MongoDB と LangGraph.js の統合

MongoDB はLgGraph.js と統合できますAIエージェントと高度な RAG アプリケーションを構築します。このページでは、 MongoDB LgGraph.js 統合の概要と、LgGraph ワークフローでエージェント状態の永続性と取得にMongoDBを使用する方法について説明します。

このページに記載されているすべてのコンポーネントを使用するサンプルAIエージェントを作成するには、チュートリアルを参照してください。

注意

Python統合については、 LgGraph を参照してください。

バックグラウンド

LangGraph は、LangChain エコシステム内でAIエージェントと複雑なマルチエージェントワークフローを構築するために設計された専用のフレームワークです。グラフは、エージェントのワークフローを表す LangGraph の主要コンポーネントです。MongoDB LangGraph 統合により、次の機能が有効になります。

MongoDB LingGraph チェックポイント : MongoDBで LingGraph エージェントの状態を永続化し、短期間のメモリ を提供できます。
検索ツール: MongoDB LangChain 統合により、LangGraph ワークフロー用の検索ツールを素早く作成できます。

LgGraph アプリケーションをMongoDBと統合すると、取得機能とエージェントメモリの両方を 1 つのデータベースに統合でき、アーキテクチャが簡素化され、運用の複雑さが軽減されます。

MongoDB LingGraph チェックポイント（短期間メモリ）

MongoDB LingGraph チェックポイントを使用すると、 MongoDBでエージェントの状態を永続化し、短期間メモリを実装できます。この機能により、LingGraph エージェントのループ内、メモリ、時間移動、フォールトトレランスが可能になります。

このコンポーネントのパッケージをインストールするには:

npm install @langchain/langgraph-checkpoint-mongodb

使用法

import { MongoDBSaver } from "@langchain/langgraph-checkpoint-mongodb";
import { MongoClient } from "mongodb";
// Connect to your MongoDB cluster
const client = new MongoClient("<connection-string>");
// Initialize the MongoDB checkpointer
const checkpointer = new MongoDBSaver(client);
// Instantiate the graph with the checkpointer
const app = graph.compile(checkpointer);

注意

検索ツール

LingGraph ワークフローのツールとしてリツールをシームレスに使用して、 MongoDBから関連データを取得できます。

使用法

MongoDB ベクトル検索と LgDB を使用して基本的な検索ツールを作成するには、次の手順に従います。

import { MongoDBAtlasVectorSearch } from "@langchain/mongodb";
import { MongoClient } from "mongodb";
import { VoyageAIEmbeddings } from "@langchain/community/embeddings/voyage";
import { createRetrieverTool } from "langchain/tools/retriever";
// Instantiate the vector store
const client = new MongoClient("<connection-string>");
const collection = client.db("<databaseName>").collection("<collectionName>");
const embeddingModel = new VoyageAIEmbeddings();
const vectorStore = new MongoDBAtlasVectorSearch(embeddingModel, {
  collection: collection,
  indexName: "vector_index", // Name of the index
  textKey: "text",           // Name of the collection field containing the raw content
  embeddingKey: "embedding", // Name of the collection field containing the embedded text
});
// Create a retriever tool
const retriever = vectorStore.asRetriever();
const retrieverTool = createRetrieverTool(
  retriever,
  {
    name: "vector_search_retriever", // Tool name
    description:
      "Retrieve relevant documents from the collection" // Tool description
  },
);

LangGraph にツールをノードとして追加するには、次のように行います。

ツールをノードに変換します。
ノードをグラフに追加します。

import { StateGraph } from "@langchain/langgraph";
import { ToolNode } from "@langchain/langgraph/prebuilt";
// Convert the retriever tool into a node
const retrieverNode = new ToolNode([retrieverTool]);
// Define the graph
const workflow = new StateGraph(SomeGraphState)
  // Add the tool as a node in the graph
  .addNode("vector_search_retriever", retrieverNode);
const graph = workflow.compile();

注意

戻る

AIエージェントの構築

注意

バックグラウンド

MongoDB LingGraph チェックポイント（短期間メモリ）

使用法

注意

検索ツール

使用法

注意

ルール バッジを取得する

ルールバッジを取得する