MongoDB Vector Search를 LangChainGo 와 통합하여 LLM(대형 언어 모델) 애플리케이션을 빌드 하고 RAG(검색 강화 생성)를 구현 수 있습니다. 이 튜토리얼에서는 MongoDB Vector Search를 LangChainGo와 함께 사용하여 데이터에 대해 시맨틱 검색 수행하고 RAG 구현 빌드 방법을 보여줍니다. 구체적으로 다음 조치를 수행합니다.
환경을 설정합니다.
사용자 지정 데이터를 MongoDB 에 저장합니다.
데이터에 MongoDB Vector Search 인덱스 생성합니다.
다음 벡터 검색 쿼리를 실행합니다.
시맨틱 검색.
메타데이터 사전 필터링을 통한 시맨틱 검색.
MongoDB Vector Search를 사용하여 데이터에 대한 질문에 답변 RAG 를 구현합니다.
배경
LangChainGo는 LangChain의 Go 프로그래밍 언어 구현으로, 커뮤니티 주도로 개발된 LangChain 프레임워크의 타사 포트입니다.
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 Vector Search를 LangChain과 통합하면 MongoDB 벡터 데이터베이스로 사용하고 MongoDB Vector Search를 사용하여 데이터에서 의미적으로 유사한 문서를 검색하여 RAG 를 구현. RAG에 대해 자세히 학습하려면 RAG, MongoDB 사용한 검색-증강 생성(RAG)을 참조하세요.
LangChainGo는 AI 애플리케이션을 위한 LLM의 오케스트레이션을 용이하게 하여 LangChain의 기능을 고 (Go) 에코시스템 에 도입합니다. 또한 개발자가 MongoDB 포함하여 선호하는 벡터 저장소 호환 데이터베이스에 연결할 수 있습니다.
절차
이 튜토리얼을 완료하면 MongoDB 벡터 검색을 LangChainGo와 성공적으로 통합하여 RAG 애플리케이션을 빌드할 수 있습니다. 다음 작업을 완료했습니다.
애플리케이션 지원에 필요한 환경 시작 및 구성.
MongoDB에 사용자 지정 데이터를 저장하고 MongoDB를 벡터 저장으로 인스턴스화했습니다.
데이터에 MongoDB Vector Search 인덱스를 구축하여 시맨틱 검색 기능을 지원합니다.
벡터 임베딩을 사용하여 의미적으로 관련성 있는 데이터를 조회했습니다.
메타데이터 필터를 통합하여 검색 결과 향상
MongoDB Vector Search를 사용하여 RAG 워크플로를 구현하여 데이터를 기반으로 질문에 의미 있는 답변을 제공했습니다.
다음 단계
MongoDB 벡터 검색 시작하기에 대해 자세히 학습하려면 MongoDB 벡터 검색 빠른 시작 튜토리얼을 참조한 다음 드롭다운 메뉴에서 Go 을 선택합니다.
벡터 임베딩에 대해 자세히 학습 보려면 벡터 임베딩을 수동으로 생성하는 방법을 참조한 다음 드롭다운 메뉴에서 Go 을 선택합니다.
LangChainGo와 Hugging Face를 통합하는 방법을 학습하려면 MongoDB 사용한 RAG(검색 증강 생성)를 참조하세요.
RAG를 구현 방법을 학습 보려면 API 키나 크레딧 없이 MongoDB Vector Search를 사용하여 로컬 RAG 구현 구축하기를 참조하세요.
MongoDB는 다음과 같은 개발자 리소스도 제공합니다.
팁
LangChainGo, OpenAI, MongoDB 통합에 대해 자세히 학습하려면 OpenAI 임베딩을 통해 MongoDB Atlas 벡터 스토어로 사용하기를 참조하세요.