MongoDBと Mastruct の統合

MongoDB をMastraと統合して、 AIエージェントを構築できます。Mastra は、ワークフロー、RAG、evals などの AI アプリケーションを構築するためのプリミティブを提供するオープンソースの TypeScript エージェントフレームワークです。

さらに学ぶには、Mastra のドキュメントまたは Mastra Github リポジトリを参照してください。

Overview

MongoDBとMastraを使用してAIエージェントを構築できます。MongoDB ベクトル検索と Mastra のエージェントフレームワークを組み合わせることで、エージェントに次の機能を実装できます。

MongoDB をベクトルデータベースとして使用するベクトル埋め込みの保存と検索する
MongoDBクエリ構文を使用してベクトル検索結果をフィルターする
エージェントのツールとして RAG を実装する
エージェントのメモリをMongoDBに保存する

インストールとセットアップ

Mastra と MongoDB を一緒に使用するには、@mastra/mongodbパッケージをインストールします。

npm install @mastra/mongodb

Mastruct の使用を開始し、プロジェクトを作成する方法については、Mastruct のインストールを参照してください。

ベクトルストア

MongoDB is a supported database in Mastra. The MongoDBVector class allows you to store and retrieve vector embeddings from MongoDB. You can use this component to implement RAG by storing embeddings from your data and retrieving them using MongoDB Vector Search.

This component requires that you create an MongoDB Vector Search Index.

使用法

MastraでMongoDBベクトル保存を使用するには、MongoDBVectorクラスをインポートし、クラスのオブジェクトを作成し、MongoDB接続の詳細を指定します。（例: ）。

import { MongoDBVector } from '@mastra/mongodb'
// Instantiate MongoDB as a vector store
const mongoVector = new MongoDBVector({
  uri: process.env.MONGODB_URI,        // MongoDB connection string
  dbName: process.env.MONGODB_DATABASE // Database name
})

メソッド

このセクションでは、MongoDBをベクトル保存として操作するための最も関連するメソッドについて説明します。メソッドの完全なリストについては、Mastra のドキュメントを参照してください。

埋め込みを検索する前に、コレクションにベクトル検索インデックスを作成する必要があります。dimension パラメーターは、埋め込みモデルに必要な次元数と一致する必要があります。

// Create a vector search index
await mongoVector.createIndex({
  indexName: "vector_index",       // Name of the index
  dimension: 1536,                 // Must match your embedding model's dimensions
});

インデックスを作成したら、関連するメタデータを持つベクトル埋め込みを保存できます。完全な例については、Mastruct のアップサート埋め込みの例を参照してください。

import { openai } from "@ai-sdk/openai";
import { MongoDBVector } from "@mastra/mongodb";
import { MDocument } from "@mastra/rag";
import { embedMany } from "ai";
// Create a document from text
const doc = MDocument.fromText("Your text content...");
// Split document into chunks
const chunks = await doc.chunk();
// Generate embeddings for each chunk
const { embeddings } = await embedMany({
  values: chunks.map(chunk => chunk.text), // Text content to embed
  model: openai.embedding("text-embedding-3-small"), // Embedding model
});
// Instantiate MongoDB as a vector store
const mongoVector = new MongoDBVector({
  uri: process.env.MONGODB_URI,   // MongoDB connection string
  dbName: process.env.MONGODB_DB_NAME, // Database name
});
// Store vector embeddings with metadata
await mongoVector.upsert({
  indexName: "vector_index",                         // Name of the vector search index
  vectors: embeddings,                               // Array of vector embeddings
  metadata: chunks?.map(chunk => ({ text: chunk.text })), // Associated metadata for each embedding
});

セマンティックに類似したドキュメントを検索するには、まずクエリを埋め込みに変換し、次にベクトルストアをクエリします。詳細については、Mastruct での取得を参照してください。

import { openai } from "@ai-sdk/openai";
import { embed } from "ai";
import { MongoDBVector } from "@mastra/mongodb";
// Convert query to embedding
const { embedding } = await embed({
  value: "What are the main points in the article?",  // Query text
  model: openai.embedding("text-embedding-3-small"), // Embedding model
});
// Instantiate MongoDB as a vector store
const mongoVector = new MongoDBVector({
  uri: process.env.MONGODB_URI,        // MongoDB connection string
  dbName: process.env.MONGODB_DATABASE // Database name
});
// Query the vector store for similar documents
const results = await mongoVector.query({
  indexName: "vector_index", // Name of the vector search index
  queryVector: embedding,    // Query embedding vector
  topK: 10,                  // Number of results to return
});
// Display results
console.log(results);

メタデータフィルター

MongoDBベクトル保存は、ベクトル検索クエリ結果のメタデータのフィルターをサポートします。

制限なしで Mastruct クエリ構文を使用してください。
標準の比較、配列、論理、要素演算子を使用する
メタデータでのメトリクスフィールドと配列の使用
メタデータと元のドキュメントの内容でフィルター

次の例では、フィルター構文を示しています。

// Query with metadata filters
const results = await mongoVector.query({
  indexName: "vector_index",           // Name of the vector search index
  queryVector: queryVector,            // Query embedding vector
  topK: 10,                            // Number of results to return
  filter: {
    category: "electronics",           // Simple equality filter
    price: { $gt: 100 },               // Numeric comparison
    tags: { $in: ["sale", "new"] },    // Array membership
  },
});

Tip

For optimal performance, create indexes on metadata fields that you frequently filter on. To learn more, see MongoDB Vector Search Indexes.

詳細については、メタデータフィルターを参照してください。

RAG とAIエージェント

Mastruct AIエージェント内のベクトルストアとしてMongoDBを使用してエージェント RAG を実装できます。これにより、エージェントはMongoDB ベクトル Search をタスクを完了するためのツールとして使用できるようになります。

Mastruct は、エージェントが取得にMongoDBを使用する方法を最適化するために、エージェントの指示に含めることができる MONGODB_PROMPT 定数も提供します。詳細については、ベクトルストアのプロンプトを参照してください。

使用法

次の例は、 MongoDB をベクトルストアとして使用して、RAG 機能を持つAIエージェントを作成する方法を示しています。

import { Agent } from '@mastra/core/agent';
import { openai } from '@ai-sdk/openai';
import { MONGODB_PROMPT } from "@mastra/mongodb";
import { createVectorQueryTool } from "@mastra/rag";
// Create a vector query tool for the agent
const vectorQueryTool = createVectorQueryTool({
  vectorStoreName: "mongoVector",                    // Name of MongoDB vector store
  indexName: "vector_index",                         // Name of Vector Search index
  model: openai.embedding("text-embedding-3-small"), // Embedding model
});
// Define an AI agent with RAG capabilities
export const ragAgent = new Agent({
  name: 'RAG Agent',                 // Agent name
  model: openai('gpt-4o-mini'),      // LLM model
  instructions: `
  Process queries using the provided context. Structure responses to be concise and relevant.
  ${MONGODB_PROMPT}
  `,
  tools: { vectorQueryTool },        // Tools available to the agent
});

AIエージェント付きメモリ

MongoDB をストレージバックエンドとして持つ Mastruct のメモリシステムで使用できます。これにより、エージェントは過去のインタラクションを記憶し、その情報を使用して将来の決定に通知できます。

完全なチュートリアルについては、MongoDBによるメモリ。を参照してください。

使用法

次の例は、 AIエージェントでメモリを使用する方法を示しています。この例では、memoryOptions を使用してリクエストの呼び出しをスコープ設定します。直近性ベースの呼び出しを制限するには、lastMessages: 5 に設定します。semanticRecall を使用して、各一致の周囲のコンテキストに対応するmessageRange: 2 メッセージを含む、最も関連性の高い topK: 3 メッセージを取得します。

import "dotenv/config";
 
import { mastra } from "./mastra";
 
const threadId = "123";
const resourceId = "user-456";
 
const agent = mastra.getAgent("mongodbAgent");
 
const message = await agent.stream("My name is Mastra", {
  memory: {
    thread: threadId,
    resource: resourceId
  }
});
 
await message.textStream.pipeTo(new WritableStream());
 
const stream = await agent.stream("What's my name?", {
  memory: {
    thread: threadId,
    resource: resourceId
  },
  memoryOptions: {
    lastMessages: 5,
    semanticRecall: {
      topK: 3,
      messageRange: 2
    }
  }
});
 
for await (const chunk of stream.textStream) {
  process.stdout.write(chunk);
}

追加リソース

MongoDBで Mastruct を使用する方法の詳細については、以下を参照してください。

戻る

期間メモリの追加

Agno