Puedes integrar MongoDB con Langflow, un marco visual de código abierto para crear flujos de trabajo y agentes de IA. Langflow proporciona un componente MongoDB Atlas que utiliza MongoDB Vector Search como almacén de vectores, lo que te permite añadir la recuperación de datos basada en MongoDB a tus flujos sin necesidad de escribir código.
El componente MongoDB Atlas le permite realizar las siguientes acciones:
Ingesta de datos: Escribe documentos y sus elementos incrustados en tu colección.
Búsqueda de similitud: Realice una búsqueda de similitud y obtenga los documentos coincidentes.
Configurar herramientas para agentes: Proporcione a los agentes acceso a sus datos de MongoDB.
Empezar
Para completar un tutorial que configure Langflow para usar MongoDB, consulte la sección "Primeros pasos con la integración de Langflow".
Instalación
El paquete lfx-bundles proporciona integraciones opcionales de terceros, incluido el componente MongoDB Atlas. Para instalar las dependencias de MongoDB, ejecute el siguiente comando:
uv pip install "lfx-bundles[mongodb]"
Como alternativa, para instalar todos los proveedores incluidos junto con Langflow, ejecute el siguiente comando:
uv pip install "langflow[bundles]"
Importante
Imágenes de Docker
Para usar el componente MongoDB Atlas con Docker, utilice la imagen langflowai/langflow-all en lugar de la imagen predeterminada langflowai/langflow. La imagen langflow-all incluye langflow[bundles], que proporciona el componente MongoDB Atlas. Para obtener más información, consulte Elegir una imagen de Docker de Langflow.
Uso
Para usar MongoDB como almacén vectorial en un flujo, agregue el componente MongoDB Atlas a su lienzo desde la categoría MongoDB y luego configure sus parámetros de conexión e índice en el panel de inspección de componentes.
Las siguientes pestañas describen diferentes maneras de usar el componente en sus flujos:
Para escribir documentos y sus incrustaciones en su colección, conecte un cargador de datos y un componente Split Text a la entrada Ingest Data:
File or URL loader → Split Text → MongoDB Atlas
Para realizar una búsqueda de similitud y devolver documentos coincidentes, conecte un componente Chat Input u otro componente generador de texto a la entrada Search Query:
Chat Input → MongoDB Atlas → Chat Output
Para dar acceso a los agentes a tu colección, habilita Tool Mode en el menú de encabezado del componente MongoDB Atlas. Luego, conecta su salida a la entrada Tools de un componente Agent:
MongoDB Atlas → Agent (Tools)
Si utiliza el componente MongoDB Atlas para consultar su colección, este devuelve resultados que puede pasar a otros componentes de su flujo como una lista de objetos JSON o como un resultado tabular. Si ambos formatos están disponibles, puede configurar el formato cerca del puerto de salida del componente en el editor visual.
La primera vez que se realiza una búsqueda, el componente comprueba si existe el índice de MongoDB Vector Search especificado en el parámetro Index Name. Si no existe, el componente crea el índice a partir de los parámetros Index Field, Number of Dimensions, Similarity y Quantization, y luego espera 20 segundos antes de continuar. Dado que esta espera no confirma que el índice se haya creado correctamente, una consulta que se ejecute inmediatamente después de su creación aún puede devolver resultados vacíos.
Tip
Para comprobar si su índice ha terminado de construirse, vea su Status en la interfaz de usuario de Atlas.
Parámetros
Algunos parámetros están ocultos de forma predeterminada en el editor visual. Puede ver y modificar todos los parámetros a través del panel de inspección de componentes que aparece al seleccionar el componente.
índice de búsqueda
El componente MongoDB Atlas crea un índice de búsqueda vectorial de MongoDB en tu colección la primera vez que realizas una búsqueda, si no existe un índice coincidente. También puedes crear o inspeccionar este índice manualmente. Para obtener más información, consulta Crear un índice de búsqueda vectorial de MongoDB.
El índice utiliza la siguiente definición, donde el campo path especifica su valor Index Field, el campo numDimensions especifica su valor Number of Dimensions y el campo similarity especifica su valor Similarity:
{ "fields": [ { "numDimensions": 1536, "path": "embedding", "quantization": "scalar", "similarity": "cosine", "type": "vector" } ] }
Si establece un valor Filter Field, el componente agrega un campo de tipo filter para esa ruta a la definición del índice.
Importante
Valores requeridos
Seleccione un valor para la cuantización antes de realizar una búsqueda. Si deja el campo sin definir, la creación del índice fallará porque el componente asigna el valor quantization a null en lugar de omitirlo.
Si su modelo de incrustación produce un número de dimensiones diferente al predeterminado 1536, asegúrese de configurar el parámetro Número de dimensiones en consecuencia.
Recursos adicionales
Para obtener más información sobre cómo usar Langflow con MongoDB, consulte los siguientes recursos:
Documentación delcomponente Langflow MongoDB
Repositorio deLangflow en GitHub