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.

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 Search와 LangChain을 함께 사용하여 데이터에서 시맨틱 검색 수행하고 RAG 구현 빌드 방법을 설명합니다. 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.

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

MongoDB 벡터 검색을 LangChain과 통합하면 MongoDB를 벡터 데이터베이스로 사용할 수 있으며, MongoDB 벡터 검색을 사용하여 데이터에서 의미상 유사한 문서를 검색하여 RAG를 구현할 수 있습니다. RAG에 대한 자세한 내용은 MongoDB를 사용한 검색 증강 생성(RAG)을 참조하세요.

이 튜토리얼을 완료하려면 다음 조건을 충족해야 합니다.

  • 다음 MongoDB cluster 유형 중 하나입니다.

  • Voyage AI API 키입니다. API 키를 만들려면, Voyage AI 모델 API 키 관리를 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.

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

1

터미널에서 다음 명령을 실행하여 langchain-mongodb라는 새 디렉터리를 만들고 프로젝트를 초기화합니다.

mkdir langchain-mongodbcd langchain-mongodbnpm init -y
2

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

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

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

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

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.

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

1
  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.

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

    // Ensure index does not already exist, then create your MongoDB Vector Search indexconst indexes = await collection.listSearchIndexes("vector_index").toArray();if(indexes.length === 0){ // Define your MongoDB Vector Search Index const index = { name: "vector_index", type: "vectorSearch", definition: { "fields": [ { "type": "vector", "numDimensions": 1024, "path": "embedding", "similarity": "cosine" }, { "type": "filter", "path": "loc.pageNumber" } ] } } // Run the helper method const result = await collection.createSearchIndex(index); console.log(result);} // Wait for index to build and become queryableconsole.log("Waiting for initial sync...");await new Promise(resolve => setTimeout(() => { resolve();}, 3000));
  2. 파일을 저장합니다.

2
node get-started.js

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.

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

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.

  • LLM 의 응답과 컨텍스트로 사용되는 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 LLMconst 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 documentsconst 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

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 }]

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

MongoDB는 다음과 같은 개발자 리소스도 제공합니다.