 임베딩용 커넥터와 모델
필수 파라미터:
- create_connector.credential.key
기본값

참고: OpenAI API 키가 필요해요.

OpenAI 채팅

이 워크플로는 OpenAI 채팅 모델을 생성하고 배포해요(기본값은 gpt-3.5-turbo).

사용 사례: openai_chat_model_deploy
생성되는 구성 요소: OpenAI 채팅용 커넥터와 모델
필수 파라미터:
- create_connector.credential.key
기본값

참고: OpenAI API 키가 필요해요.

시맨틱 검색 템플릿

다음 워크플로 템플릿들은 시맨틱 검색을 구성해요.

시맨틱 검색

이 워크플로는 시맨틱 검색을 구성해요.

사용 사례: semantic_search
생성되는 컴포넌트:
- text_embedding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
필수 파라미터:
- create_ingest_pipeline.model_id: 사용할 텍스트 임베딩 모델의 모델 ID
기본값

쿼리 엔리처를 사용하는 시맨틱 검색

이 워크플로는 neural 쿼리용 기본 모델과 함께 시맨틱 검색을 구성해요.

사용 사례: semantic_search_with_query_enricher
생성되는 컴포넌트:
- text_embedding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
- neural 쿼리의 기본 모델 ID를 설정하는 query_enricher 검색 프로세서
필수 파라미터:
- create_ingest_pipeline.model_id: 사용할 텍스트 임베딩 모델의 모델 ID
기본값

로컬 모델을 사용하는 시맨틱 검색

이 워크플로는 시맨틱 검색을 구성하고 사전 학습된 모델을 배포해요.

사용 사례: semantic_search_with_local_model
생성되는 컴포넌트:
- 사전 학습된 모델(기본값: huggingface/sentence-transformers/paraphrase-MiniLM-L3-v2)
- text_embedding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
- neural 쿼리의 기본 모델 ID를 설정하는 query_enricher 검색 프로세서
필수 파라미터: 없음
기본값

참고: 기본 구성으로 로컬 사전 학습 모델을 사용해요.

Cohere 임베딩 모델을 사용하는 시맨틱 검색

이 워크플로는 시맨틱 검색을 구성하고 Cohere 임베딩 모델을 배포해요.

사용 사례: semantic_search_with_cohere_embedding
생성되는 컴포넌트:
- Cohere 임베딩 모델(기본값: embed-english-v3.0) 커넥터 및 배포
- text_embedding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
필수 파라미터:
- create_connector.credential.key: Cohere 모델의 API 키
기본값

참고: Cohere API 키가 필요해요.

쿼리 엔리처와 함께 Cohere 임베딩 모델을 사용하는 시맨틱 검색

이 워크플로는 시맨틱 검색을 구성하고, Cohere 임베딩 모델을 배포하며, 쿼리 엔리처 검색 프로세서를 추가해요.

사용 사례: semantic_search_with_cohere_embedding_query_enricher
생성되는 컴포넌트:
- Cohere 임베딩 모델 커넥터 및 배포
- text_embedding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
- neural 쿼리의 기본 모델 ID를 설정하는 query_enricher 검색 프로세서
필수 파라미터:
- create_connector.credential.key: Cohere 모델의 API 키
기본값

참고: Cohere API 키가 필요해요.

재인덱싱과 함께 Cohere 임베딩 모델을 사용하는 시맨틱 검색

이 워크플로는 Cohere 임베딩 모델로 시맨틱 검색을 구성하고 기존 인덱스를 재인덱싱해요.

사용 사례: semantic_search_with_reindex
생성되는 컴포넌트:
- Cohere 임베딩 모델 커넥터 및 배포
- 해당 파이프라인으로 구성된 벡터 인덱스
- 재인덱싱 프로세스
필수 파라미터:
- create_connector.credential.key: Cohere 모델의 API 키
- reindex.source_index: 재인덱싱할 소스 인덱스
기본값

참고: Cohere 임베딩 모델을 사용해 소스 인덱스를 새로 구성된 k-NN 인덱스로 재인덱싱해요.

Neural sparse 검색 템플릿

다음 워크플로 템플릿은 Neural sparse 검색을 구성해요.

Neural sparse 검색

이 워크플로는 Neural sparse 검색을 구성해요.

사용 사례: local_neural_sparse_search_bi_encoder
생성되는 컴포넌트:
- 로컬에서 호스팅되는 사전 학습 sparse 인코딩 모델(기본값: amazon/neural-sparse/opensearch-neural-sparse-encoding-v1)
- sparse_encoding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
필수 파라미터: 없음
기본값

멀티모달 검색 템플릿

다음 워크플로 템플릿들은 멀티모달 검색을 구성해요.

멀티모달 검색

이 워크플로는 멀티모달 검색을 구성해요.

사용 사례: multimodal_search
생성되는 컴포넌트:
- text_image_embedding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
필수 파라미터:
- create_ingest_pipeline.model_id: 사용할 멀티모달 임베딩 모델의 모델 ID
기본값

Amazon Bedrock Titan을 사용하는 멀티모달 검색

이 워크플로는 Amazon Bedrock 멀티모달 모델을 배포하고 멀티모달 검색 파이프라인을 구성해요.

사용 사례: multimodal_search_with_bedrock_titan
생성되는 컴포넌트:
- Amazon Bedrock Titan 멀티모달 임베딩 모델 커넥터 및 배포
- text_image_embedding 프로세서가 있는 인제스트 파이프라인
- 해당 파이프라인으로 구성된 멀티모달 검색용 벡터 인덱스
필수 파라미터:
- create_connector.credential.access_key
- create_connector.credential.secret_key
- create_connector.credential.session_token
기본값

참고: AWS 자격 증명과 Amazon Bedrock 액세스 권한이 필요해요.

하이브리드 검색 템플릿

다음 워크플로 템플릿들은 하이브리드 검색을 구성해요.

하이브리드 검색

이 워크플로는 하이브리드 검색을 구성해요.

사용 사례: hybrid_search
생성되는 컴포넌트:
- 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
- normalization_processor가 있는 검색 파이프라인
필수 파라미터:
- create_ingest_pipeline.model_id: 사용할 텍스트 임베딩 모델의 모델 ID
기본값

로컬 모델을 사용하는 하이브리드 검색

이 워크플로는 하이브리드 검색을 구성하고 사전 학습된 모델을 배포해요.

사용 사례: hybrid_search_with_local_model
생성되는 컴포넌트:
- 사전 학습된 모델(기본값: huggingface/sentence-transformers/paraphrase-MiniLM-L3-v2)
- 인제스트 파이프라인
- 해당 파이프라인으로 구성된 벡터 인덱스
- normalization_processor가 있는 검색 파이프라인
필수 파라미터: 없음
기본값

참고: 하이브리드 검색 구성에 로컬 사전 학습 모델을 사용해요.

대화형 검색 템플릿

다음 워크플로 템플릿은 RAG를 활용한 대화형 검색을 구성해요.

LLM을 사용하는 대화형 검색

이 워크플로는 대규모 언어 모델을 배포하고 대화형 검색 파이프라인을 구성해요.

사용 사례: conversational_search_with_llm_deploy
생성되는 컴포넌트:
- 챗 모델(기본값: Cohere Command) 커넥터 및 배포
- retrieval_augmented_generation 프로세서가 있는 검색 파이프라인
필수 파라미터:
- create_connector.credential.key: LLM의 API 키
기본값

참고: 선택한 언어 모델의 API 키가 필요해요.

Agentic 검색 템플릿

다음 워크플로 템플릿들은 Agentic 검색을 구성해요.

flow agent를 사용하는 Agentic 검색

이 워크플로는 Amazon Bedrock 챗 모델을 배포하고 flow agent를 사용해 Agentic 검색 파이프라인을 구성해요.

사용 사례: agentic_search_with_flow_agent
생성되는 컴포넌트:
- Amazon Bedrock 커넥터 및 원격 챗 모델(기본값: Claude 4 Sonnet)
- QueryPlanningTool
- QueryPlanningTool에 연결된 flow agent
- agentic_query_translator 요청 프로세서와 agentic_context 응답 프로세서가 있는 검색 파이프라인
필수 파라미터:
- create_connector.credential.access_key
- create_connector.credential.secret_key
- create_connector.credential.session_token
기본값

참고: AWS 자격 증명과 Amazon Bedrock 액세스 권한이 필요해요.

conversational agent를 사용하는 Agentic 검색

이 워크플로는 Amazon Bedrock 챗 모델을 배포하고 대화 메모리와 여러 도구를 갖춘 conversational agent를 사용해 Agentic 검색 파이프라인을 구성해요.

사용 사례: agentic_search_with_conversational_agent
생성되는 컴포넌트:
- Amazon Bedrock 커넥터 및 원격 챗 모델(기본값: Claude 4 Sonnet)
- QueryPlanningTool, ListIndexTool, IndexMappingTool
- 대화 메모리와 세 가지 도구를 모두 갖춘 conversational agent
- agentic_query_translator 요청 프로세서와 agentic_context 응답 프로세서가 있는 검색 파이프라인
필수 파라미터:
- create_connector.credential.access_key
- create_connector.credential.secret_key
- create_connector.credential.session_token
기본값

참고: AWS 자격 증명과 Amazon Bedrock 액세스 권한이 필요해요.

더 알아보기 (Learn more)

원문 전체: https://docs.opensearch.org/latest/automating-configurations/workflow-templates/

Workflow templates

본문

워크플로 템플릿

예시

1단계: 워크플로 생성 및 프로비저닝

2단계: 인덱스에 문서 색인하기

3단계: 벡터 검색 수행하기

파라미터

기본값 재정의하기

워크플로 리소스 조회하기

지원되는 워크플로 템플릿

모델 배포 템플릿

Amazon Bedrock Titan 임베딩

Amazon Bedrock Titan 멀티모달

Cohere 임베딩

Cohere 채팅

OpenAI 임베딩

OpenAI 채팅

시맨틱 검색 템플릿

시맨틱 검색

쿼리 엔리처를 사용하는 시맨틱 검색

로컬 모델을 사용하는 시맨틱 검색

Cohere 임베딩 모델을 사용하는 시맨틱 검색

쿼리 엔리처와 함께 Cohere 임베딩 모델을 사용하는 시맨틱 검색

재인덱싱과 함께 Cohere 임베딩 모델을 사용하는 시맨틱 검색

Neural sparse 검색 템플릿

Neural sparse 검색

멀티모달 검색 템플릿

멀티모달 검색

Amazon Bedrock Titan을 사용하는 멀티모달 검색

하이브리드 검색 템플릿

하이브리드 검색

로컬 모델을 사용하는 하이브리드 검색

대화형 검색 템플릿

LLM을 사용하는 대화형 검색

Agentic 검색 템플릿

flow agent를 사용하는 Agentic 검색

conversational agent를 사용하는 Agentic 검색

더 알아보기 (Learn more)

함께 읽는 실무 이야기