Integre MongoDB con LangGraph

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 rápidamente 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 característica 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

from langgraph.checkpoint.mongodb import MongoDBSaver
from pymongo import MongoClient
# Connect to your MongoDB cluster
client = MongoClient("<connection-string>")
# Initialize the MongoDB checkpointer
checkpointer = MongoDBSaver(client)
# Instantiate the graph with the checkpointer
app = 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

from langgraph.store.mongodb import MongoDBStore, create_vector_index_config
from langchain_voyageai import VoyageAIEmbeddings
# Vector search index configuration with client-side embedding
index_config = create_vector_index_config(
    embed = VoyageAIEmbeddings(),
    dims = <dimensions>,
    fields = ["<field-name>"],
    filters = ["<filter-field-name>", ...] # Optional
)
# Store memories in MongoDB collection
with 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}
     )

from langgraph.store.mongodb import MongoDBStore, create_vector_index_config
from langchain_mongodb import AutoEmbeddings
# Vector search index configuration with server-side Automated Embedding
index_config = create_vector_index_config(
    embed = AutoEmbeddings(model_name="voyage-4"),
    fields = ["<field-name>"],
    filters = ["<filter-field-name>", ...] # Optional
)
# Store memories - text is embedded server-side
with 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}
     )

# Retrieve memories from MongoDB collection
with 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)

ttl_config = {
   "default_ttl": 3600,     # Expire documents after 1 hour
   "refresh_on_read": True, # Refresh TTL on read
}

index_config = create_vector_index_config(
    embed = <embedding-model-or-AutoEmbeddings>,
    dims = <dimensions>,  # Not required for Automated Embedding
    fields = ["<field-name>"], # field to embed
    filters = ["<filter-field-name>", ...], # optional
    name = "<index-name>" # optional, defaults to 'vector_index'
    relevance_score_fn: "euclidean" | "cosine" | "dotProduct"] # defaults to 'cosine'
    embedding_key: "<embedding-field-name>" # optional, defaults to 'embedding'
)

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 búsqueda de texto completo, la búsqueda vectorial, la búsqueda híbrida y la recuperación de documentos principales. Para una lista completa de métodos de recuperación, consultar MongoDB LangChain Retrievers.