Comience con la integración de MongoDB Agno

Instalar las dependencias.

Ejecuta los siguientes comandos en tu terminal para crear un nuevo directorio llamado agno-mongodb-project e instalar las dependencias necesarias:

mkdir agno-mongodb-project
cd agno-mongodb-project
pip install agno pymongo openai python-dotenv pypdf

Establecer las variables de entorno.

En tu directorio agno-mongodb-project, crea un archivo .env y añade el siguiente código:

OPENAI_API_KEY="<openai-api-key>"
MONGODB_URI="<connection-string>"

Se debe sustituir <connection-string> por la cadena de conexión del clúster Atlas o de la implementación local de Atlas.

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

mongodb://localhost:<port-number>/?directConnection=true

Cree un archivo de proyecto.

En su directorio agno-mongodb-project, cree un archivo llamado main.py. Añada el siguiente código a este archivo para cargar las variables de entorno:

import os
from dotenv import load_dotenv
from agno.agent import Agent
from agno.db.mongo import MongoDb
from agno.knowledge.knowledge import Knowledge
from agno.models.openai import OpenAIChat
from agno.vectordb.mongodb import MongoVectorDb
load_dotenv()

En los siguientes pasos, añadirás código a este archivo para construir tu base de conocimientos y tu asistente.

Configure MongoDB como almacén de vectores.

Agregue el siguiente código para configurar un almacén de vectores respaldado por MongoDB para su base de conocimientos:

vector_db = MongoVectorDb(
    collection_name="agent_knowledge",
    db_url=os.environ["MONGODB_URI"],
    database="agno",
)
knowledge = Knowledge(vector_db=vector_db)

The preceding code creates a MongoVectorDb instance and passes it to the vector_db parameter of a Knowledge object. Because this is the first time you're using the agent_knowledge collection, Agno creates it along with an MongoDB Vector Search index named vector_index_1.

The index should take about one minute to build. While it builds, the index is in an initial sync state. When it finishes building, you can start querying the data in your collection.

Cargar y almacenar datos.

Add the following code to your main.py file to load a PDF file containing Thai recipes into your knowledge base:

knowledge.insert(
    name="Recipes",
    url="https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf",
)

Agno descarga el archivo, lo divide en fragmentos, genera una representación vectorial para cada fragmento con el incrustador predeterminado de OpenAI y escribe los resultados en tu colección.

Ejecuta una consulta de búsqueda semántica.

Add the following code to your main.py file to query your knowledge base's vector database directly, before connecting it to an agent. This example searches for the three chunks most relevant to a question about green curry:

results = vector_db.search(query="How do I make a green curry?", limit=3)
for doc in results:
    print(f"[{doc.name}] {doc.content[:80]}")

Los resultados incluyen los fragmentos de la receta que son más relevantes semánticamente para la consulta, ordenados según su puntuación de similitud.

Defina al asistente.

Add the following code to your main.py file to configure a MongoDb instance for session storage, and then create an agent that uses this session store and the knowledge base configured in the previous section:

db = MongoDb(
    db_url=os.environ["MONGODB_URI"],
    db_name="agno",
)
agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    knowledge=knowledge,
    db=db,
    search_knowledge=True,
    add_history_to_context=True,
    num_history_runs=5,
    instructions=[
        "You are a helpful cooking assistant.",
        "Answer questions using only the recipes in your knowledge base.",
        "If the knowledge base does not contain a relevant answer, say so clearly.",
    ],
)

Haz que el asistente participe en dos turnos de conversación.

Add the following code to your main.py file to send two messages to the agent:

SESSION_ID = "cooking-session-001"
# First turn
agent.print_response(
    "My favorite Thai dish is massaman curry.",
    session_id=SESSION_ID,
)
# Second turn
agent.print_response(
    "How do I make my favorite dish?",
    session_id=SESSION_ID,
)

The agent retrieves the most relevant recipe chunks from your knowledge base on each turn. Because both calls use the same session_id value, Agno also retrieves data from the prior response. Agno retrieves the session metadata from the agno_sessions collection and the message content from the agno_runs collection. If you omit session_id or pass a different value on the second call, Agno starts a new session and the agent has no record of the first turn.