Puedes integrar MongoDB Vector Search con LangChainGo para compilar aplicaciones de grandes modelos de lenguaje (LLM) e implementar generación de recuperación aumentada (RAG). Este tutorial demuestra cómo empezar a usar MongoDB Vector Search con LangChainGo para realizar una búsqueda semántica en tus datos y compilar una implementación de RAG. Específicamente, realizas las siguientes acciones:
Configura el entorno.
Almacene datos personalizados en MongoDB.
Cree un índice de Búsqueda Vectorial de MongoDB en sus datos.
Ejecuta las siguientes consultas de búsqueda vectorial:
búsqueda semántica.
Búsqueda semántica con prefiltrado de metadatos.
Implementa RAG utilizando MongoDB búsqueda vectorial para responder preguntas sobre tus datos.
Segundo plano
LangChainGo es la implementación del lenguaje de programación Go de LangChain. Es un port de terceros impulsado por la comunidad del framework LangChain.
LangChain es un framework de código abierto que permite desarrollar aplicaciones LLM de manera sencilla usando las "cadenas". Las cadenas son componentes específicos de LangChain que puede combinar para varios casos de uso de IA, incluido RAG.
Al integrar MongoDB Vector Search con LangChain, puedes utilizar MongoDB como una base de datos vectorial y utilizar MongoDB Vector Search para implementar RAG recuperando documentos semánticamente similares de tus datos. Para obtener más información sobre RAG, consulte Generación de recuperación aumentada (RAG) con MongoDB.
LangChainGo facilita la orquestación de LLM para aplicaciones de IA, aportando las capacidades de LangChain al ecosistema Go. También permite a los desarrolladores conectarse a sus bases de datos preferidas compatibles con vector stores, incluyendo MongoDB.
Procedimiento
Después de completar este tutorial, habrá integrado correctamente la búsqueda vectorial de MongoDB con LangChainGo para compilar una aplicación RAG. Ha realizado las siguientes tareas:
Se inició y configuró el entorno necesario para soportar la aplicación.
Se almacenaron los datos personalizados en MongoDB y se instanció MongoDB como un almacén vectorial.
Compiló un índice de búsqueda vectorial de MongoDB en sus datos, habilitando capacidades de búsqueda semántica.
Se utilizaron incrustaciones vectoriales para recuperar datos semánticamente relevantes.
Resultados de búsqueda mejorados mediante la incorporación de filtros de metadatos.
Implementé un flujo de trabajo de RAG usando MongoDB búsqueda vectorial para brindar respuestas significativas a preguntas basadas en sus datos.
Próximos pasos
Para obtener más información sobre cómo comenzar con la búsqueda vectorial de MongoDB, consulte el tutorial de inicio rápido de la búsqueda vectorial de MongoDB y, a continuación, seleccione Go en el menú desplegable.
Para obtener más información sobre vector embeddings, consulta Cómo crear incrustaciones vectoriales manualmente y luego selecciona Go en el menú desplegable.
Para aprender a integrar LangChainGo y Hugging Face, consulte generación de recuperación aumentada (RAG) con MongoDB.
Para aprender a implementar RAG sin necesidad de claves o créditos API, consulta Crear una Implementación Local de RAG con MongoDB Vector Search.
MongoDB también proporciona el siguiente recurso para desarrolladores:
Tip
Para aprender más sobre cómo integrar LangChainGo, OpenAI y MongoDB, consulta Cómo usar MongoDB Atlas como un Vector Store con OpenAI Embeddings.