MongoDB Langflow와 통합하여 시각적 인터페이스에서 AI 에이전트에 MongoDB 지원 검색을 추가할 수 있습니다. 이 튜토리얼에서는 MongoDB 사용하도록 에이전트 구성하는 흐름을 빌드합니다. 이 튜토리얼에서는 다음 작업을 수행합니다.
MongoDB 벡터 저장 로 구성하고 여기에 MongoDB 블로그 포스트 수집합니다.
MongoDB 컬렉션 검색 도구로 사용하는 에이전트 빌드합니다.
흐름을 실행하고 블로그 포스트 콘텐츠에 대해 질문합니다.
배경
Langflow는 AI 파이프라인 및 에이전트를 구축하기 위한 오픈 소스 시각적 프레임워크 입니다. 코드를 작성하는 대신 캔버스에서 구성 요소를 드래그 앤 연결하여 흐름을 빌드 있습니다. 각 구성 요소는 텍스트 분할 또는 언어 모델 쿼리와 같은 개별 작업 수행합니다.
Langflow는 MongoDB Vector Search를 벡터 저장 로 사용하는 MongoDB Atlas 구성 요소를 제공합니다. 이 구성 요소를 흐름의 다른 구성 요소에 연결하여 데이터를 수집하거나, 유사성 검색 실행 , 에이전트 컬렉션 쿼리 할 수 있는 도구를 제공할 수 있습니다. 일치하는 인덱스 아직 존재하지 않는 경우 구성 요소는 처음 검색 실행 때 컬렉션 에 MongoDB Vector Search 인덱스 생성합니다.
흐름 정보
이 튜토리얼에서는 다음 흐름을 빌드 .
URL → Split Text → ┐ ├── MongoDB Atlas → ┐ Embeddings → ┘ ├── Agent → Chat Output Chat Input → ┘
이 흐름은 다음 작업을 수행합니다.
URL 구성 요소는 MongoDB 9.0 출시하다 설명하는 MongoDB 블로그 포스트 의 콘텐츠를 가져옵니다.
Split Text 구성 요소는 해당 콘텐츠를 청크로 분할합니다.
MongoDB Atlas 구성 요소는 각 청크 포함하고 이를 컬렉션 에 씁니다.
MongoDB 9.0 블로그 포스트 과 관련된 메시지를 보내면 Agent 구성 요소는 컬렉션 에서 관련 청크를 검색 하는 도구로 MongoDB Atlas 구성 요소를 호출합니다.
에이전트 검색된 청크를 사용하여 Chat Output 구성 요소가 반환하는 응답을 생성합니다.
전제 조건
이 튜토리얼을 완료하려면 다음 리소스가 있어야 합니다:
다음 MongoDB cluster 유형 중 하나입니다.
MongoDB 버전 6.0.11을 실행하는 Atlas 클러스터, 7.0.2 이상. 당신의 IP 주소가 Atlas 프로젝트의 액세스 목록에 포함되어 있는지 확인하세요.
Python과 Docker를 사용하여 만든 로컬 Atlas 배포서버입니다.
atlas-local-lib-py(pip install atlas-local-lib-py)를 설치하여 로컬 배포서버를 프로그래밍으로 만들고 관리할 수 있습니다. 자세한 내용은 atlas-local-lib-py 리포지토리를 참조하십시오.A MongoDB Community cluster with Search and Vector Search installed.
임베딩 모델 및 OpenAI와 같이 Langflow가 지원하는 언어 모델 제공자 위한 API 키입니다. 지원되는 모델에 대해 자세히 학습 Langflow 문서에서 모델 및 언어 모델 임베딩을 참조하세요.
고려 사항
Langflow 및 MongoDB 로 작업할 때는 다음 사항을 고려하세요.
MongoDB Atlas 사용자의 경우 프로젝트의 IP 액세스 목록 에 Langflow 호스트의 IP 주소 추가해야 합니다. 자세히 학습 IP 액세스 목록 항목 구성을 참조하세요.
Embedding 구성 요소는 필수이며, 이를 MongoDB Atlas 구성 요소의 Embedding 입력에 연결해야 합니다. 구성 요소를 연결하지 않으면 문서나 쿼리 포함하려고 할 때 흐름이 실패합니다.자세한 학습 은 MongoDB 와 Langflow 통합을 참조하세요.
MongoDB Atlas 구성 요소가 새 MongoDB Vector Search 인덱스 생성하려면 먼저 Quantization 필드 에 값이 있어야 합니다. 자세히 학습 검색 인덱스를 참조하세요.
MongoDB 에 데이터 저장
이 섹션에서는 MongoDB 컬렉션 에 블로그 포스트 데이터를 추가하고 벡터 검색 위해 해당 데이터를 인덱싱하는 흐름을 만듭니다.
MongoDB Atlas 구성 요소를 설치합니다.
팁
Langflow 데스크톱을 사용하는 경우 이 단계를 건너뛸 수 있습니다.
Python 버전에서는 기본값 으로 MongoDB Atlas 구성 요소를 사용할 수 없습니다. 이 구성 요소를 설치하려면 다음 명령을 실행 .
uv pip install "lfx-bundles[mongodb]"
Docker 사용하여 Langflow를 실행 경우, langflowai/langflow 대신 langflowai/langflow-all 이미지를 사용하세요.자세한 학습 은 MongoDB 와 Langflow 통합을 참조하세요.
MongoDB Atlas 구성 요소를 추가합니다.
MongoDB 카테고리에서 MongoDB Atlas 구성 요소를 캔버스에 추가하고 Split Text 구성 요소의 Chunks 출력을 MongoDB Atlas 구성 요소의 Ingest Data 입력에 연결합니다.
MongoDB Atlas 구성 요소에서 다음 매개변수를 구성합니다:
Parameter | 값 |
|---|---|
MongoDB Atlas Cluster URI | MongoDB 연결 문자열 . 연결 문자열 조회 방법을 학습 연결 문자열을 참조하세요. |
Database Name | 데이터베이스 이름(예: |
Collection Name | 컬렉션 이름(예: |
Index Name | 다음과 같은 인덱스 이름 |
Quantization | 인덱스 벡터 값을 저장 데 사용하는 데이터 유형 , |
팁
양자화 매개변수를 구성하려면 MongoDB Atlas 구성 요소 위의 매개변수 버튼을 클릭합니다. 그런 다음 퀀타이제이션 목록 항목 옆에 있는 추가 버튼을 선택합니다.
수집 경로를 빌드합니다.
MongoDB Atlas 컴포넌트를 선택한 다음 재생 아이콘을 클릭하여 URL → Split Text → MongoDB Atlas 경로를 빌드 . 이렇게 하면 페이지 콘텐츠가 포함되고, 컬렉션 에 콘텐츠가 기록되며, MongoDB Vector Search 인덱스 아직 존재하지 않는 경우 생성됩니다.
The index should take about one minute to build. While it builds, the index is in an initial sync state. When it finishes building, you can start querying the data in your collection.
에이전트 구축
이 섹션에서는 수집한 페이지에 대한 질문에 답변 도구로 MongoDB 컬렉션 사용하는 에이전트 추가합니다.
흐름을 실행합니다.
캔버스의 오른쪽 상단 모서리에 있는 Playground을 클릭합니다. 그런 다음 "Which new queryable encryption features does MongoDB 9.0 introduce?"과 같이 블로그 포스트 에 대해 질문하고, 에이전트 MongoDB Atlas 도구를 호출하여 컬렉션 을 검색 할지 여부를 결정한 다음, 검색된 청크를 사용하여 응답을 생성합니다.
중요
데이터 재수집 방지
MongoDB Atlas 구성 요소를 Agent 구성 요소에 연결하면 Langflow는 메시지를 보낼 때마다 전체 수집 경로를 다시 실행합니다.
프로덕션 흐름에서는 수집 경로를 빌드 후 MongoDB Atlas 구성 요소를 동결하여 다시 실행되지 않도록 합니다. 자세한 학습 은 Langflow 설명서에서 구성 요소 동결을 참조하세요.
다음 단계
MongoDB Atlas 구성 요소의 매개변수와 이 구성 요소가 생성하는 MongoDB Vector Search 인덱스 에 대해 자세히 학습 MongoDB 와 Langflow 통합을 참조하세요.