MongoDB ベクトル検索 をLgChuinGo と統合すると、大規模言語モデル（LVM）アプリケーションを構築し、検索拡張生成 (RAG)（RAG）を実装できます。このチュートリアルでは、LgChuinGo とMongoDB ベクトル検索 の使用を開始し、データのセマンティック検索を実行し、RG実装を構築する方法を説明します。具体的には、次のアクションを実行します。
環境を設定します。
カスタム データをMongoDBに保存します。
データにMongoDB ベクトル検索インデックスを作成します。
次のベクトル検索クエリを実行します。
セマンティック検索。
メタデータの事前フィルタリングによるセマンティック検索。
MongoDB ベクトル検索を使用してデータの質問に答え、RAG を実装します。
バックグラウンド
LangChainGo は、LangChain を Go プログラミング言語で実装したものです。これは、コミュニティ主導によるサードパーティ製の LangChain フレームワークのポートです。
LgChuin は、「チェーン」の使用を通じて LVM アプリケーションの作成を簡素化するオープンソースのフレームワークです。 チェーンは 、RAG を含むさまざまなAIユースケースで組み合わせることができる Lgachein 固有のコンポーネントです。
MongoDB ベクトル検索 をLgachein と統合することで、 MongoDB をベクトルデータベースとして使用し、 MongoDB ベクトル検索 を使用してセマンティックで類似したドキュメントを検索して RG を実装することができます。 RG の詳細については、 「 MongoDBによる検索拡張生成（RAG） 」を参照してください。
LgChuinGo は、 AIアプリケーション用の LM のオーケストレーションを容易にし、Lgachein の機能をGo のエコシステムに導入します。また、開発者は、 MongoDBなど、ベクトル ストアと互換性のあるデータベースに接続できます。
手順
このチュートリアルの完了後、MongoDB ベクトル検索を LangChainGo と統合して RAG アプリケーションをビルドすることに成功しました。次のタスクが完了しました。
アプリケーションをサポートするために必要な環境を開始し、構成しました。
MongoDB にカスタム データを保存し、MongoDB をベクトルストアとしてインスタンス化しました。
データにMongoDB ベクトル検索インデックスを構築し、セマンティック検索機能を有効化します。
ベクトル埋め込みを使用して、意味的に関連するデータを取得しました。
メタデータ フィルターを組み込むことで検索結果を強化しました。
MongoDB ベクトル検索を使用して RAG ワークフローを実装し、データに基づいて質問に意味のある回答を提供しました。
次のステップ
MongoDB ベクトル検索 を使い始める方法の詳細については、「 MongoDB ベクトル検索クイック スタート チュートリアル Go」を参照し、ドロップダウン メニューから を選択します。
LgChuinGo と Hookingface を統合する方法については、 「 MongoDBで使用される検索拡張生成（RAG） 」を参照してください。
APIキーやクレジットを必要とせずに RG を実装する方法については、 「 MongoDB ベクトル検索を使用してローカル RAG 実装を構築する 」を参照してください。
MongoDBは、次の開発者リソースも提供しています。
Tip
LangChainGo、OpenAI、MongoDB の統合について詳しくは、「OpenAI の埋め込みを使って MongoDB Atlas をベクトル ストアとして利用する方法」を参照してください。