Se puede integrar MongoDB con LangGraph para construir agentes de IA y aplicaciones RAG avanzadas. Esta pÔgina ofrece una visión general de la integración de MongoDB LangGraph y cómo puede usarse MongoDB para la persistencia del estado del agente, la memoria y la recuperación en los flujos de trabajo de LangGraph.
Nota
Para la integración de JavaScript, consulte LangGraph JS/TS.
Segundo plano
LangGraph es un marco especializado dentro del ecosistema LangChain diseñado para desarrollar agentes de IA y flujos de trabajo complejos de múltiples agentes. Grafos son los componentes principales de LangGraph, que representan el flujo de trabajo de su agente. La integración de MongoDB LangGraph permite las siguientes capacidades:
Checkpointer de MongoDB LangGraph: Puede mantener el estado de los agentes LangGraph en MongoDB, proporcionando memoria a corto plazo.
MongoDB LangGraph Store: se pueden almacenar y recuperar memorias importantes para los agentes LangGraph en una colección de MongoDB, proporcionando una memoria a largo plazo.
Herramientas de recuperación: se puede utilizar la integración de MongoDB LangChain para crear rÔpidamente herramientas de recuperación para los flujos de trabajo de LangGraph.
La integración de las aplicaciones LangGraph que se usan con MongoDB permite consolidar tanto las capacidades de recuperación como la memoria del agente en una única base de datos, simplificando la arquitectura usada y reduciendo la complejidad operativa.
Checkpointer de MongoDB LangGraph (memoria a corto plazo)
El MongoDB LangGraph Checkpointer permite persistir el estado del agente en MongoDB para implementar una memoria a corto plazo. Esta caracterĆstica permite la intervención humana, la memoria, el viaje en el tiempo y la tolerancia a fallos para los agentes LangGraph que se usan.
Para instalar el paquete de este componente:
pip install "langgraph-checkpoint-mongodb>=0.5.0"Uso
from langgraph.checkpoint.mongodb import MongoDBSaverfrom pymongo import MongoClient
# Connect to your MongoDB clusterclient = MongoClient("<connection-string>")
# Initialize the MongoDB checkpointercheckpointer = MongoDBSaver(client)
# Instantiate the graph with the checkpointerapp = graph.compile(checkpointer=checkpointer)Almacenamiento de MongoDB LangGraph (memoria a largo plazo)
La tienda LangGraph de MongoDB permite almacenar y recuperar memorias en una colección de MongoDB, lo que habilita una memoria a largo plazo para los agentes de LangGraph. Esto permite compilar agentes que puedan recordar interacciones pasadas y utilizar esa información para tomar decisiones futuras.
Para instalar el paquete de este componente:
pip install "langgraph-store-mongodb>=0.3.0"Uso
Atlas admite dos modos de integración:
Incorporación manual: Generar vectores de incorporación en el lado del cliente con un modelo de incorporación que especifiques.
Incrustación automatizada: MongoDB incrusta texto del lado del servidor sin necesidad de generarlo manualmente. Para aprender mÔs, consulta Incrustación automatizada.
from langgraph.store.mongodb import MongoDBStore, create_vector_index_configfrom langchain_voyageai import VoyageAIEmbeddings
# Vector search index configuration with client-side embeddingindex_config = create_vector_index_config( embed = VoyageAIEmbeddings(), dims = <dimensions>, fields = ["<field-name>"], filters = ["<filter-field-name>", ...] # Optional)
# Store memories in MongoDB collectionwith MongoDBStore.from_conn_string( conn_string=MONGODB_URI, db_name="<database-name>", collection_name="<collection-name>", index_config=index_config ) as store: store.put( namespace=("user", "memories"), key=f"memory_{hash(content)}", value={"content": content} )Para usar la incrustación automatizada, pase una instancia AutoEmbeddings al parĆ”metro embed en la configuración del Ćndice. Esto permite que MongoDB genere y gestione vectores de incrustación automĆ”ticamente.
from langgraph.store.mongodb import MongoDBStore, create_vector_index_configfrom langchain_mongodb.embeddings import AutoEmbeddings
# Vector search index configuration with server-side Automated Embeddingindex_config = create_vector_index_config( embed = AutoEmbeddings(model="voyage-4"), fields = ["<field-name>"], filters = ["<filter-field-name>", ...] # Optional)
# Store memories - text is embedded server-sidewith MongoDBStore.from_conn_string( conn_string=MONGODB_URI, db_name="<database-name>", collection_name="<collection-name>", index_config=index_config ) as store: store.put( namespace=("user", "memories"), key=f"memory_{hash(content)}", value={"content": content} )Recuperación y borrado de recuerdos:
# Retrieve memories from MongoDB collectionwith MongoDBStore.from_conn_string( conn_string=MONGODB_URI, db_name="<database-name>", collection_name="<collection-name>", index_config=index_config) as store: results = store.search( ("user", "memories"), query="<query-text>", limit=3 ) for result in results: print(result.value)
# To delete memories, use store.delete(namespace, key)# To batch operations, use store.batch(ops)MƩtodos
Método | Descripción |
|---|---|
| Almacena un único elemento en el almacén con el namespace, clave y valor especificados. |
| Realiza búsquedas de elementos dentro de un El método
|
| Recupera un Ćŗnico elemento del almacenamiento. Opcionalmente, puede actualizar el TTL del elemento al acceder. |
| Borra un solo elemento del almacƩn identificado por su namespace y clave. |
| Enumera los namespace Ćŗnicos en el almacenamiento. Permite el filtrado por un prefijo de ruta, un sufijo y la profundidad del documento. |
| Ejecuta una secuencia de operaciones ( |
| Método que prepara una lista de campos de filtro para la indexación de búsqueda vectorial en MongoDB. |
Herramientas de recuperación
Se pueden usar sin problemas los recuperadores LangChain como herramientas en el flujo de trabajo de LangGraph para recuperar datos relevantes de MongoDB.
La integración de MongoDB LangChain admite de forma nativa la bĆŗsqueda de texto completo, la bĆŗsqueda vectorial, la bĆŗsqueda hĆbrida y la recuperación de documentos principales. Para una lista completa de mĆ©todos de recuperación, consultar MongoDB LangChain Retrievers.
Uso
Para crear una herramienta de recuperación bÔsica con la búsqueda vectorial de MongoDB y LangChain:
from langchain.tools.retriever import create_retriever_toolfrom langchain_mongodb.vectorstores import MongoDBAtlasVectorSearchfrom langchain_voyageai import VoyageAIEmbeddings # Instantiate the vector storevector_store = MongoDBAtlasVectorSearch.from_connection_string( connection_string = "<connection-string>", # MongoDB cluster URI namespace = "<database-name>.<collection-name>", # Database and collection name embedding = VoyageAIEmbeddings(), # Embedding model to use index_name = "vector_index", # Name of the vector search index # Other optional parameters...) # Create a retrieval toolretriever = vector_store.as_retriever()retriever_tool = create_retriever_tool( retriever, "vector_search_retriever", # Tool name "Retrieve relevant documents from the collection" # Tool description)Para aƱadir la herramienta como un nodo en LangGraph:
Convertir la herramienta en un nodo.
AƱada el nodo al grafo.
from langgraph.graph import StateGraphfrom langgraph.prebuilt import ToolNode # Define the graphworkflow = StateGraph() # Convert the retriever tool into a noderetriever_node = ToolNode([retriever_tool]) # Add the tool as a node in the graphworkflow.add_node("vector_search_retriever", retriever_node) graph = workflow.compile()