Docs Menu
Docs Home
/
Atlas
/
AI 統合
/
エージェントフレームワーク

MongoDBと [CbrewAI] との統合

MongoDBを brewAI と統合すると、専用のロール、ツール、タスクを使用して独立したAIエージェントとマルチエージェント アプリケーションを構築できます。具体的には、 MongoDB ベクトル検索 Tools を使用して、チーム内のAIエージェントがデータから関連情報を取得し、タスクを完了できるようにします。

はじめる

[] と[MongoDB]を使用してチュートリアルを完了するには、CreatorAI とMongoDBを使用してエージェント RAG アプリケーションを構築する を参照してください。

インストール

CRUDAI 用のMongoDBベクトル検索ツールをインストールするには、 Pythonパッケージマネージャーに応じて次のいずれかのコマンドを実行します。

pip install 'crewai-tools[mongodb]'
uv add crewai-tools --extra mongodb

注意

Pythonバージョンの互換性は、CbrewAI の公式ドキュメントとは異なる場合があります。書き込み時に、crewai-toolsパッケージはembedchain に依存しています。これには、3.9 から 3.13.2 までのPythonバージョンが必要です。（この値を含む）。

使用法

MongoDB ベクトル検索ツールを使用するには、それを初期化し、それをエージェントに渡します。

ツールを初期化するには、以下を指定する必要があります。

from crewai_tools import MongoDBVectorSearchTool
tool = MongoDBVectorSearchTool(
  connection_string="<connection-string>",
  database_name="<database-name>",
  collection_name="<collection-name>",
  # Other optional parameters...
)
# To test the tool
print(tool.run(query="<test-query>"))
# To use the tool in an agent
rag_agent = Agent(
    name="rag_agent",
    role="You are a helpful assistant that can answer questions with the help of the MongoDBVectorSearchTool.",
    goal="...",
    backstory="...",
    tools=[tool],
)

オプションで、ツールのコンストラクターに MongoDBVectorSearchConfig のインスタンスを指定することで、ツールのベクトル検索クエリーをカスタマイズできます。

ベクトル検索クエリの詳細については、「 ベクトル検索クエリの実行 」を参照してください。

from crewai_tools import MongoDBVectorSearchConfig, MongoDBVectorSearchTool
# Custom query configuration
query_config = MongoDBVectorSearchConfig(
  limit = 10,
  oversampling_factor = 2,
  )
tool = MongoDBVectorSearchTool(
    database_name="example_database",
    collection_name="example_collection",
    connection_string="<connection_string>",
    query_config=query_config,
    # Other optional parameters...
)
# To test the tool
print(tool.run(query="<test-query>"))
# To use the tool in an agent
rag_agent = Agent(
    name="rag_agent",
    role="You are a helpful assistant that can answer questions with the help of the MongoDBVectorSearchTool.",
    goal="...",
    backstory="...",
    tools=[tool],
)

Tip

また、CrawAI MongoDBベクトル検索ツールのドキュメントも参照してください

メソッド

MongoDBVectorSearchToolクラスは次のメソッドを提供します。

  • add_texts(): 指定されたMongoDBコレクションにテキスト ドキュメントを追加します。

  • create_vector_search_index():コレクションにベクトル検索インデックスを作成します。

  • run(): データに対してベクトル検索クエリーを実行します。

import os
from crewai_tools import MongoDBVectorSearchTool
tool = MongoDBVectorSearchTool(
  connection_string="<connection-string>",
  database_name="<database-name>",
  collection_name="<collection-name>"
)
# Example of loading text content from a local folder
texts = []
for fname in os.listdir("knowledge"):
    path = os.path.join("knowledge", fname)
    if os.path.isfile(path):
        with open(path, "r", encoding="utf-8") as f:
            texts.append(f.read())
# Method to add documents to the vector store
tool.add_texts(texts)
# Method to create the vector search index
tool.create_vector_search_index(dimensions=<number-of-dimensions>)
# Method to test the tool by running a vector search query
tool.run(query="<search-query>")

戻る

AI エージェントのビルド

次へ

AI エージェントのビルド

項目一覧