MongoDB CrewAI 와 통합하여 특수한 역할, 도구 및 작업을 통해 자율 AI 에이전트 및 멀티 에이전트 애플리케이션을 빌드 할 수 있습니다. 구체적으로, CrewAI용 MongoDB 벡터 검색 도구를 활용하여 팀원의 AI 에이전트가 데이터에서 관련 정보를 조회 작업을 완료하도록 활성화 수 있습니다.
시작하기
CrewAI 및 MongoDB 사용하여 튜토리얼을 완료하려면 CrewAI 및 MongoDB 사용하여 Agentic RAG 애플리케이션 빌드하기를 참조하세요.
설치
CrewAI용 MongoDB 벡터 검색 도구를 설치하려면 Python 패키지 관리자에 따라 다음 명령 중 하나를 실행 .
pip install 'crewai-tools[mongodb]'
uv add crewai-tools --extra mongodb
참고
Python 버전 호환성은 CrewAI의 공식 문서와 다를 수 있습니다. 작성 시점에서 crewai-tools 패키지 embedchain에 종속되며, 이를 위해서는 3.9 에서 3.13.2 사이의 Python 버전이 필요합니다. (포함).
사용법
MongoDB 벡터 검색 도구를 사용하려면 초기화한 다음 에이전트 에 전달합니다.
도구를 초기화하려면 다음을 지정해야 합니다.
from crewai_tools import MongoDBVectorSearchTool tool = MongoDBVectorSearchTool( connection_string="<connection-string>", database_name="<database-name>", collection_name="<collection-name>", # Other optional parameters... ) # To test the tool print(tool.run(query="<test-query>")) # To use the tool in an agent rag_agent = Agent( name="rag_agent", role="You are a helpful assistant that can answer questions with the help of the MongoDBVectorSearchTool.", goal="...", backstory="...", tools=[tool], )
선택적으로 도구의 생성자에 MongoDBVectorSearchConfig 인스턴스 를 지정하여 도구에 대한 벡터 검색 쿼리 사용자 지정할 수 있습니다.
벡터 검색 쿼리에 대해 자세히 알아보려면 벡터 검색 쿼리 실행을 참조하세요.
from crewai_tools import MongoDBVectorSearchConfig, MongoDBVectorSearchTool # Custom query configuration query_config = MongoDBVectorSearchConfig( limit = 10, oversampling_factor = 2, ) tool = MongoDBVectorSearchTool( database_name="example_database", collection_name="example_collection", connection_string="<connection_string>", query_config=query_config, # Other optional parameters... ) # To test the tool print(tool.run(query="<test-query>")) # To use the tool in an agent rag_agent = Agent( name="rag_agent", role="You are a helpful assistant that can answer questions with the help of the MongoDBVectorSearchTool.", goal="...", backstory="...", tools=[tool], )
Parameter | 필요성 | 설명 | |
|---|---|---|---|
| 필수 사항 | MongoDB 인스턴스 의 연결 문자열 . 연결 문자열 찾는 방법에 대해 자세히 학습 드라이버를 통해 클러스터에 연결하기를 참조하세요. 참고로컬 배포서버 의 경우 연결 문자열 다음 형식을 사용해야 합니다. 연결 문자열에 대해 자세히 학습 연결 문자열을 참조하세요. | |
| 필수 사항 | MongoDB database 의 이름입니다. | |
| 필수 사항 | MongoDB 컬렉션 의 이름입니다. | |
| 옵션 | 벡터 검색 쿼리 사용자 지정하기 위한 | |
| 옵션 | 벡터 임베딩을 생성하는 데 사용되는 OpenAI 임베딩 모델입니다. 기본값은 | |
| 옵션 | Atlas Vector Search 인덱스 의 이름입니다. 기본값은 | |
| 옵션 | 텍스트 콘텐츠가 포함된 문서 필드 . 기본값은 | |
| 옵션 | 벡터 임베딩이 저장되는 문서 필드 . 기본값은 | |
| 옵션 | 벡터 임베딩을 위한 차원 수입니다. 기본값은 |
Parameter | 필요성 | 설명 |
|---|---|---|
| 옵션 | 반환할 문서의 최대 개수. 기본값은 |
| 옵션 | 벡터 검색 전에 문서를 필터하다 하는 MongoDB |
| 옵션 | 벡터 검색 후 적용 할 MongoDB 집계 단계 목록입니다. |
| 옵션 | 검색 중에 고려되는 후보 수( |
| 부울 | 참이면 각 결과의 벡터 임베딩이 출력에 포함됩니다. 기본값은 |
팁
CrewAI MongoDB 벡터 검색 도구 Docs도 참조하세요.
방법
MongoDBVectorSearchTool 클래스는 다음 메서드를 제공합니다.
add_texts(): 지정된 MongoDB 컬렉션 에 텍스트 문서를 추가합니다.create_vector_search_index(): 컬렉션 에 벡터 검색 인덱스 만듭니다.run(): 데이터에 대해 벡터 검색 쿼리 실행합니다.
import os from crewai_tools import MongoDBVectorSearchTool tool = MongoDBVectorSearchTool( connection_string="<connection-string>", database_name="<database-name>", collection_name="<collection-name>" ) # Example of loading text content from a local folder texts = [] for fname in os.listdir("knowledge"): path = os.path.join("knowledge", fname) if os.path.isfile(path): with open(path, "r", encoding="utf-8") as f: texts.append(f.read()) # Method to add documents to the vector store tool.add_texts(texts) # Method to create the vector search index tool.create_vector_search_index(dimensions=<number-of-dimensions>) # Method to test the tool by running a vector search query tool.run(query="<search-query>")
Parameter | 필요성 | 설명 |
|---|---|---|
| 필수 사항 | 임베딩 벡터의 차원 수입니다. |
| 옵션 | 유사성 메트릭입니다. |
| 옵션 | 인덱스 준비될 때까지 기다리는 시간(초)입니다. 기본값은 |
벡터 검색 인덱스에 대해 자세히 학습하려면 벡터 검색을 위해 필드를 인덱싱하는 방법을 참조하세요.