Para agentes de IA: hay un índice de documentación disponible en https://www.mongodb.com/es/docs/llms.txt — versiones en markdown de todas las páginas están disponibles agregando .md a cualquier ruta URL.

Voyage IA Guía Rápida de inicio

En esta guía, aprenderás cómo generar tus primeros vectores de incrustaciones con Voyage IA y compilarás una aplicación básica.

Para acceder a los modelos de IA de Voyage, crea una clave de API de modelo en la Interfaz de Usuario de MongoDB Atlas.

1

Si eres nuevo en Atlas, se crea una organización y un proyecto para ti.

Para aprender más, consulta Crea una cuenta Atlas.

2
  1. En tu proyecto Atlas, selecciona AI Model APIs de la barra de navegación.

  2. Haga clic en Create model API key.

  3. Asigna un nombre a la clave API y luego haz clic en Create.

Para obtener más información, consulte la sección "Administrar claves API del modelo de IA de Voyage AI".

3

Copia la clave de API y guárdala en una ubicación segura. Luego, exporta la clave API como una variable de entorno en tu terminal para que el cliente Voyage pueda acceder a ella.

export VOYAGE_API_KEY="<your-model-api-key>"

En esta sección, generas incrustaciones vectoriales usando un modelo de incrustación Voyage IA y el cliente de Python.

1

Ejecuta los siguientes comandos en tu terminal para crear tu proyecto e instalar el cliente Python de Voyage IA.

mkdir mongodb-voyage-quickstartcd mongodb-voyage-quickstartpip install --upgrade voyageai
2

Cree un archivo llamado quickstart.py en su proyecto y pegue el siguiente código en él. Este código inicializa el cliente de Voyage IA, define textos de ejemplo y utiliza el cliente para acceder a la API de Voyage y generar incrustaciones vectoriales con el modelo voyage-4-large.

Para obtener más detalles, consulte Python cliente o explore la especificación completa de la API.

import voyageai # Initialize Voyage clientvo = voyageai.Client() # Sample textstexts = [ "hello, world", "welcome to voyage ai!"] # Generate embeddingsresult = vo.embed( texts, model="voyage-4-large") print(f"Generated {len(result.embeddings)} embeddings")print(f"Each embedding has {len(result.embeddings[0])} dimensions")print(f"First embedding (truncated): {result.embeddings[0][:5]}...")
3

Ejecuta el siguiente comando en tu terminal para generar los embeddings.

python quickstart.py
Generated 2 embeddingsEach embedding has 1024 dimensionsFirst embedding (truncated): [0.05843968689441681, -0.035438042134046555, -0.059422507882118225, -0.018386829644441605, -0.04523468762636185]...

Ahora que sabes cómo generar representaciones vectoriales, crea una aplicación básica de RAG para aprender a utilizar los modelos de Voyage AI en la implementación de búsqueda y recuperación de IA. RAG permite a los LLM generar respuestas conscientes del contexto recuperando la información relevante de tus datos antes de generar respuestas.

Nota

Las aplicaciones RAG requieren acceso a un LLM. Este tutorial proporciona ejemplos con Anthropic u OpenAI, pero puedes usar el proveedor de LLM que prefieras.

Proveedor LLM

Ahora que has creado tu primera aplicación con Voyage AI, amplía las siguientes secciones para aprender más sobre los conceptos cubiertos en esta guía rápida:

Para continuar aprendiendo, consulta los siguientes recursos: