MongoDB LangChain과 통합하여 생성형 AI 및 RAG 애플리케이션을 빌드 할 수 있습니다. 이 페이지에서는 LangChain MongoDB Python 통합에 대한 개요와 애플리케이션에서 사용할 수 있는 다양한 구성 요소를 제공합니다.
시작하기설치 및 설정
LangChain과 함께 MongoDB Vector Search를 사용하려면 먼저 langchain-mongodb 패키지 설치해야 합니다.
pip install langchain-mongodb벡터 스토어
MongoDBAtlasVectorSearch 는 MongoDB 의 컬렉션 에서 벡터 임베딩을 저장 하고 조회 할 수 있는 벡터 저장 입니다. 이 구성 요소를 사용하여 데이터의 임베딩을 저장 하고 MongoDB Vector Search를 사용하여 조회 .
이 구성 요소에는 MongoDB 벡터 검색 인덱스가 필요합니다.
사용법
Atlas 두 가지 임베딩 모드를 지원합니다.
수동 임베딩: 지정한 임베딩 모델을 사용하여 클라이언트 측에서 임베딩 벡터를 생성합니다.
자동 임베딩: MongoDB 텍스트를 수동으로 생성할 필요 없이 서버 측에 텍스트를 임베딩합니다.자세한 내용은 자동 임베딩 을(를) 참조하세요. 자세한 내용은 자동 임베딩을(를) 참조하세요.
벡터 저장 인스턴스화하는 가장 빠른 방법은 MongoDB cluster 또는 로컬 배포서버 에 연결 문자열 사용하는 것입니다.
from langchain_mongodb.vectorstores import MongoDBAtlasVectorSearchfrom langchain_voyageai import VoyageAIEmbeddings
# Instantiate the vector store using your MongoDB connection stringvector_store = MongoDBAtlasVectorSearch.from_connection_string( connection_string="<connection-string>", # MongoDB cluster URI namespace="<database-name>.<collection-name>", # Database and collection name embedding=VoyageAIEmbeddings(model="voyage-3-large"), # Embedding model to use index_name="vector_index", # Name of the vector search index # Other optional parameters...)자동 임베딩을 사용하려면 AutoEmbeddings 인스턴스 embedding 매개변수에 전달합니다. 이를 통해 MongoDB 임베딩 벡터를 자동으로 생성하고 관리할 수 있습니다.
자동화된 임베딩:
클라이언트 사이드 임베딩 계산이 필요하지 않습니다.
원시 텍스트가 MongoDB 로 직접 전송됩니다.
임베딩 벡터는 서버 측에서 생성됩니다.
embedding_key필드 문서에 저장되지 않았습니다.
from langchain_mongodb.vectorstores import MongoDBAtlasVectorSearchfrom langchain_mongodb.embeddings import AutoEmbeddingsfrom langchain_core.documents import Document
# Some documents to embeddocs = [ Document(page_content="foo", metadata={"baz": "bar"}), Document(page_content="thud", metadata={"bar": "baz"}),]
# Instantiate the vector store with Automated Embeddingvector_store = MongoDBAtlasVectorSearch.from_connection_string( connection_string="<connection-string>", # MongoDB cluster URI namespace="<database-name>.<collection-name>", # Database and collection name embedding=AutoEmbeddings(model="voyage-4"), # Enable Automated Embedding index_name="vector_index", # Name of the vector search index # Other optional parameters...)
# Add documents - text is embedded server-sidevector_store.add_documents(documents=docs)
# Search - queries are embedded server-sideresults = vector_store.similarity_search("search query")통합은 벡터 저장소를 인스턴스화하는 다른 방법도 지원합니다.
MongoDB 클라이언트를 사용하여 다음을 수행합니다.
from langchain_mongodb.vectorstores import MongoDBAtlasVectorSearchfrom langchain_voyageai import VoyageAIEmbeddingsfrom pymongo import MongoClient # Connect to your MongoDB clusterclient = MongoClient("<connection-string>")collection = client["<database-name>"]["<collection-name>"] # Instantiate the vector storevector_store = MongoDBAtlasVectorSearch( collection=collection, # Collection to store embeddings embedding=VoyageAIEmbeddings(model="voyage-3-large"), # Embedding model to use index_name="vector_index", # Name of the vector search index # Other optional parameters...)사용자가 만든 문서에서:
from langchain_mongodb.vectorstores import MongoDBAtlasVectorSearchfrom langchain_voyageai import VoyageAIEmbeddingsfrom langchain_core.documents import Documentfrom pymongo import MongoClient # Some documents to embeddocument_1 = Document(page_content="foo", metadata={"baz": "bar"})document_2 = Document(page_content="thud", metadata={"bar": "baz"})docs = [document_1, document_2] # Connect to your MongoDB clusterclient = MongoClient("<connection-string>")collection = client["<database-name>"]["<collection-name>"] # Create the vector store from documentsvector_store = MongoDBAtlasVectorSearch.from_documents( documents=docs, # List of documents to embed embedding=VoyageAIEmbeddings(model="voyage-3-large"), # Embedding model to use collection=collection, # Collection to store embeddings index_name="vector_index", # Name of the vector search index)
Retrievers
LangChain 리트리버 는 벡터 저장소에서 관련 문서를 가져오는 데 사용하는 구성 요소입니다. LangChain의 내장 리트리버 또는 다음과 같은 MongoDB 리트리버를 사용하여 MongoDB 에서 데이터를 쿼리 하고 조회 수 있습니다.
벡터 검색 리트리버
MongoDB 벡터 저장 로 인스턴스화한 후 벡터 저장 인스턴스 리트리버로 사용하여 MongoDB Vector Search를 사용하여 데이터를 쿼리 수 있습니다.
사용법
from langchain_mongodb.vectorstores import MongoDBAtlasVectorSearchfrom langchain_voyageai import VoyageAIEmbeddings
# Instantiate the vector storevector_store = MongoDBAtlasVectorSearch.from_connection_string( connection_string="<connection-string>", # MongoDB cluster URI namespace="<database-name>.<collection-name>", # Database and collection name embedding=VoyageAIEmbeddings(model="voyage-3-large"), # Embedding model to use index_name="vector_index", # Name of the vector search index)
# Use the vector store as a retrieverretriever = vector_store.as_retriever()
# Define your queryquery = "some search query"
# Print resultsdocuments = retriever.invoke(query)for doc in documents: print(doc)전체 텍스트 검색기
MongoDBAtlasFullTextSearchRetriever MongoDB Search를 사용하여 전체 텍스트 검색을 수행하는 검색기입니다. 구체적으로 Lucene's 표준 BM25 알고리즘을 사용합니다.
이 리트리버에는 MongoDB Search 인덱스가 필요합니다.
사용법
from langchain_mongodb.retrievers.full_text_search import ( MongoDBAtlasFullTextSearchRetriever,)from pymongo import MongoClient
# Connect to your MongoDB clusterclient = MongoClient("<connection-string>")collection = client["<database-name>"]["<collection-name>"]
# Initialize the retrieverretriever = MongoDBAtlasFullTextSearchRetriever( collection=collection, # MongoDB Collection in Atlas search_field="<field-name>", # Name of the field to search search_index_name="<index-name>", # Name of the search index)
# Define your queryquery = "some search query"
# Print resultsdocuments = retriever.invoke(query)for doc in documents: print(doc)참고
하이브리드 검색 검색기
MongoDBAtlasHybridSearchRetriever RRF(Reciprocal Rank Fusion) 알고리즘을 사용하여 벡터 검색과 전체 텍스트 검색 결과를 결합하는 검색기입니다. 자세한 내용은 하이브리드 검색 수행 방법을 참조하세요.
이 리트리버에는 기존 벡터 저장, MongoDB 벡터 검색 인덱스 및 MongoDB 검색 인덱스가 필요합니다.
사용법
from langchain_mongodb.retrievers.hybrid_search import ( MongoDBAtlasHybridSearchRetriever,)from langchain_mongodb.vectorstores import MongoDBAtlasVectorSearchfrom langchain_voyageai import VoyageAIEmbeddings
# Instantiate the vector storevector_store = MongoDBAtlasVectorSearch.from_connection_string( connection_string="<connection-string>", # MongoDB cluster URI namespace="<database-name>.<collection-name>", # Database and collection name embedding=VoyageAIEmbeddings(model="voyage-3-large"), # Embedding model to use index_name="vector_index", # Name of the vector search index)
# Initialize the retrieverretriever = MongoDBAtlasHybridSearchRetriever( vectorstore=vector_store, # Vector store instance search_index_name="<index-name>", # Name of the MongoDB Search index top_k=5, # Number of documents to return fulltext_penalty=60.0, # Penalty for full-text search vector_penalty=60.0, # Penalty for vector search)
# Define your queryquery = "some search query"
# Print resultsdocuments = retriever.invoke(query)for doc in documents: print(doc)Parent Document Retriever
MongoDBAtlasParentDocumentRetriever 작은 청크를 먼저 쿼리한 다음 큰 상위 문서를 LLM에 반환하는 검색기입니다. 이러한 유형의 검색을 상위 문서 검색이라고 합니다. 상위 문서 검색은 작은 청크에 대한 더 세분화된 검색을 허용하면서 LLM에 상위 문서의 전체 컨텍스트를 제공함으로써 RAG 에이전트 및 애플리케이션의 응답을 개선할 수 있습니다.
검색기는 상위 및 하위 문서를 단일 MongoDB 컬렉션에 저장하며 하위 문서의 임베딩만 계산하고 인덱싱함으로써 효율적인 검색을 지원합니다.
이 검색기는 내부적으로 다음을 생성합니다.
하위 문서에 대한 벡터 검색 쿼리를 처리하기 위한 MongoDBAtlasVectorSearch의 인스턴스입니다.
상위 문서의 저장 및 검색을 처리하기 위한 MongoDBDocStore의 인스턴스입니다.
사용법
벡터 저장소와 상위 문서 저장소가 문서 텍스트에 동일한 필드 이름을 사용하도록 text_key을(를) page_content (으)로 설정합니다. 이 매개변수가 없으면 검색기는 상위 문서를 한 필드에 쓰기 (write) 다른 필드에서 읽으므로 쿼리가 KeyError: 'text' 오류와 함께 실패합니다.
from langchain_mongodb.retrievers import MongoDBAtlasParentDocumentRetrieverfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_voyageai import VoyageAIEmbeddings
retriever = MongoDBAtlasParentDocumentRetriever.from_connection_string( connection_string="<connection-string>", # MongoDB cluster URI embedding_model=VoyageAIEmbeddings( # Embedding model to use model="voyage-3-large" ), child_splitter=RecursiveCharacterTextSplitter(), # Text splitter to use database_name="<database-name>", # Database to store the collection collection_name="<collection-name>", # Collection to store the collection text_key="page_content", # Match the key the parent document store uses # Additional vector store or parent class arguments...)
# Define your queryquery = "some search query"
# Print resultsdocuments = retriever.invoke(query)for doc in documents: print(doc)셀프 쿼리 리트리버
MongoDBAtlasSelfQueryRetriever 자체 쿼리를 수행하는 리트리버입니다. 리트리버는 LLM을 사용하여 검색 쿼리 프로세스 사용 가능한 메타데이터 필터를 식별하고, 필터를 사용하여 구조화된 벡터 검색 쿼리 구성한 다음, 쿼리 실행하여 가장 관련성이 높은 문서를 조회 .
예시 들어 8 이상의 평점이 있는 2010 이후의 스릴러 영화는 무엇인가요?"와 같은 쿼리 사용하여 리트리버는 genre, year 및 rating 필드에서 필터를 식별하고 해당 필터를 사용할 수 있습니다. 필터를 사용하여 쿼리 와 일치하는 문서를 조회 .
이 리트리버에는 기존 벡터 저장 와 MongoDB 벡터 검색 인덱스가 필요합니다.
사용법
from langchain_mongodb.retrievers import MongoDBAtlasSelfQueryRetrieverfrom langchain_mongodb import MongoDBAtlasVectorSearchfrom langchain_classic.chains.query_constructor.schema import AttributeInfofrom langchain_voyageai import VoyageAIEmbeddingsfrom langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o", temperature=0)
vector_store = MongoDBAtlasVectorSearch.from_connection_string( connection_string="<connection-string>", namespace="langchain_db.movies", embedding=VoyageAIEmbeddings(model="voyage-3-large"), index_name="vector_index",)
# Given an existing vector store with movies data, define metadata describing the datametadata_field_info = [ AttributeInfo( name="genre", description="The genre of the movie. One of ['science fiction', 'comedy', 'drama', 'thriller', 'romance', 'animated']", type="string", ), AttributeInfo( name="year", description="The year the movie was released", type="integer", ), AttributeInfo( name="rating", description="A 1-10 rating for the movie", type="float" ),]
# Create the retriever from the VectorStore, an LLM and info about the documentsretriever = MongoDBAtlasSelfQueryRetriever.from_llm( llm=llm, vectorstore=vector_store, metadata_field_info=metadata_field_info, document_contents="Descriptions of movies", enable_limit=True,)
# This example results in the following composite filter sent to $vectorSearch:# {'filter': {'$and': [{'year': {'$lt': 1960}}, {'rating': {'$gt': 8}}]}}documents = retriever.invoke("Movies made before 1960 that are rated higher than 8")print(documents)GraphRAG
GraphRAG 는 데이터를 벡터 임베딩이 아닌 엔터티 및 엔터티의 관계에 대한 지식 그래프로 구조화하는 기존 RAG 의 대체 접근 방식입니다. 벡터 기반 RAG는 쿼리 와 의미적으로 유사한 문서를 찾는 반면, GraphRAG는 쿼리 에 연결된 엔터티를 찾고 그래프 의 관계를 탐색하여 관련 정보를 조회 .
이 접근 방식은 '회사 A와 회사 B의 관계는 무엇인가?' 또는 '사람 X의 관리자는 누구인가?'와 같은 관계 기반 질문에 답하는 데 특히 유용합니다.
MongoDBGraphStore 는 LangChain MongoDB 통합의 구성 요소로, 엔터티(노드)와 그 관계(엣지)를 MongoDB 컬렉션에 저장하여 GraphRAG를 구현할 수 있습니다. 이 구성 요소는 각 엔터티를 컬렉션 내 다른 문서를 참조하는 관계 필드가 포함된 문서로 저장합니다. $graphLookup 집계 단계를 사용하여 쿼리를 실행합니다.
사용법
from langchain_mongodb.graphrag import MongoDBGraphStorefrom langchain_openai import ChatOpenAIfrom langchain_core.documents import Document
# Initialize the graph storegraph_store = MongoDBGraphStore( connection_string="<connection-string>", # MongoDB cluster URI database_name="<database-name>", # Database to store the graph collection_name="<collection-name>", # Collection to store the graph entity_extraction_model=ChatOpenAI( # LLM to extract entities model="gpt-4o", temperature=0 ), # Other optional parameters...)
# Add documents to the graphdocs = [ Document( page_content=( "MongoDB is a document database. " "Dev Ittycheria is the CEO of MongoDB." ) ), Document(page_content="MongoDB Atlas is the cloud platform offered by MongoDB."),]graph_store.add_documents(docs)
# Query the graphquery = "Who is the CEO of MongoDB?"answer = graph_store.chat_response(query)print(answer.content)LLM 캐시
캐시 는 유사하거나 반복적인 쿼리에 대한 반복적인 응답을 저장하여 다시 계산하지 않도록 함으로써 LLM 성능을 최적화하는 데 사용됩니다. MongoDB LangChain 애플리케이션을 위해 다음과 같은 캐시를 제공합니다.
MongoDB 캐시
MongoDBCache MongoDB 컬렉션 에 기본 캐시 저장 수 있습니다.
사용법
from langchain_mongodb import MongoDBCachefrom langchain_core.globals import set_llm_cache
set_llm_cache( MongoDBCache( connection_string="<connection-string>", # MongoDB cluster URI database_name="langchain_db", # Database to store the cache collection_name="cache", # Collection to store the cache ))시맨틱 캐시
시맨틱 캐싱은 사용자 입력과 캐시된 결과 간의 시맨틱 유사성을 기반으로 캐시된 프롬프트를 조회하는 발전된 형태의 캐싱입니다.
MongoDBAtlasSemanticCache MongoDB Vector Search를 사용하여 캐시된 프롬프트를 조회 하는 시맨틱 캐시 입니다. 이 구성 요소에는 MongoDB 벡터 검색 인덱스필요합니다.
사용법
from langchain_mongodb import MongoDBAtlasSemanticCachefrom langchain_core.globals import set_llm_cachefrom langchain_voyageai import VoyageAIEmbeddings
set_llm_cache( MongoDBAtlasSemanticCache( embedding=VoyageAIEmbeddings(model="voyage-3-large"), # Embedding model connection_string="<connection-string>", # MongoDB cluster URI database_name="langchain_db", # Database to store the cache collection_name="semantic_cache", # Collection to store the cache ))DeepAgents 가상 파일 시스템
LangChain DeepAgents는 장기 실행되는 다단계 작업을 위해 설계된 에이전트 하네스입니다. 이 하네스는 계획, 컨텍스트 관리, 하위 에이전트에 대한 작업을 처리하다 위임합니다. 이 하네스는 에이전트의 파일이 실제로 저장되는 위치를 변경할 수 있는 교체 가능한 백엔드 프로토콜을 지원합니다. langchain-mongodb-deepagents-vfs 패키지는 해당 프로토콜의 구현입니다. Amazon S3는 파일을 보관하고, 임베딩 제공자(AWS Bedrock 또는 OpenAI)는 임베딩을 계산하며, MongoDB Atlas는 청크와 임베딩을 보관하고, MongoFilesystemBackend 클래스는 각 파일 작업을 올바른 핸들러로 라우팅합니다.
에이전트가 S3에서 많은 기존 파일 집합을 검색해야 할 때 이 패키지를 사용합니다. grep은 Reciprocal Rank Fusion (RRF) 알고리즘을 사용하여 전문 검색 및 벡터 검색 결과를 결합하는 단일 MongoDB 집계로 실행됩니다. 그러나 모든 파일을 에이전트에 로드하여 하나씩 필터링할 필요 없이 확장할 수 있습니다. glob 및 ls은 파일 이름 및 디렉토리 조회를 직접 처리합니다. 에이전트가 read, write, edit, upload_files 또는 download_files에 호출하면, 이러한 호출은 파일이 저장되는 S3로 바로 이동합니다. 다른 도구로 추가된 파일은 백엔드의 워치에 의해 자동으로 가져오고 인덱스됩니다.
패키지를 설치하기 전에 다음을 확인하세요.
MongoDB Atlas 연결 문자열
Amazon Web Services 자격 증명 (
AWS_ACCESS_KEY_ID,AWS_SECRET_ACCESS_KEY,AWS_DEFAULT_REGION), IAM 정책으로 부여하는:s3:GetObject,s3:PutObject,s3:ListBucket및s3:DeleteObject를 S3 버킷에bedrock:InvokeModelamazon.titan-embed-text-v2:0에서,AWS_DEFAULT_REGION과 동일한 리전에서, 기본값 Bedrock 제공자를 사용하는 경우 필요함
임베딩 제공자 선택 사항: Bedrock(기본값, 위에 있는 Amazon Web Services 자격 증명 사용) 또는 OpenAI(
EMBEDDING_PROVIDER=openai을(를) 설정하고OPENAI_API_KEY을(를) 제공합니다.)
패키지를 설치하려면 MongoDB가 AWS Bedrock 또는 OpenAI를 사용하여 검색 임베딩을 생성할지 여부를 결정하고 해당 명령을 실행합니다:
pip install "langchain-mongodb-deepagents-vfs[bedrock]"pip install "langchain-mongodb-deepagents-vfs[openai]"사용법
MongoFilesystemBackend 을(를) 사용자의 S3 버킷 이름과 Atlas 연결 문자열을 지정하여 인스턴스화합니다. 다음 예시에서 S3에 파일 2개를 쓰기 (write) 하고 각 검색 방법을 시연합니다:
grep파일 내용을 검색합니다.glob패턴별로 파일 경로를 일치시킵니다.ls디렉토리의 내용을 나열합니다.
from langchain_mongodb_deepagents_vfs import MongoFilesystemBackend
# Instantiate the backendbackend = MongoFilesystemBackend( s3_bucket_name="<bucket-name>", # S3 bucket that stores your files mongodb_connection_string="<connection-string>", # MongoDB Atlas connection string)
# Write two files to S3: one .txt, one .md, so glob can demonstrate# filtering by extensionbackend.write("mongodb_vfs/docs/notes.txt", "Our authentication flow uses OAuth 2.0.")backend.write("mongodb_vfs/docs/overview.md", "This directory contains onboarding docs.")
# Search for files that mention "authentication flow"# Newly written files can take a few seconds to become searchableresult = backend.grep("authentication flow", path="mongodb_vfs/docs/")print("grep matches:")for match in result.matches or []: print(match["path"], match["line"], match["text"])
# Find files that match a glob patternresult = backend.glob("*.txt", path="mongodb_vfs/docs/")print("glob matches:", result.matches)
# List the contents of a directoryresult = backend.ls("mongodb_vfs/docs/")print("ls entries:", result.entries)
print("init_errors:", backend.init_errors)기본적으로 백엔드는 버킷의 mongodb_vfs/ 접두사에만 모든 작업을 제한합니다. 이를 변경하려면 MongoFilesystemBackend에 다른 s3_prefix 값을 전달하거나 전체 버킷 액세스를 위해 s3_prefix=""을 전달합니다.
참고
이 백엔드를 DeepAgents 에이전트에 연결하는 방법을 알아보려면 DeepAgents 빠른 시작을 참조하세요.
MongoDB Agent 툴킷
MongoDB Agent 툴킷은 MongoDB 리소스와 상호 작용 수 있도록 LangGraph React Agent에 전달할 수 있는 연장 컬렉션 입니다.
사용 가능한 도구
이름 | 설명 |
|---|---|
| MongoDB database 쿼리하기 위한 도구입니다. |
| MongoDB database 에 대한 메타데이터 가져오는 도구입니다. |
| MongoDB 데이터베이스의 컬렉션 이름을 가져오는 도구입니다. |
| 데이터베이스 쿼리 올바른지 확인하기 위해 LLM을 호출하는 도구입니다. |
사용법
from langchain_openai import ChatOpenAIfrom langgraph.prebuilt import create_react_agentfrom langchain_mongodb.agent_toolkit import ( MONGODB_AGENT_SYSTEM_PROMPT, MongoDBDatabase, MongoDBDatabaseToolkit,)
db_wrapper = MongoDBDatabase.from_connection_string( "<connection-string>", database="<database-name>")llm = ChatOpenAI(model="gpt-4o-mini", timeout=60)toolkit = MongoDBDatabaseToolkit(db=db_wrapper, llm=llm)
system_message = MONGODB_AGENT_SYSTEM_PROMPT.format(top_k=5)
test_query = "Which country's customers spent the most?"agent = create_react_agent(llm, toolkit.get_tools(), prompt=system_message)agent.step_timeout = 60events = agent.stream( {"messages": [("user", test_query)]}, stream_mode="values",)
messages = []for event in events: messages.extend(event["messages"])print(messages[-1].content)참고
문서 로더
문서 로더 는 LangChain 애플리케이션의 데이터를 로드하는 데 도움이 되는 도구입니다.
MongoDBLoader MongoDB 데이터베이스에서 문서 목록을 반환하는 문서 로더입니다.
사용법
from langchain_mongodb.loaders import MongoDBLoader
loader = MongoDBLoader.from_connection_string( connection_string="<connection-string>", # MongoDB cluster URI db_name="langchain_db", # Database that contains the collection collection_name="documents", # Collection to load documents from filter_criteria={"category": "ai"}, # Optional document to specify a filter field_names=["title", "summary"], # Optional list of fields to include metadata_names=["category"], # Optional metadata fields to extract)
docs = loader.load()참고
채팅 기록
MongoDBChatMessageHistory MongoDB 데이터베이스에서 채팅 메시지 기록을 저장하고 관리할 수 있는 구성 요소입니다. 고유한 세션 식별자와 연결된 사용자 및 AI 생성 메시지를 모두 저장할 수 있습니다. 챗봇과 같이 시간 경과에 따른 상호 작용을 추적해야 하는 애플리케이션에 이 구성 요소를 사용하세요.
사용법
from langchain_mongodb.chat_message_histories import MongoDBChatMessageHistory
chat_message_history = MongoDBChatMessageHistory( session_id="<session-id>", # Unique session identifier connection_string="<connection-string>", # MongoDB cluster URI database_name="langchain_db", # Database to store the chat history collection_name="chat_history", # Collection to store the chat history)
chat_message_history.add_user_message("Hello")chat_message_history.add_ai_message("Hi")print(chat_message_history.messages)[HumanMessage(content='Hello', additional_kwargs={}, response_metadata={}), AIMessage(content='Hi', additional_kwargs={}, response_metadata={}, tool_calls=[], invalid_tool_calls=[])]스토리지
MongoDB에서 데이터를 관리하고 저장하기 위해 다음과 같은 사용자 지정 데이터 저장소를 사용할 수 있습니다.
문서 저장소
MongoDBDocStore 는 MongoDB를 사용하여 문서를 저장하고 관리하는 맞춤형 키-값 저장소입니다. 다른 MongoDB 컬렉션과 마찬가지로 CRUD 작업을 수행할 수 있습니다.
사용법
from langchain_mongodb.docstores import MongoDBDocStore
# Replace with your MongoDB connection string and namespaceconnection_string = "<connection-string>"namespace = "<database-name>.<collection-name>"
# Initialize the MongoDBDocStoredocstore = MongoDBDocStore.from_connection_string(connection_string, namespace)참고
바이너리 스토리지
MongoDBByteStore 바이너리 데이터, 특히 바이트로 표시되는 데이터를 MongoDB를 사용하여 저장하고 관리하는 사용자 지정 데이터스토어입니다. 키가 문자열이고 값이 바이트 시퀀스인 키-값 쌍을 사용하여 CRUD 작업을 수행할 수 있습니다.
사용법
from langchain_community.storage.mongodb import MongoDBByteStore
# Instantiate the MongoDBByteStoremongodb_store = MongoDBByteStore( connection_string="<connection-string>", # MongoDB cluster URI db_name="langchain_db", # Name of the database collection_name="byte_store", # Name of the collection)
# Set values for keysmongodb_store.mset([("key1", b"hello"), ("key2", b"world")])
# Get values for keysvalues = mongodb_store.mget(["key1", "key2"])print(values)
# Iterate over keysfor key in mongodb_store.yield_keys(): print(key)
# Delete keysmongodb_store.mdelete(["key1", "key2"])[b'hello', b'world']key1key2참고
추가 리소스
MongoDB LangGraph와 통합하는 방법을 학습 MongoDB 와 LangGraph 통합하기를 참조하세요.
대화형 Python 노트북에 대해서는 Docs 노트북 리포지토리 및 생성형 AI 사용 사례 리포지토리를 참조하세요.