MongoDB を使用して AI エージェントをビルドする

アーキテクチャ

AI エージェントには通常、以下のコンポーネントの組み合わせが含まれます。

エージェントツール

標準のMongoDBクエリに加えて、 MongoDB はエージェントのツールとして実装できるいくつかの検索機能を提供します。

• MongoDB ベクトル検索:ベクトル検索を実行して、セマンティック意味と類似性に基づいて関連するコンテキストを検索します。詳細については、MongoDB ベクトル検索 の概要を参照してください。

• MongoDB Search: Perform full-text search to retrieve relevant context based on keyword matching and relevance scoring. To learn more, see MongoDB Search Overview.

• Hybrid Search: Combine MongoDB Vector Search with MongoDB Search to leverage the strengths of both approaches. To learn more, see How to Perform Hybrid Search.

You can define tools manually or by using frameworks such as LangChain and LangGraph, which provide built-in abstractions for tool creation and calling.

{
  "tool": "vector_search_tool",
  "args": { "query": "What is MongoDB?" },
  "id": "call_H5TttXb423JfoulF1qVfPN3m"
}

エージェンティック RAG

MongoDB をベクトルデータベースとして使用することで、 エージェント Atlas のサンプル データ セット を作成するための検索ツールを作成できます。これは、 AIエージェントを通じて検索および生成プロセスを動的に統合することができる RG の高度な形式です。

このアプローチにより、より複雑なワークフローとユーザー インタラクションが可能になります。例、セマンティック検索にはMongoDB ベクトル検索を使用し、全文検索にはMongoDB Search を使用するなど、タスクに基づいて最適な取得ツールを決定するようにAIエージェントを構成できます。また、エージェントの取得機能をさらにカスタマイズするために、さまざまなコレクションに対してさまざまな取得ツールを定義することもできます。

エージェント メモリー

MongoDB はドキュメントデータベースでもあるため、 インタラクションをMongoDBコレクションに保存することでエージェントのメモリを実装できます。その後、エージェントは必要に応じてこのコレクションをクエリまたはアップデートできます。MongoDBでエージェントメモリを実装するにはいくつかの方法があります。

• 短期メモリの場合、インタラクションを保存する際に特定のセッションを識別するためのsession_idフィールドを含め、その後、同じ ID を持つインタラクションをクエリしてエージェントにコンテキストとして渡すことができます。

• 長期メモリの場合、LLM を使用して複数のインタラクションを処理し、ユーザーの好みや重要なコンテキストなどの関連情報を抽出し、その情報をエージェントが必要に応じてクエリできる別のコレクションに保存することができます。

• To build robust memory management systems that enable more efficient and complex retrieval of conversation histories, leverage MongoDB Search or MongoDB Vector Search to store, index, and query important interactions across sessions.

{
  "session_id": "123",
  "user_id": "jane_doe",
  "interactions":
  [
    {
      "role": "user",
      "content": "What is MongoDB?",
      "timestamp": "2025-01-01T12:00:00Z"
    },
    {
      "role": "assistant",
      "content": "MongoDB is the world's leading modern database.",
      "timestamp": "2025-01-01T12:00:05Z"
    }
  ]
}

{
  "user_id": "jane_doe",
  "last_updated": "2025-05-22T09:15:00Z",
  "preferences": {
    "conversation_tone": "casual",
    "custom_instructions": [
      "I prefer concise answers."
    ],
  },
  "facts": [
    {
      "interests": ["AI", "MongoDB"],
    }
  ]
}

The following frameworks also provide direct abstractions for agent memory with MongoDB:

前提条件

Atlas の サンプル データ セット からの映画データを含むコレクションを使用します。

• 次のいずれかのMongoDBクラスター タイプ

  • MongoDBバージョン.6.0 117、..0 以降を実行中Atlas2 クラスター。 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。

  • A MongoDB Community or Enterprise cluster with Search and Vector Search installed.

• Voyage AI API キー。

• OpenAI API キー。

手順

この AI エージェントを使用して、カスタムデータソースに関する質問に回答し、計算を実行できます。また、前のやり取りを記憶して、応答に反映させることもできます。次のコンポーネントを使用します。

• 認識：テキスト入力。

• 計画：タスクを推論するための LLM とさまざまなプロンプト。

• ツール：ベクトル検索ツールと計算ツール。

• メモリ：インタラクションを MongoDB コレクションに保存。