Comience con la integración de la base de conocimientos de Amazon Bedrock

Descargar el PDF.

1. Vaya a la Guía de mejores prácticas para MongoDB.

2. Haga clic en cualquiera de los dos Read Whitepaper o Email me the PDF para acceder al PDF.

3. Descargue y guarde el PDF localmente.

Carga el PDF en un bucket de Amazon S3.

1. Sigue los pasos para crear un3 bucket S. Asegúrate de usar un descriptivo.Bucket Name

2. Sigue los pasos para subir un archivo a tu Bucket. Selecciona el archivo que contiene el PDF que acabas de descargar.

Configurar un punto final privado en Atlas.

Siga los pasos para configurar un punto de conexión privado de AWS PrivateLink para su clúster Atlas. Asegúrese de usar un descriptivo VPC ID para identificar su punto de conexión privado.

Para obtener más información, consulte Más información sobre los puntos finales privados en Atlas.

Configurar el servicio de punto final.

MongoDB y sus socios proporcionan un kit de desarrollo en la nube (CDK) que puede utilizar para configurar un servicio de punto final respaldado por un balanceador de carga de red que reenvía tráfico a su punto final privado.

Siga los pasos especificados en el repositorio GitHub del CDK para preparar y ejecutar el script del CDK.

Navega a la consola de gestión de Amazon Bedrock.

1. Inicie sesión en la consola de AWS.

2. En la esquina superior izquierda, haga clic en el menú desplegable Services.

3. Haga clic en Machine Learning y luego seleccione Amazon Bedrock.

Administrar el acceso al modelo.

Amazon Bedrock no otorga acceso a FMs automáticamente. Si aún no lo has hecho, sigue los pasos para agregar acceso al modelo para Titan Embeddings G1 - Texto y Anthropic Claude V2.1 modelos.

Crear la base de conocimientos.

1. En la navegación izquierda de la consola de Amazon Bedrock, haga clic en Knowledge Bases.

2. Haga clic en Create y luego seleccione Knowledge base with vector store.

3. Especifique mongodb-atlas-knowledge-base como Knowledge Base name.

4. Haga clic en Next.

De forma predeterminada, Amazon Bedrock crea una nueva función de IAM para acceder a la base de conocimientos.

Agregar una fuente de datos.

1. Especifique un nombre para la fuente de datos utilizada por la base de conocimiento.

2. Ingrese el URI del contenedor S3 que contiene su fuente de datos. O bien, haga clic Browse S3 en y busque el contenedor S3 que contiene su fuente de datos en la lista.

3. Haga clic en Next.

   Amazon Bedrock muestra modelos de integración disponibles que puedes usar para convertir los datos de texto de tu fuente de datos en integraciones vectoriales.

4. Seleccione el modelo Titan Embeddings G1 - Text.

Conecte Atlas a la base de conocimientos.

1. En la sección Vector database, seleccione Use an existing vector store.

2. Seleccione MongoDB Atlas y configure las siguientes opciones:

   

   haga clic para ampliar

   • HostnamePara, introduzca la URL de su clúster Atlas, ubicada en su cadena de conexión. El nombre de host tiene el siguiente formato:

     <clusterName>.mongodb.net

   • Para el Database name, introduce bedrock_db.

   • Para el Collection name, introduce test.

   • Credentials secret ARNPara, ingrese el ARN del secreto que contiene las credenciales de su clúster Atlas. Para obtener más información, consulte los conceptos de AWS Secrets Manager.

3. En la sección Metadata field mapping, configura las siguientes opciones para determinar el MongoDB búsqueda vectorial índice y los nombres de campo que Atlas utiliza para incorporar y almacenar tu fuente de datos:

   

   haga clic para ampliar

   • Para el Vector search index name, introduce vector_index.

   • Para el Vector embedding field path, introduce embedding.

   • Para el Text field path, introduce bedrock_text_chunk.

   • Para el Metadata field path, introduce bedrock_metadata.

   Nota

   Opcionalmente, puede especificar el Text search index name campo para configurar la búsqueda híbrida. Para obtener más información, consulte Búsqueda híbrida con Amazon Bedrock y Atlas.

4. Si configuró un servicio de punto final, ingrese PrivateLink Service Name su.

5. Haga clic en Next.

Revisar y crear la base de conocimientos.

Después de revisar los detalles de su base de conocimientos, haga clic en Create knowledge base para finalizar su creación.

Sincronizar la fuente de datos.

Después de que Amazon Bedrock cree la base de conocimientos, le solicitará que sincronice sus datos. En la sección, seleccione su origen de datos Data source y haga clic en Sync para sincronizar los datos del bucket S3 y cargarlos en Atlas.

Cuando se complete la sincronización, si está usando Atlas, puede verificar sus incrustaciones vectoriales navegando al espacio de nombres en bedrock_db.test la interfaz de usuario de Atlas.

Crear un agente.

1. En la navegación izquierda de Amazon Bedrock, haga clic en Agents.

2. Haga clic en Create Agent.

3. Especifique mongodb-rag-agent como Name y haga clic en Create.

Seleccione un modelo y proporcione una solicitud.

De forma predeterminada, Amazon Bedrock crea un nuevo rol de IAM para acceder al agente. En la Agent details sección, especifique lo siguiente:

1. En los menús desplegables, selecciona Anthropic y Claude V2.1 como proveedor y modelo de IA utilizado para responder preguntas sobre tus datos.

   Nota

   Amazon Bedrock no otorga acceso a los FM automáticamente. Si aún no lo ha hecho, siga los pasos para agregar acceso al2 1 modelo Anthropic Claude V..

2. Proporcionar instrucciones al agente para que sepa cómo completar la tarea.

   Por ejemplo, si está utilizando los datos de muestra, pegue las siguientes instrucciones:

   You are a friendly AI chatbot that answers questions about working with MongoDB.

3. Haga clic en Save.

Añade la base de conocimientos.

Para conectar el agente a la base de conocimiento que usted creó:

1. En la sección Knowledge Bases, haga clic en Add.

2. Selecciona mongodb-atlas-knowledge-base del menú desplegable.

3. Describe la base de conocimientos para determinar cómo debe interactuar el agente con la fuente de datos.

   Si está utilizando los datos de muestra, pegue las siguientes instrucciones:

   This knowledge base describes best practices when working with MongoDB.

4. Haga clic en Add y, a continuación, haga clic en Save.

Pruebe el agente.

1. Haga clic en el botón Prepare.

2. Haga clic en Test. Amazon Bedrock mostrará una ventana de prueba a la derecha de los detalles de su agente, si aún no está visible.

3. En la ventana de pruebas, introduzca una solicitud. El agente solicita al modelo, utiliza MongoDB Vector Search para recuperar los documentos relevantes y genera una respuesta basada en ellos.

   Si utilizó los datos de muestra, introduzca la siguiente solicitud. La respuesta generada puede variar.

   What's the best practice to reduce network utilization with MongoDB?

   OCULTAR SALIDA

   The best practice to reduce network utilization with MongoDB is
   to issue updates only on fields that have changed rather than
   retrieving the entire documents in your application, updating
   fields, and then saving the document back to the database. [1]

   Tip

   Haga clic en la anotación en la respuesta del agente para ver el fragmento de texto que recuperó MongoDB Vector Search.

Una vez que haya terminado, haga clic Save and exit en.