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

Descargue el PDF.

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

2. Hacer clic en Read Whitepaper o Email me the PDF para acceder al PDF.

3. Descargue y guarde el PDF localmente.

Sube el PDF a un bucket de Amazon S3.

1. Siga los pasos para crear un Bucket S3 . Asegúrese de utilizar un/a Bucket Name descriptivo/a.

2. Siga estos pasos para cargar un archivo en su depósito. Selecciona el archivo que contiene el PDF que acaba de descargar.

Configura un nodo privado en Atlas.

Sigue los pasos para configurar un nodo privado de AWS PrivateLink para tu clúster de Atlas. Asegúrate de usar un VPC ID descriptivo para identificar tu endpoint privado.

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

Configura el servicio de endpoint.

MongoDB y los partners proporcionan un Kit de Desarrollo en la Nube (CDK) que usted puede usar para configurar un servicio de endpoint respaldado por un balanceador de carga de red que reenvía el tráfico a tu endpoint privado.

Siga los pasos especificados en el Repositorio de CDK en GitHub para preparar y ejecutar el script CDK.

Navega a la consola de gestión de Amazon Bedrock.

1. Inicie sesión en la Consola de AWS. svg class="" height="" width="" role="" aria-hidden="" alt="" viewbox="">

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

3. Haga clic en Machine Learning y, a continuación, seleccione Amazon Bedrock.

Gestiona el acceso al modelo.

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

Crea la base de conocimientos.

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

2. Haz clic en Create y luego selecciona Knowledge base with vector store.

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

4. Haga clic en Next.

Por defecto, Amazon Bedrock crea un nuevo rol IAM para acceder a la base de conocimiento.

Agregar una fuente de datos.

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

2. Introduce la URI para el bucket S3 que contiene tu fuente de datos. O haz clic en Browse S3 y busca el bucket S3 que contiene tu fuente de datos en la lista.

3. Haga clic en Next.

   Amazon Bedrock muestra los modelos de embedding disponibles que puedes utilizar para convertir los datos de texto de tu fuente de datos en embedding de vectores.

4. Seleccione el modelo Titan Embeddings G1 - Text.

Conecta 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:

   

   • Para el Hostname, introduzca la URL de su clúster de Atlas ubicada en su cadena de conexión. El nombre del host utiliza el siguiente formato:

     <clusterName>.mongodb.net

   • Para el Database name, introduce bedrock_db.

   • Para el Collection name, introduce test.

   • Para el Credentials secret ARN, ingrese el ARN del secreto que contiene las credenciales de su clúster Atlas. Para obtener más información, consulte 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:

   

   • 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

   De forma opcional, puedes especificar el campo Text search index name para configurar la búsqueda híbrida. Para obtener más información, consulta 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 tu base de conocimientos, haz clic en Create knowledge base para finalizar su creación.

Sincroniza la fuente de datos.

Después de que Amazon Bedrock cree la base de conocimientos, le pedirá que sincronice sus datos. En la sección Data source, selecciona tu fuente de datos y haz clic en Sync para sincronizar los datos del almacenamiento S3 y cargarlos en Atlas.

Cuando se complete la sincronización, si usas Atlas, puedes verificar tus embeddings vectoriales navegando al namespace bedrock_db.test en la interfaz de usuario de Atlas.

Crea un agente.

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

2. Haga clic en Create Agent.

3. Especifica mongodb-rag-agent como Name y haz clic en Create.

Selecciona un modelo y proporciona un aviso.

Por defecto, Amazon Bedrock crea un nuevo rol IAM para acceder al agente. En la sección Agent details, especifica 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 MF automáticamente. Si aún no lo ha hecho, siga los pasos para agregar acceso al modelo para Anthropic Claude V2.1 modelo.

2. Proporcione instrucciones para que el agente 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.

Agregar la base de conocimientos.

Para conectar el agente a la base de conocimientos que has creado:

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

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

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

   Si utilizas los datos de muestra, pega las siguientes instrucciones:

   This knowledge base describes best practices when working with MongoDB.

4. Haz clic en Add y después en Save.

Pruebe el agente.

1. Haga clic en el botón Prepare.

2. Haz clic en Test. Amazon Bedrock muestra una ventana de pruebas a la derecha de los detalles del agente si aún no está mostrada.

3. En la ventana de prueba, introduce un mensaje. El agente pregunta al modelo, usa MongoDB Vector Search para recuperar documentos relevantes y luego genera una respuesta basada en los documentos.

   Si usaste los datos de muestra, introduce el siguiente mensaje. 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

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

Una vez que hayas terminado, haz clic en Save and exit.