Make the MongoDB docs better! We value your opinion. Share your feedback for a chance to win $100.
Docs Menu
Docs Home
/
개발
/
AI 통합
Docs Home
/
개발
/
AI 통합
Docs Home
/
개발
/
AI 통합

LangChain JS/TS 통합 시작하기

참고

이 튜토리얼에서는 LangChain의 JavaScript 라이브러리를 사용합니다. Python 라이브러리를 사용하는 튜토리얼은 LangChain Python참조하세요.

MongoDB Vector Search를 LangChain 과 통합하여 LLM 애플리케이션을 빌드 하고 RAG(검색 강화 생성)를 구현 수 있습니다. 이 튜토리얼에서는 MongoDB Vector Search를 LangChain과 함께 사용하여 데이터에 시맨틱 검색 수행하고 RAG 구현 빌드 방법을 보여 줍니다. 구체적으로 다음 조치를 수행합니다.

  1. 환경을 설정합니다.

  2. 사용자 지정 데이터를 MongoDB 에 저장합니다.

  3. 데이터에 MongoDB Vector Search 인덱스 생성합니다.

  4. 다음 벡터 검색 쿼리를 실행합니다.

    • 시맨틱 검색.

    • 메타데이터 사전 필터링을 통한 시맨틱 검색.

    • 최대 한계 관련성(MMR) Atlas Search.

  5. MongoDB Vector Search를 사용하여 데이터에 대한 질문에 답변 RAG 를 구현합니다.

배경

LangChain은 '체인'을 사용하여 LLM 애플리케이션 생성을 간소화하는 오픈 소스 프레임워크 입니다. 체인은 RAG를 포함한 다양한 AI 사용 사례에 결합할 수 있는 LangChain 전용 구성 요소입니다.

MongoDB **벡터 검색**을 LangChain과 통합하면 MongoDB 벡터 데이터베이스로 사용하고 MongoDB **벡터 검색**을 사용하여 데이터에서 의미적으로 유사한 문서를 검색하여 RAG 를 구현. RAG에 대해 자세히 학습하려면 RAG, MongoDB 사용한 검색-증강 생성(RAG)을 참조하세요.

전제 조건

이 튜토리얼을 완료하려면 다음 조건을 충족해야 합니다.

  • 다음 MongoDB cluster 유형 중 하나입니다.

  • Voyage AI API 키입니다. API 키를 만들려면 모델 API 키를 참조하세요.

    참고

    Atlas(Atlas UI에서 생성된 API 키의 경우) 또는 Voyage AI(Voyage AI에서 직접 생성된 API 키의 경우)에 결제 방법을 구성하지 않은 경우 API 요청이 실패할 수 있습니다.

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

  • Node.js 프로젝트를 실행하기 위한 터미널 및 코드 편집기입니다.

  • npm 및 Node.js 가 설치되어 있어야 합니다.

환경 설정

이 튜토리얼의 환경을 설정합니다. 환경을 설정하다 하려면 다음 단계를 완료하세요.

1

Node.js 프로젝트를 초기화합니다.

터미널에서 다음 명령을 실행하여 langchain-mongodb 라는 새 디렉토리를 만들고 프로젝트를 초기화합니다.

mkdir langchain-mongodb
cd langchain-mongodb
npm init -y
2

종속성을 설치하고 가져옵니다.

다음 명령을 실행합니다:

npm install langchain@latest @langchain/community@latest @langchain/core@latest @langchain/mongodb@latest @langchain/openai@latest @langchain/textsplitters@latest pdf-parse@1 --legacy-peer-deps
3

package.json 파일 업데이트합니다.

package.json 파일에 "type": "module" 를 추가한 다음 저장하여 ES 모듈 을 사용하도록 프로젝트 구성합니다.

{
  "type": "module",
  // other fields...
}
4

get-started.js 이라는 파일 만들고 다음 코드를 붙여넣습니다.

프로젝트에서 get-started.js 파일을 만든 다음, 다음 코드를 복사하여 파일에 붙여넣습니다. 튜토리얼 전체에서 이 파일에 코드를 추가합니다.

이 초기 코드 스니펫은 이 튜토리얼에 필요한 패키지를 가져오고, 환경 변수를 정의하고, MongoDB cluster 에 대한 연결을 설정합니다.

import { MongoClient } from "mongodb";
import { MongoDBAtlasVectorSearch } from "@langchain/mongodb";
import { ChatOpenAI } from "@langchain/openai";
import { VoyageEmbeddings } from "@langchain/community/embeddings/voyage";
import { PDFLoader } from "@langchain/community/document_loaders/fs/pdf";
import { PromptTemplate } from "@langchain/core/prompts";
import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
import { RunnableSequence, RunnablePassthrough } from "@langchain/core/runnables";
import { StringOutputParser } from "@langchain/core/output_parsers";
import * as fs from 'fs';
process.env.VOYAGEAI_API_KEY = "<api-key>"
process.env.OPENAI_API_KEY = "<api-key>";
process.env.MONGODB_URI = "<connection-string>";
const client = new MongoClient(process.env.MONGODB_URI);
const formatDocumentsAsString = (docs) => docs.map(d => d.pageContent).join("\n\n");
5

자리 표시자 값을 바꿉니다.

환경 설정을 완료하려면 get-started.js 의 <api-key> 및 <connection-string> 자리 표시자 값을 각각 MongoDB cluster 의 Voyage AI API 키, OpenAI API 키 및 SRV 연결 문자열 로 바꿉니다. 연결 문자열 다음 형식을 사용해야 합니다.

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

MongoDB 벡터 저장소로 사용

이 섹션에서는 사용자 지정 데이터를 MongoDB 에 로드하는 비동기 함수를 정의하고 MongoDB cluster 벡터 저장 라고도 하는 벡터 데이터베이스 로 인스턴스화합니다. get-started.js 파일 에 다음 코드를 추가합니다.

참고

이 튜토리얼에서는 공개적으로 액세스할 수 있는 MongoDB Atlas 모범 사례 라는 제목의 PDF 문서를 벡터 저장의 데이터 소스로 사용합니다. 이 문서 MongoDB 배포 관리를 위한 다양한 권장 사항과 핵심 개념에 대해 설명합니다.

이 코드는 다음 작업을 수행합니다.

  • 다음 매개변수를 지정하여 MongoDB 컬렉션 구성합니다.

    • langchain_db.test 문서를 저장 MongoDB 컬렉션 으로 지정합니다.

    • vector_index 를 벡터 저장소를 쿼리하는 데 사용할 인덱스로 사용합니다.

    • text 를 원시 텍스트 콘텐츠가 포함된 필드의 이름으로 지정합니다.

    • embedding 를 벡터 임베딩이 포함된 필드의 이름으로 지정합니다.

  • 다음을 수행하여 사용자 지정 데이터를 준비합니다.

    • 지정된 URL에서 원본 데이터를 검색하여 PDF로 저장합니다.

    • 텍스트 분할기 를 사용하여 데이터를 작은 문서로 분할 .

    • 각 문서의 문자 수와 두 개의 연속 문서 간에 겹치는 문자 수를 결정하는 청크 매개변수를 지정합니다.

  • MongoDBAtlasVectorSearch.fromDocuments 메서드를 호출하여 샘플 문서에서 벡터 저장소를 만듭니다. 이 메서드는 다음 매개변수를 지정합니다.

    • 벡터 데이터베이스에 저장할 샘플 문서입니다.

    • 텍스트를 embedding 필드 의 벡터 임베딩으로 변환하는 데 사용되는 모델인Voyage AI의 임베딩 모델입니다.

    • MongoDB cluster 구성.

async function run() {
  try {
    // Configure your MongoDB collection
    const database = client.db("langchain_db");
    const collection = database.collection("test");
    const dbConfig = {  
      collection: collection,
      indexName: "vector_index", // The name of the MongoDB Search index to use.
      textKey: "text", // Field name for the raw text content. Defaults to "text".
      embeddingKey: "embedding", // Field name for the vector embeddings. Defaults to "embedding".
    };
    
    // Ensure that the collection is empty
    const count = await collection.countDocuments();
    if (count > 0) {
      await collection.deleteMany({});
    }
    // Save online PDF as a file
    const rawData = await fetch("https://webassets.mongodb.com/MongoDB_Best_Practices_Guide.pdf");
    const pdfBuffer = await rawData.arrayBuffer();
    const pdfData = Buffer.from(pdfBuffer);
    fs.writeFileSync("atlas_best_practices.pdf", pdfData);
    // Load and split the sample data
    const loader = new PDFLoader(`atlas_best_practices.pdf`);
    const data = await loader.load();
    const textSplitter = new RecursiveCharacterTextSplitter({
      chunkSize: 200,
      chunkOverlap: 20,
    });
    const docs = await textSplitter.splitDocuments(data);
    // Instantiate MongoDB as a vector store
    const embeddingModel = new VoyageEmbeddings({ modelName: "voyage-4" });
    embeddingModel.apiUrl = 'https://ai.mongodb.com/v1/embeddings';
    const vectorStore = await MongoDBAtlasVectorSearch.fromDocuments(docs, embeddingModel, dbConfig);
  } finally {
    // Ensure that the client will close when you finish/error
    await client.close();
  }
}
run().catch(console.dir);

파일 저장한 후 다음 명령을 실행 데이터를 MongoDB 에 로드합니다.

node get-started.js

팁

get-started.js를 실행 후 Atlas 사용하는 경우 Atlas UI의 langchain_db.test 네임스페이스 로 이동하여 벡터 임베딩을 확인할 수 있습니다.

MongoDB Vector Search 인덱스 만들기

벡터 저장 에서 벡터 검색 쿼리를 활성화 하려면 langchain_db.test 컬렉션 에 MongoDB Vector Search 인덱스 만듭니다.

1

MongoDB Vector Search 인덱스 정의합니다.

  1. get-started.js 파일 에 정의한 비동기 함수의 try 성명서 끝에 다음 코드를 추가합니다. 이 코드는 다음 필드를 인덱스하기 위해 vectorSearch 유형의 인덱스를 생성합니다.

    • embedding 필드 벡터 유형으로 지정합니다. embedding 필드 에는 Voyage AI의 voyage-4 임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1024 벡터 차원을 지정하고 cosine을 사용하여 유사성을 측정합니다.

    • loc.pageNumber 필드를 필터 유형으로 지정하여 PDF의 페이지 번호를 기준으로 데이터를 사전 필터링합니다.

    또한 이 코드는 await 함수를 사용하여 검색 인덱스가 사용 전에 데이터와 동기화되었는지 확인합니다.

    1// Ensure index does not already exist, then create your MongoDB Vector Search index
    2const indexes = await collection.listSearchIndexes("vector_index").toArray();
    3if(indexes.length === 0){
    4
    5   // Define your MongoDB Vector Search Index
    6   const index = {
    7      name: "vector_index",
    8      type: "vectorSearch",
    9      definition: {
    10         "fields": [
    11            {
    12               "type": "vector",
    13               "numDimensions": 1024,
    14               "path": "embedding",
    15               "similarity": "cosine"
    16            },
    17            {
    18               "type": "filter",
    19               "path": "loc.pageNumber"
    20            }
    21         ]
    22      }
    23   }
    24
    25   // Run the helper method
    26   const result = await collection.createSearchIndex(index);
    27   console.log(result);
    28}
    29
    30// Wait for index to build and become queryable
    31console.log("Waiting for initial sync...");
    32await new Promise(resolve => setTimeout(() => {
    33   resolve();
    34}, 3000));

  2. 파일을 저장합니다.

2

다음 명령을 실행하여 MongoDB Vector Search 인덱스 생성합니다.

node get-started.js

Vector Search 쿼리 실행

이 섹션에서는 벡터화된 데이터에 대해 실행할 수 있는 다양한 쿼리를 설명합니다. 이제 인덱스를 만들었으므로 비동기 함수에 다음 코드를 추가하여 데이터에 대해 벡터 Atlas Search 쿼리를 실행합니다.

참고

데이터를 쿼리할 때 부정확한 결과가 발생하는 경우 인덱스 동기화에 예상보다 시간이 오래 걸릴 수 있습니다. setTimeout 함수의 숫자를 늘려 초기 동기화에 더 많은 시간을 허용합니다.

1

비동기 함수에 다음 코드를 추가하고 파일을 저장합니다.

다음 코드는 similaritySearch 메서드를 사용하여 string MongoDB Atlas security에 대한 기본 시맨틱 검색을 수행합니다. 이 코드는 pageContent 및 pageNumber 필드만 포함하여 관련성에 따라 순위가 매겨진 문서 목록을 반환합니다.

// Basic semantic search
const basicOutput = await vectorStore.similaritySearch(
  "MongoDB Atlas security"
);
const basicResults = basicOutput.map((results => ({
  pageContent: results.pageContent,
  pageNumber: results.metadata.loc.pageNumber,
})))
console.log("Semantic Search Results:")
console.log(basicResults)
if (basicResults.length === 0) {
  console.log("No results found after waiting for index sync. Check Atlas Search index status and embedding configuration.");
}
2

다음 명령을 실행하여 쿼리를 실행합니다.

node get-started.js
Semantic Search Results:
[
  {
    pageContent: 'read isolation.  \n' +
      'With MongoDB Atlas, you can achieve workload isolation with dedicated analytics nodes. Visualization \n' +
      'tools like Atlas Charts can be configured to read from analytics nodes only.',
    pageNumber: 21
  },
  {
    pageContent: 'well-tuned queries.\n' +
      'Built-in slow query profiling is also available if you’re deploying MongoDB with Atlas.',
    pageNumber: 16
  },
  {
    pageContent: 'Atlas free tier, or download MongoDB for local \n' +
      'development.\n' +
      'Review the MongoDB manuals and tutorials in our \n' +
      'documentation. \n' +
      'More Resources\n' +
      'For more on getting started in MongoDB:',
    pageNumber: 30
  },
  {
    pageContent: 'If you are running MongoDB on your own infrastructure, you can configure replica set tags to achieve \n' +
      'read isolation.',
    pageNumber: 21
  }
]

인덱싱된 필드를 컬렉션의 다른 값과 비교하는 MQL 일치 표현식을 사용하여 데이터를 사전 필터링할 수 있습니다. 필터하다 하려는 메타데이터 필드를 filter 유형으로 인덱스 해야 합니다. 자세한 학습 은 벡터 검색을 위한 필드 인덱싱 방법을 참조하세요.

참고

이 튜토리얼 의 인덱스를 생성 할 때 loc.pageNumber 필드를 필터로 지정했습니다.

1

비동기 함수에 다음 코드를 추가하고 파일을 저장합니다.

다음 코드에서는 similaritySearch 메서드를 사용하여 문자열 MongoDB Atlas security에 대한 시맨틱 검색을 수행합니다. 다음 매개변수를 지정합니다.

  • 3으로 반환할 문서 수

  • $eq 연산자를 사용하여 17 페이지에 나타나는 문서만 일치시키는 loc.pageNumber 필드에 대한 사전 필터입니다.

pageContent 및 pageNumber 필드만 사용하여 관련성에 따라 순위가 매겨진 문서 목록을 반환합니다.

// Semantic search with metadata filter
const filteredOutput = await vectorStore.similaritySearch("MongoDB Atlas Search", 3, {
   preFilter: {
      "loc.pageNumber": {"$eq": 22 },
   }
});
const filteredResults = filteredOutput.map((results => ({
   pageContent: results.pageContent,
   pageNumber: results.metadata.loc.pageNumber,
})))
console.log("Semantic Search with Filtering Results:")
console.log(filteredResults)
2

다음 명령을 실행하여 쿼리를 실행합니다.

node get-started.js
Semantic Search with Filtering Results:
[
  {
    pageContent: 'Atlas Search is built for the MongoDB document data model and provides higher performance and',
    pageNumber: 22
  },
  {
    pageContent: 'Figure 9: Atlas Search queries are expressed through the MongoDB Query API and backed by the leading search engine library, \n' +
      'Apache Lucene.',
    pageNumber: 22
  },
  {
    pageContent: 'consider using Atlas Search. The service is built on fully managed Apache Lucene but exposed to users \n' +
      'through the MongoDB Aggregation Framework.',
    pageNumber: 22
  }
]

다양성에 최적화된 의미적 관련성의 척도인 최대 한계 관련성(MMR)을 기반으로 시맨틱 검색을 수행할 수도 있습니다.

1

비동기 함수에 다음 코드를 추가하고 파일을 저장합니다.

다음 코드는 maxMarginalRelevanceSearch 메서드를 사용하여 문자열 MongoDB Atlas security를 검색합니다. 또한 다음 선택적 매개변수를 정의하는 객체를 지정합니다.

  • k 반환되는 문서 수를 3개로 제한합니다.

  • fetchK MMR 알고리즘에 문서를 전달하기 전에 10개 문서만 가져옵니다.

pageContent 및 pageNumber 필드만 사용하여 관련성에 따라 순위가 매겨진 문서 목록을 반환합니다.

// Max Marginal Relevance search
const mmrOutput = await vectorStore.maxMarginalRelevanceSearch("MongoDB Atlas security", {
   k: 3,
   fetchK: 10,
});
const mmrResults = mmrOutput.map((results => ({
   pageContent: results.pageContent,
   pageNumber: results.metadata.loc.pageNumber,
})))
console.log("Max Marginal Relevance Search Results:")
console.log(mmrResults)
2

다음 명령을 실행하여 쿼리를 실행합니다.

node get-started.js
Max Marginal Relevance Search Results:
[
  {
    pageContent: 'Atlas Search is built for the MongoDB document data model and provides higher performance and',
    pageNumber: 22
  },
  {
    pageContent: '• Zoned Sharding — You can define specific rules governing data placement in a sharded cluster.\n' +
      'Global Clusters in MongoDB Atlas allows you to quickly implement zoned sharding using a visual UI or',
    pageNumber: 27
  },
  {
    pageContent: 'read isolation.  \n' +
      'With MongoDB Atlas, you can achieve workload isolation with dedicated analytics nodes. Visualization \n' +
      'tools like Atlas Charts can be configured to read from analytics nodes only.',
    pageNumber: 21
  }
]

팁

자세한 내용은 API 참조를 참조하세요.

데이터에 대한 질문에 답변

이 섹션에서는 MongoDB Vector Search와 LangChain을 사용하여 두 가지 RAG를 구현하는 방법을 설명합니다. 이제 MongoDB Vector Search를 사용하여 의미적으로 유사한 문서를 조회 했으므로, 다음 코드 예제를 사용하여 LLM이 MongoDB Vector Search에서 반환된 문서에 대한 질문에 답변 하도록 프롬프트를 표시합니다.

1

비동기 함수에 다음 코드를 추가하고 파일을 저장합니다.

이 코드는 다음을 수행합니다.

  • LLM이 이러한 문서를 쿼리의 컨텍스트로 사용하도록 지시하는 LangChain 프롬프트 템플릿 을 정의합니다. LangChain은 이러한 문서를 {context} 입력 변수에 전달하고 쿼리 {question} 변수에 전달합니다.

  • OpenAI의 채팅 모델을 사용하여 프롬프트에 따라 컨텍스트 인식 응답을 생성하는 체인을 구성합니다.

  • Atlas 보안 권장 사항에 대한 샘플 쿼리를 체인에 표시합니다.

  • LLM의 응답과 컨텍스트로 사용된 문서를 반환합니다.

// Implement RAG to answer questions on your data 
const retriever = vectorStore.asRetriever();
const prompt =
  PromptTemplate.fromTemplate(`Answer the question based on the following context:
  {context}
  Question: {question}`);
const model = new ChatOpenAI({ modelName: "gpt-5-mini" }) // Pick your preferred model. Ensure to enable it in your OpenAI settings dashboard.
const chain = RunnableSequence.from([
  {
    context: retriever.pipe(formatDocumentsAsString),
    question: new RunnablePassthrough(),
  },
  prompt,
  model,
  new StringOutputParser(),
]);
// Prompt the LLM
const question = "How can I secure my MongoDB Atlas cluster?";  
const answer = await chain.invoke(question);
console.log("Question: " + question);
console.log("Answer: " + answer);
// Return source documents
const retrievedResults = await retriever.invoke(question)
const documents = retrievedResults.map((documents => ({
  pageContent: documents.pageContent,
  pageNumber: documents.metadata.loc.pageNumber,
})))
console.log("\nSource documents:\n" + JSON.stringify(documents, null, 2))
2

다음 명령을 실행하여 파일을 실행합니다.

파일을 저장한 후 다음 명령을 실행합니다. 생성된 응답은 다를 수 있습니다.

node get-started.js
Question: How can I secure my MongoDB Atlas cluster?
Answer: You can secure your MongoDB Atlas cluster by achieving workload isolation with dedicated analytics nodes, configuring visualization tools like Atlas Charts to read from analytics nodes only, and using built-in slow query profiling if deploying with Atlas. Additionally, you can distribute replica set members across multiple data centers for added security during election and failover.
Source documents:
[
  {
    "pageContent": "read isolation.  \nWith MongoDB Atlas, you can achieve workload isolation with dedicated analytics nodes. Visualization \ntools like Atlas Charts can be configured to read from analytics nodes only.",
    "pageNumber": 21
  },
  {
    "pageContent": "If you are running MongoDB on your own infrastructure, you can configure replica set tags to achieve \nread isolation.",
    "pageNumber": 21
  },
  {
    "pageContent": "well-tuned queries.\nBuilt-in slow query profiling is also available if you’re deploying MongoDB with Atlas.",
    "pageNumber": 16
  },
  {
    "pageContent": "achieved during election and failover. \nIf possible, distribute replica set members across multiple data centers. If you’re using MongoDB Atlas,",
    "pageNumber": 24
  }
]
1

비동기 함수에 다음 코드를 추가하고 파일을 저장합니다.

이 코드는 다음을 수행합니다.

  • 의미론적으로 유사한 문서를 쿼리 리트리버로 MongoDB Vector Search를 인스턴스화합니다. 또한 다음과 같은 선택적 매개변수도 지정합니다.

    • searchType mmr로 지정하며, MongoDB Vector Search가 최대 한계 관련성(MMR)을 기반으로 문서를 검색하도록 지정합니다.

    • filter loc.pageNumber 필드에 사전 필터를 추가하여 17페이지에만 표시되는 문서를 포함합니다.

    • 다음은 MMR 관련 매개변수입니다.

      • fetchK MMR 알고리즘에 문서를 전달하기 전에 20개 문서만 가져옵니다.

      • lambda0~1 사이의 값을 사용하여 결과 간의 다양성 정도를 결정합니다. 여기서 0은 최대 다양성을 나타내고 1은 최소 다양성을 나타냅니다.

  • LLM이 이러한 문서를 쿼리의 컨텍스트로 사용하도록 지시하는 LangChain 프롬프트 템플릿 을 정의합니다. LangChain은 이러한 문서를 {context} 입력 변수에 전달하고 쿼리 {question} 변수에 전달합니다.

  • OpenAI의 채팅 모델을 사용하여 프롬프트에 따라 컨텍스트 인식 응답을 생성하는 체인을 구성합니다.

  • Atlas 보안 권장 사항에 대한 샘플 쿼리를 체인에 표시합니다.

  • LLM의 응답과 컨텍스트로 사용된 문서를 반환합니다.

// Implement RAG to answer questions on your data 
const retriever = await vectorStore.asRetriever({
    searchType: "mmr", // Defaults to "similarity"
    filter: { preFilter: { "loc.pageNumber": { "$eq": 17 } } },
    searchKwargs: {
      fetchK: 20,
      lambda: 0.1,
    },
  });
const prompt =
  PromptTemplate.fromTemplate(`Answer the question based on the following context:
  {context}
  Question: {question}`);
const model = new ChatOpenAI({});
const chain = RunnableSequence.from([
  {
    context: retriever.pipe(formatDocumentsAsString),
    question: new RunnablePassthrough(),
  },
  prompt,
  model,
  new StringOutputParser(),
]);
// Prompt the LLM
const question = "How can I secure my MongoDB Atlas cluster?";  
const answer = await chain.invoke(question);
console.log("Question: " + question);
console.log("Answer: " + answer);
// Return source documents
const retrievedResults = await retriever.invoke(question)
const documents = retrievedResults.map((documents => ({
  pageContent: documents.pageContent,
  pageNumber: documents.metadata.loc.pageNumber,
})))
console.log("\nSource documents:\n" + JSON.stringify(documents, null, 2))
2

다음 명령을 실행하여 파일을 실행합니다.

파일을 저장한 후 다음 명령을 실행합니다. 생성된 응답은 다를 수 있습니다.

node get-started.js
Question: How can I secure my MongoDB Atlas cluster?
Answer: One way to secure your MongoDB Atlas cluster is by implementing proper access controls and ensuring that only authorized users have access to your data. You can also enable encryption at rest and in transit, use network security features such as VPC peering, and regularly update and patch your MongoDB database to protect against security vulnerabilities. Additionally, implementing auditing and monitoring tools can help you detect and respond to any security incidents in a timely manner.
Source documents:
[
  {
    "pageContent": "Optimizing Data  \nAccess Patterns\nNative tools in MongoDB for improving query \nperformance and reducing overhead.",
    "pageNumber": 17
  }
]

다음 단계

MongoDB Vector Search를 LangGraph와 통합하는 방법을 학습 MongoDB 와 LangGraph.js 통합을 참조하세요.

MongoDB는 다음과 같은 개발자 리소스도 제공합니다.

팁

돌아가기

RAG 애플리케이션 평가

다음

LangChainGo

이 페이지의 내용