AI 에이전트의 경우: 문서 인덱스는 https://www.mongodb.com/ko-kr/docs/llms.txt에서 사용할 수 있으며, 모든 페이지의 마크다운 버전은 어떤 URL 경로에 .md를 추가하여 사용할 수 있습니다.

MongoDB Agno 통합 시작하기

MongoDB를 Agno와 통합하여 AI 에이전트용 검색 가능한 지식 기반과 지속적인 대화 기록을 구성할 수 있습니다. 이 튜토리얼에서는 Agno 에이전트가 지식 검색 및 세션 저장을 위해 MongoDB를 사용하도록 구성하는 방법을 설명하고, 그러한 구성을 사용하여 요리 도우미를 빌드합니다. 특히 다음 작업을 수행합니다.

  1. 환경을 설정합니다.

  2. MongoDB를 Agno 지식 기반으로 구성합니다.

  3. 문서에서 질문에 답변하고 대화의 이전 차례를 기억하는 어시스턴트를 빌드하세요.

  4. 파일을 실행하고 출력을 검토하세요.

Agno는 멀티모달 AI 에이전트를 빌드하기 위한 오픈 소스 Python 프레임워크 입니다. Agno 에이전트 선택적 지식 베이스 및 선택적 데이터베이스 포함한 모듈식 구성 요소로 구성되며, 이 구성 요소는 독립적으로 구성하고 동일한 Agent 객체 에 전달합니다.

MongoDB는 이러한 구성 요소 중 두 가지를 제공하며, 다음 클래스를 가져와 사용할 수 있습니다.

  1. MongoVectorDb 클래스: MongoDB Vector Search를 사용하여 Agno의 벡터 데이터베이스 인터페이스를 구현하여 에이전트가 MongoDB 컬렉션에서 관련 문서를 조회할 수 있도록 합니다.

  2. MongoDb 클래스: Agno의 데이터베이스 인터페이스를 구현하여 에이전트 세션, 메모리 및 지표를 MongoDB 컬렉션의 문서로 유지합니다.

팁

Agno는 두 MongoDB 클래스 모두 MongoDb로 명명하므로, 충돌을 방지하기 위해 벡터 데이터베이스 클래스를 MongoVectorDb로 내보냅니다. 자세히 알아보려면 MongoDB와 Agno 프레임워크 통합을 참조하세요.

이 튜토리얼은 두 구성 요소를 모두 사용하고 해당 데이터를 동일한 MongoDB 배포서버에 저장합니다.

이 튜토리얼을 완료하려면 다음 리소스가 있어야 합니다:

  • 다음 MongoDB cluster 유형 중 하나입니다.

  • OpenAI API 키입니다. API 요청에 사용할 수 있는 크레딧이 있는 OpenAI 계정이 있어야 합니다. OpenAI 계정 등록에 대해 자세히 학습하려면 OpenAI API 웹사이트를 참조하세요.

  • Python v3.9 이상.

1

터미널에서 다음 명령을 실행하여 agno-mongodb-project 라는 새 디렉토리 만들고 필요한 종속성을 설치합니다.

mkdir agno-mongodb-projectcd agno-mongodb-projectpip install agno pymongo openai python-dotenv pypdf
2

agno-mongodb-project 디렉토리에서 .env 파일을 만들고 다음 코드를 추가합니다.

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

<connection-string>을 Atlas 클러스터 또는 로컬 Atlas 배포서버의 연결 문자열로 교체합니다.

연결 문자열은 다음 형식을 사용해야 합니다.

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

중요한: 연결 문자열 에 데이터베이스 사용자의 자격 증명 포함되어 있는지 확인하세요. 연결 문자열 찾는 방법에 대해 자세히 학습하려면 클라이언트 라이브러리를 통해 클러스터에 연결하기를 참조하세요.

3

agno-mongodb-project 디렉토리에서 main.py이라는 파일을 만듭니다. 환경 변수를 로드하기 위해 다음 코드를 이 파일에 추가합니다:

import osfrom dotenv import load_dotenvfrom agno.agent import Agentfrom agno.db.mongo import MongoDbfrom agno.knowledge.knowledge import Knowledgefrom agno.models.openai import OpenAIChatfrom agno.vectordb.mongodb import MongoVectorDb load_dotenv()

향후 단계에서 이 파일에 코드를 추가하여 지식 기반과 어시스턴트를 빌드합니다.

이 섹션에서는 MongoDB를 Agno 지식 기반의 벡터 저장소로 구성하고, 데이터를 저장하고, 시맨틱 검색 쿼리를 실행하는 방법을 알아봅니다.

1

지식 기반을 위한 MongoDB 기반 벡터 저장소를 구성하려면 다음 코드를 추가하세요.

vector_db = MongoVectorDb( collection_name="agent_knowledge", db_url=os.environ["MONGODB_URI"], database="agno",) knowledge = Knowledge(vector_db=vector_db)

위의 코드는 MongoVectorDb 인스턴스를 생성하고 이를 Knowledge 객체의 vector_db 매개변수에 전달합니다. 이번이 agent_knowledge 컬렉션을 처음 사용하는 것이므로 Agno는 vector_index_1라는 이름의 MongoDB 벡터 검색 인덱스와 함께 이를 생성합니다.

인덱스 빌드 데 약 1분 정도 소요됩니다. 빌드되는 동안 인덱스는 초기 동기화 상태입니다. 빌드가 완료되면 컬렉션 의 데이터 쿼리를 시작할 수 있습니다.

2

main.py 파일에 다음 코드를 추가하여 태국 요리 레시피가 포함된 PDF 파일을 지식 기반에 로드합니다.

knowledge.insert( name="Recipes", url="https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf",)

Agno는 파일을 다운로드하고, 이를 청크로 분할하고, 기본값 OpenAI 임베더를 사용하여 각 청크에 대한 임베딩을 생성한 다음, 결과를 컬렉션에 쓰기 (write).

팁

저장된 문서를 검사하려면 Atlas UI에서 agno.agent_knowledge 컬렉션을 탐색하세요. 각 문서에는 레시피 텍스트의 청크가 포함된 content 필드와 생성된 벡터가 포함된 embedding 필드가 있습니다. 자세한 내용은 컬렉션 보기를 참조하세요.

3

에이전트에 연결하기 전에 지식 기반의 벡터 데이터베이스를 직접 쿼리하려면 main.py 파일에 다음 코드를 추가하세요. 이 예시에서는 그린 커리에 대한 질문과 가장 관련성이 높은 세 개의 청크를 검색합니다.

results = vector_db.search(query="How do I make a green curry?", limit=3) for doc in results: print(f"[{doc.name}] {doc.content[:80]}")

결과에는 쿼리와 가장 의미적으로 관련이 있는 레시피 청크가 포함되며, 유사도 점수에 따라 순위가 매겨집니다.

이 섹션에서는 지식 기반과 MongoDB 데이터베이스를 결합하여 완전한 어시스턴트를 빌드합니다. 에이전트는 지식 기반에서 관련 문서를 조회하여 질문에 답변하고, 대화 기록을 MongoDB에 유지하여 이전 대화 내용을 참조할 수 있도록 합니다.

1

main.py 파일에 다음 코드를 추가하여 세션 저장소에 대한 MongoDb 인스턴스를 구성한 다음, 이 세션 저장소와 이전 섹션에서 구성한 지식 기반을 사용하는 에이전트를 만듭니다.

db = MongoDb( db_url=os.environ["MONGODB_URI"], db_name="agno",) agent = Agent( model=OpenAIChat(id="gpt-4o"), knowledge=knowledge, db=db, search_knowledge=True, add_history_to_context=True, num_history_runs=5, instructions=[ "You are a helpful cooking assistant.", "Answer questions using only the recipes in your knowledge base.", "If the knowledge base does not contain a relevant answer, say so clearly.", ],)
2

에이전트에 두 개의 메시지를 보내려면 main.py 파일에 다음 코드를 추가합니다.

SESSION_ID = "cooking-session-001" # First turnagent.print_response( "My favorite Thai dish is massaman curry.", session_id=SESSION_ID,) # Second turnagent.print_response( "How do I make my favorite dish?", session_id=SESSION_ID,)

에이전트는 매 턴마다 지식 기반에서 가장 관련성이 높은 레시피 청크를 조회합니다. 두 호출 모두 동일한 session_id 값을 사용하므로 Agno는 이전 응답에서 데이터를 조회합니다. Agno는 agno_sessions 컬렉션에서 세션 메타데이터를 조회하고 agno_runs 컬렉션에서 메시지 콘텐츠를 조회합니다. session_id을 생략하거나 두 번째 호출에서 다른 값을 전달하면 Agno는 새 세션을 시작하고 에이전트는 첫 번째 턴에 대한 기록을 갖지 않습니다.

main.py 파일을 실행하려면 agno-mongodb-project 디렉토리에서 다음 명령을 실행하세요:

python main.py

명령이 성공적으로 실행되면 출력은 다음과 유사합니다.

INFO Connected to MongoDB successfully.INFO Creating collection 'agent_knowledge'.INFO Creating search index 'vector_index_1'.INFO Search index 'vector_index_1' is ready.INFO Search index 'vector_index_1' created successfully.INFO Adding content from URL https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdfINFO Upserting 14 documents # Output from the vector_db.search() call[Recipes] INGREDIENTS (One serving) 150 grams chicken, cut into bite-size pieces 50 grams[Recipes] Thai SELECT Exotic, Healthy, Delicious Dining-Thai Style Thai food has rapidly g[Recipes] Directions: 1. Roughly pound the garlic with bird's eye chilies in a mortar. Add # Output from the agent.print_response() calls┏━ Message ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓┃ My favorite Thai dish is massaman curry. ┃┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛┏━ Response (gpt-4o) ────────────────────────────────────────────┓┃ Great choice — I found a recipe in the knowledge base for ┃┃ Massaman Gai (Massaman Curry with Chicken and Potatoes). ┃┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛ ┏━ Message ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓┃ How do I make my favorite dish? ┃┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛┏━ Response (gpt-4o) ────────────────────────────────────────────┓┃ Here's how to make Massaman Gai (Massaman Curry with Chicken ┃┃ and Potatoes) from the knowledge base: ┃┃ **Ingredients** ┃┃ - 300 grams chicken rump ┃┃ - 80 grams Massaman curry paste ┃┃ - 100 grams coconut cream ┃┃ - 300 grams coconut milk ┃┃ - 250 grams chicken stock ┃┃ - 50 grams roasted peanuts ┃┃ - 200 grams potatoes, chopped into large chunks ┃┃ - 100 grams onion, chopped into large chunks ┃┃ ... ┃┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛

전체 매개변수 및 메서드 참조를 포함하여 MongoVectorDb 및 MongoDb 클래스에 대해 자세히 알아보려면 MongoDB와 Agno 프레임워크 통합을 참조하세요.

Agno가 컬렉션에 생성하는 MongoDB 벡터 검색 인덱스에 대해 자세히 학습하려면 MongoDB 벡터 검색 인덱스 생성을 참조하세요.