Compila agentes de IA con MongoDB

Arquitectura

Un agente de IA suele incluir una combinación de los siguientes componentes:

Herramientas del agente

Además de las queries estándar de MongoDB, MongoDB proporciona varias capacidades de búsqueda que se pueden implementar como herramientas para el agente.

• MongoDB búsqueda vectorial: realiza una búsqueda vectorial para recuperar el contexto relevante basado en el significado semántico y la similitud. Para obtener más información, consulta MongoDB búsqueda vectorial Overview.

• MongoDB Search: realice búsquedas de texto completo para recuperar el contexto relevante según la coincidencia de palabras clave y la puntuación de relevancia. Para aprender más, consulta Descripción general de la MongoDB Search.

• Búsqueda híbrida: combina la MongoDB búsqueda vectorial con la MongoDB Search para aprovechar las fortalezas de ambos enfoques. Para obtener más información, consulta Cómo realizar una búsqueda híbrida.

Se puede definir herramientas manualmente o utilizando frameworks como LangChain y LangGraph, que proporcionan abstracciones de funcionalidad incorporada para la creación y uso de herramientas.

{
  "tool": "vector_search_tool",
  "args": { "query": "What is MongoDB?" },
  "id": "call_H5TttXb423JfoulF1qVfPN3m"
}

Agentic RAG

Al utilizar MongoDB como base de datos vectorial, se pueden crear herramientas de recuperación que implementan RAG agéntica, que es una forma avanzada de RAG que permite orquestar dinámicamente el proceso de recuperación y generación a través de un agente de IA.

Este enfoque permite flujos de trabajo e interacciones de usuario más complejas. Por ejemplo, se puede configurar el agente de IA para determinar la herramienta óptima de recuperación según la tarea, como usar MongoDB Vector Search para búsqueda semántica y MongoDB Search para búsqueda en texto completo. También se puede definir distintas herramientas de recuperación para diferentes colecciones para personalizar aún más las capacidades de recuperación del agente.

Memoria de agente

Dado que MongoDB también es una base de datos de documentos, puedes implementar memoria para agentes almacenando tus interacciones en una colección de MongoDB. El agente puede entonces query o actualizar esta colección según sea necesario. Existen varias maneras de implementar la memoria del agente con MongoDB:

• Para la memoria a corto plazo, se podría incluir un campo session_id para identificar una sesión específica al almacenar las interacciones y luego ejecutar una query para las interacciones con el mismo ID para pasarlas al agente como contexto.

• Para la memoria a largo plazo, se podrían procesar varias interacciones con un LLM para extraer información relevante, como las preferencias del usuario o un contexto importante, y luego almacenar esta información en una colección separada que el agente pueda realizar una query cuando sea necesario.

• Para compilar sistemas robustos de gestión de memoria que permitan una recuperación más eficiente y compleja de historiales de conversaciones, aprovecha MongoDB Search o MongoDB búsqueda vectorial para almacenar, índice y query interacciones importantes a lo largo de las sesiones.

{
  "session_id": "123",
  "user_id": "jane_doe",
  "interactions":
  [
    {
      "role": "user",
      "content": "What is MongoDB?",
      "timestamp": "2025-01-01T12:00:00Z"
    },
    {
      "role": "assistant",
      "content": "MongoDB is the world's leading modern database.",
      "timestamp": "2025-01-01T12:00:05Z"
    }
  ]
}

{
  "user_id": "jane_doe",
  "last_updated": "2025-05-22T09:15:00Z",
  "preferences": {
    "conversation_tone": "casual",
    "custom_instructions": [
      "I prefer concise answers."
    ],
  },
  "facts": [
    {
      "interests": ["AI", "MongoDB"],
    }
  ]
}

Los siguientes frameworks también proporcionan abstracciones directas para la memoria de los agentes con MongoDB:

Requisitos previos

Para completar este tutorial, debes tener lo siguiente:

• Uno de los siguientes tipos de clúster de MongoDB:

  • Un clúster de Atlas que ejecute MongoDB versión 6.0.11, 7.0.2 o posterior. Asegúrese de que su dirección IP esté incluida en la lista de acceso de su proyecto de Atlas.

  • Una implementación local de Atlas creada con Python y Docker. Instala atlas-local-lib-py (pip install atlas-local-lib-py) para crear y gestionar implementaciones locales mediante programación. Para obtener más información, consulta el repositorio atlas-local-lib-py.

  • Un clúster de MongoDB Community o Enterprise con Search y Vector Search instalados.

• Una clave API de Voyage IA.

• Una clave de API de OpenAI.

Procedimiento

Este agente de IA puede utilizarse para responder preguntas sobre una fuente de datos personalizada y realizar cálculos. También puede recordar anteriores interacciones para informar sus respuestas. Utiliza los siguientes componentes:

• Percepción: entradas de texto.

• Planificación: un LLM y varios prompts para razonar a través de la tarea.

• Herramientas: una herramienta de búsqueda vectorial y una herramienta de calculadora.

• Memoria: almacena las interacciones en una colección de MongoDB.