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-projectcd agno-mongodb-projectpip 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 osfrom dotenv import load_dotenvfrom agno.agent import Agentfrom agno.db.mongo import MongoDbfrom agno.knowledge.knowledge import Knowledgefrom agno.models.openai import OpenAIChatfrom agno.vectordb.mongodb import MongoVectorDb
load_dotenv()

En pasos futuros, añadirá código a este archivo para compilar su Base de Conocimiento y asistente.

Configure MongoDB como el almacenar de vectores.

Añada el siguiente código para configurar un almacén de vectores respaldado por MongoDB para su Base de Conocimiento:

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

El código anterior crea una instancia de MongoVectorDb y la pasa al parámetro vector_db de un objeto Knowledge. Dado que es la primera vez que utiliza la colección agent_knowledge, Agno la crea junto con un índice de búsqueda vectorial de MongoDB denominado vector_index_1.

El índice debería tardar alrededor de un minuto en compilarse. Mientras se crea, el índice se encuentra en un estado de sincronización inicial. Cuando se termine de construir, se podrá empezar a consultar los datos de tu colección.

Cargar y almacenar datos.

Agregue el siguiente código a su archivo main.py para cargar un archivo PDF que contenga recetas tailandesas en su Base de Conocimiento:

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

Agno descarga el archivo, hace una división en fragmentos, genera una incrustación para cada fragmento con el incrustador de OpenAI por defecto y guarda los resultados en su colección.

Ejecutar una query de búsqueda semántica.

Agregue el siguiente código a su archivo main.py para query directamente la base de datos vectorial de su Base de Conocimiento antes de conectarlo a un agente. Este ejemplo busca los tres fragmentos más relevantes para una pregunta sobre el curry verde:

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 recetas que son más relevantes semánticamente para la query, clasificados por puntuación de similitud.

Definir el asistente.

Agregue el siguiente código a su archivo main.py para configurar una instancia MongoDb para el almacenamiento de sesiones, y luego cree un agente que utilice este almacén de sesiones y la Base de Conocimiento configurada en la sección anterior:

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.",    ],)

Ejecute el asistente a través de dos turnos de conversación.

Añada el siguiente código a su archivo main.py para enviar dos mensajes al agente:

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

El agente recupera los fragmentos de recetas más relevantes de su Base de Conocimiento en cada turno. Debido a que ambas llamadas utilizan el mismo valor session_id, Agno también recupera datos de la respuesta anterior. Agno recupera los metadatos de la sesión de la colección agno_sessions y el contenido del mensaje de la colección agno_runs. Si omite session_id o pasa un valor diferente en la segunda llamar, Agno inicia una nueva sesión y el agente no tiene registro del primer turno.