AI エージェント向け: ドキュメントインデックスは https://www.mongodb.com/ja-jp/docs/llms.txt で利用できます。すべてのページの markdown バージョンは、いずれかの URL パスに .md を追加することで利用できます。

MongoDB Strandsエージェント統合を始めましょう

MongoDBをStrands Agentsと統合することで、エージェントの会話セッションと長期記憶をMongoDB環境に保存できます。このチュートリアルでは strands-mongodb を使用します。 エージェントのセッションを永続化し、データを保存および検索するためのパッケージです。その後、MongoDBに保存されたメモリを使用してペンギンに関する質問に答えるエージェントを実行します。

このチュートリアルでは、次のタスクを実行します。

  1. 環境を設定します。

  2. ペンギンの情報をメモリに保存し、これらの情報を使用するMongoDBベクトル検索クエリを定義します。

  3. セッションとメモリにMongoDBを使用するエージェントを設定します。

  4. ファイルを実行し、出力を検討してください。

ストランドエージェント AWS のオープンソースの Python SDK で、AI エージェントの構築に使用されます。このチュートリアルでは、次のstrands-mongodbクラスを使用してエージェントを MongoDB に接続します。

  • MongoDBStorageエージェントセッション、コンテキスト管理データ、およびトランスクリプトをMongoDBに永続化します。

  • MongoDBMemoryStore: 情報をメモリ ドキュメントとして MongoDB に保存し、意味、キーワード、またはその両方で検索します。

デフォルトでは、MongoDB Vector Searchはメモリの埋め込みを生成するため、埋め込みモデルや埋め込みプロバイダーAPIキーは必要ありません。

このチュートリアルを完了するには、次のリソースが必要です。

  • 次のいずれかのMongoDBクラスター タイプ

    • MongoDB バージョン 6.0.11 を実行している Atlas クラスター、7.0.2以降。IP アドレスが Atlas プロジェクトのアクセスリストに含まれていることを確認します。

    • Python と Docker を使用して作成されたローカル Atlas 配置。atlas-local-lib-py (pip install atlas-local-lib-py) をインストールして、ローカル配置をプログラムで作成および管理します。詳細については、atlas-local-lib-py リポジトリを参照してください。

    • 検索とベクトル検索がインストールされた MongoDB Community クラスター。

  • OpenAI APIキー。APIリクエストに使用できるクレジットを持つ OpenAI アカウントが必要です。OpenAI アカウントの登録の詳細については、OpenAI APIウェブサイト を参照してください。

  • Python v3.10 以降。

  • uv.

このセクションでは、必要な依存関係のインストール、環境変数の設定、プロジェクトファイルの作成を行い、環境を準備します。

1

ターミナルで以下のコマンドを実行して、 strands-mongodb-projectという名前の新しいディレクトリを作成し、仮想環境を起動してください。

mkdir strands-mongodb-projectcd strands-mongodb-projectuv venvsource .venv/bin/activate
2

strands-mongodb-project ディレクトリから、次のコマンドを実行して必要な依存関係をインストールします。

uv pip install 'strands-mongodb[all]' 'strands-agents[openai]' python-dotenv

strands-agents[openai]エクストラをインストールすると、このチュートリアルで使用する OpenAI モデルプロバイダがインストールされます。別のプロバイダを使用する場合は、 「モデルプロバイダ」を 参照してください。 Strands Agentsのドキュメントを参照してください。

3

strands-mongodb-projectディレクトリに.envファイルを作成し、以下のコードを追加してください。

OPENAI_API_KEY="<openai-api-key>"MONGODB_URI="<connection-string>"

<openai-api-key>あなたの OpenAI API キーに置き換えてください。

<connection-string> を Atlas クラスターまたはローカル Atlas 配置の接続文字列に置き換えます。

接続stringには、次の形式を使用する必要があります。

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

重要:接続文字列にデータベースユーザーの認証情報が含まれていることを確認します。接続文字列の検索方法の詳細については、クライアント ライブラリ経由でクラスターに接続する を参照してください。

4

strands-mongodb-projectディレクトリに、 main.pyという名前のファイルを作成します。このファイルに以下のコードを追加して、環境変数を読み込み、必要なモジュールをインポートし、 --queryコマンドライン引数を定義します。

import argparseimport asyncioimport os from dotenv import load_dotenvfrom strands import Agentfrom strands.memory import MemoryManagerfrom strands.models.openai import OpenAIModelfrom strands.session import SnapshotSessionManagerfrom strands_mongodb import MongoDBMemoryStore, MongoDBStoragefrom strands_mongodb.types import MongoDBConfig load_dotenv() parser = argparse.ArgumentParser()parser.add_argument("--query", required=True)args = parser.parse_args()

今後の手順では、このファイルにコードを追加して、MongoDBへの接続を設定し、メモリ上のドキュメントを保存し、これらのドキュメントにアクセスするエージェントを作成します。

このセクションでは、MongoDBに接続し、ペンギンに関する事実をメモリ ストアに保存し、これらの事実を使用する MongoDB ベクトル検索クエリを定義します。

1

main.pyファイルに以下のコードを追加して、 strands_tutorialデータベースにアクセスするMongoDBConfigディクショナリを作成します。

connection: MongoDBConfig = { "connection_string": os.environ["MONGODB_URI"], "database": "strands_tutorial",}

MongoDBに接続するすべてのクラスとこの辞書を共有することで、クラス間で接続プールが共有されるようになります。

2

main.pyファイルに以下のコードを追加して、各メモリをmemoryコレクション内のドキュメントとして保存するMongoDBMemoryStoreインスタンスを作成します。

store = MongoDBMemoryStore( name="penguin_facts", config=connection, scope="field-researcher", writable=True,)

このコードは、以下のパラメータを設定します。

  • nameメモリストアを識別します。ストアは、すべてのメモリドキュメントにstore_nameという名前のフィールドを追加し、そのフィールドの値を"penguin_facts"に設定します。ストアは、この値を持つメモリのみを読み取ります。

  • scopeこれらのメモリ文書を、他のユーザーやエージェントが同じコレクションに保存するメモリから分離します。

  • writable: メモリ ストアとエージェントがメモリを保存できるようにします。デフォルト値はFalseです。

3

プログラムのエントリポイントを定義し、ペンギンに関する情報を格納する3つのメモリ文書を保存するために、以下のコードをmain.pyファイルに追加してください。

async def main() -> None: await store.add( "Emperor penguins can dive deeper than any other bird," " reaching depths of over 500 meters." ) await store.add( "Gentoo penguins are the fastest underwater swimmers among" " penguins, reaching speeds of up to 36 kilometers per hour." ) await store.add( "Adélie penguins live along the Antarctic coastline." )
4

メモリ文書を検索するには、 main()関数に以下のコードを追加してください。このコードは、検索結果として返されたすべてのメモリ文書を、 --query値との関連性に基づいてランク付けして出力します。

found = []for _ in range(60): found = await store.search(args.query) if len(found) >= 3: break await asyncio.sleep(5)else: raise SystemExit("The search indexes are not ready. Try again.") print("Search results:")for entry in found: print(f"- {entry.content}")

MongoDB ベクター検索は、書き込み操作が完了した後、新しいメモリ ドキュメントごとに非同期的に埋め込みを生成します。埋め込みが準備できるまで、ベクター検索結果は不完全な場合があります。上記のコードは、3 つのメモリすべてが返されるまで、最大 5 分間、5 秒ごとに検索を再試行します。

このセクションでは、セッションをMongoDBに保存し、メモリストアを使用して質問に答えるエージェントを設定します。

1

main.pyファイルのmain()関数に以下のコードを追加して、 MongoDBStorageインスタンスを作成します。このインスタンスは、エージェントのセッションをstorageコレクションに保存します。

storage = MongoDBStorage(connection)
2

セッションとメモリにMongoDBを使用するエージェントを作成するには、 main()関数に以下のコードを追加してください。

agent = Agent( model=OpenAIModel( client_args={"api_key": os.environ["OPENAI_API_KEY"]}, model_id="gpt-4o", ), storage=storage, session_manager=SnapshotSessionManager( session_id="penguin-research" ), memory_manager=MemoryManager( stores=[store], add_tool_config=True ), callback_handler=None,)

このコードは以下のパラメータを渡します。

  • modelエージェントの応答を生成するために、OpenAIのgpt-4oモデルを使用します。

  • storageエージェントのサブシステムが永続データを保存するために使用するバックエンドを提供します。

  • session_manager指定されたセッションIDで会話を保存します。 storageパラメータのみではセッションは保存されません。

  • memory_managerエージェントにsearch_memoryツールを提供します。 add_tool_config parameterをTrueに設定すると、 add_memoryツールも新しいメモリを保存できるように設定されます。

  • callback_handlerSDKのストリーミング出力をコンソールから非表示にします。

3

main()関数に以下のコードを追加して、 --queryの値をエージェントに送信し、エージェントの応答を出力してください。このコードでは、エージェントがセッションを MongoDB に保存したことを示すために、 session/で始まるキーも一覧表示されます。

result = await agent.invoke_async(args.query)print("\nAgent:", str(result).strip()) print("\nSession keys:")for key in await storage.list("session/"): print(f"- {key}") await store.close()

次に、 main()関数の後に以下のコードを追加して実行します。

asyncio.run(main())

main.pyファイルを実行するには、 strands-mongodb-projectディレクトリから次のコマンドを実行します。 --queryフラグを使用して、アプリケーションがエージェントに送信する質問を指定します。

uv run main.py --query "Which penguin species can dive the deepest?"

コマンドが正常に実行されると、出力は次のようになります。

Search results:- Emperor penguins can dive deeper than any other bird, reaching depths of over 500 meters.- Adélie penguins live along the Antarctic coastline.- Gentoo penguins are the fastest underwater swimmers among penguins, reaching speeds of up to 36 kilometers per hour. Agent: Emperor penguins can dive deeper than any other bird, reaching depths of over 500 meters. Session keys:- session/penguin-research/scopes/agent/default/snapshots/snapshot_latest.json

エージェントはMongoDBに保存されているドキュメントを使用して質問に回答し、会話をセッションID penguin-researchで保存しました。

MongoDBStorage 、 MongoDBMemoryStore 、およびそれらの完全なパラメータとメソッドのリファレンスについて詳しくは、 「MongoDB と Strands エージェントの統合」を参照してください。

Strands Agentsの詳細については、 Strands Agentsのドキュメントを参照してください。