벡터 검색 으로 데이터에 대한 질문에 답변하는 RAG챗봇을 사용하여 MongoDB Search 플레이그라운드에서 MongoDB Vector Search를 빠르게 사용해 보세요. MongoDB Search 플레이그라운드의 챗봇 데모 빌더를 사용하면 자체 데이터를 가져오고, 다양한 청킹 전략을 시도하고, Voyage AI 임베딩 모델을 사용하여 임베딩을 생성하고, Atlas 계정, 클러스터 또는 컬렉션 없이 데이터에 대해 질문할 수 있습니다. MongoDB Search 플레이그라운드의 스냅샷 링크를 다른 사람과 주식 할 수도 있습니다.
사용된 단계
Chatbot Demo Builder는 두 가지 집계 파이프라인 단계인 $vectorSearch 및 $project를 사용합니다.
고려 사항
이것은 생성형 인공지능 챗봇입니다. 모든 정보는 사용 전에 반드시 확인해야 합니다. 민감한 데이터는 업로드하지 마세요. MongoDB는 시스템 상태 모니터링 및 Chatbot Demo Builder의 문제 해결 지원을 위해 워크로드 데이터를 기록합니다.
Chatbot Demo Builder의 제한 사항
Chatbot Demo Builder는 가져온 PDF 파일이나 복사해 붙여넣은 텍스트를 하나의 통합된 지식 소스로 처리합니다. 빌더 내에서 별도의 데이터 컬렉션을 정의하거나 결합할 수 없습니다.
Chatbot Demo Builder는 수정할 수 없는 미리 구성된 벡터 검색 인덱스를 사용합니다. 쿼리는 지정된 조회 설정을 기반으로 생성되며, 코드 편집기를 사용해 직접 수정할 수 없습니다.
Chatbot Demo Builder 환경은 지속되지 않습니다. 환경을 저장하려면 Share 버튼을 사용해 30일 동안 유지되는 스냅샷 URL을 생성하세요.
Chatbot Demo Builder는 텍스트 기반 임베딩만 지원합니다. PDF 파일에 이미지가 포함되어 있으면 챗봇은 해당 이미지 내용에 대한 질문을 처리하거나 답변할 수 없습니다.
Chatbot Demo Builder에는 다음과 같은 데이터 제한 사항이 있습니다.
100MB를 초과하는 파일은 가져올 수 없습니다.
전체 문자 수가 100,000자를 초과할 수 없습니다.
사용자 임의의 벡터 임베딩이나 임베딩 솔루션용 API 자격 증명을 가져올 수 없습니다.
Chatbot Demo Builder 사용하기
Chatbot Demo Builder에 접속합니다.
챗봇 데모 빌더 <https://search-playground.mongodb.com/tools/chatbot-demo-builder/.로 이동합니다.
데이터 소스를 선택합니다.
Chatbot Demo Builder는 세 가지 데이터 소스 옵션을 제공합니다.
Upload PDF | 최대 100MB 크기의 PDF 파일을 로컬 장치에서 업로드하세요. 문자 수가 100,000자를 초과하면 처음 1100,000자만 사용하거나 더 적은 문자 수의 파일을 업로드해야 합니다. SEE TEXT로 텍스트를 미리 볼 수 있습니다. |
Copy & Paste Text | 텍스트를 최대 100,000자까지 복사해 붙여넣을 수 있습니다. 문자 수가 100,000자를 초과하면 처음 100,000자만 사용하거나 텍스트 양을 줄여야 합니다. |
Sample Data | MongoDB에서 제공하는 샘플 데이터(가상 공원 관련 PDF)를 사용할 수 있습니다. |
Chatbot Demo Builder는 공개 데모입니다. 민감한 데이터는 업로드하지 마세요.
데이터 처리 방식을 설정하세요.
청킹 설정과 임베딩 모델을 원하는 대로 조정하세요.
Chunking strategy | Recursive Chunking(기본값) 또는 Fixed Token Count with Overlap 중 하나를 선택하세요. |
Chunk size | 청크당 토큰 개수를 정하세요. 토큰 개수는 청크 오버랩(겹침) 크기의 최소 두 배 이상이어야 합니다.
|
Chunk overlap | 인접한 청크 간 토큰 겹침 크기를 지정하세요. 겹침 크기는 청크 크기의 최대 절반이어야 합니다.
|
Embedding model | 다음 임베딩 모델 중 하나를 선택하세요.
|
임베딩을 생성한 후 이러한 옵션을 변경하려면, 측면 패널의 DATA SETTINGS를 사용하세요. 설정을 변경하면 이전 채팅 기록이 삭제됩니다.
데이터에 대해 질문하고 검색 결과 반환 설정을 편집하세요.
각 질문과 답변 쌍은 이전 상호작용에 의존하지 않고 독립적입니다. Share를 선택하면, 플레이그라운드는 데이터 구성과 검색 설정을 저장합니다. 질문과 답변 기록은 저장되지 않으며 공유할 수도 없습니다.
질문할 때마다 Chatbot Demo Builder는 다음과 같은 설정 정보를 표시합니다.
설정 또는 출력값 | 페이지에서의 위치 | 설명 |
|---|---|---|
Search Query | 답변이 포함된 채팅 창에서 연결 | MongoDB Vector Search 쿼리 구문을 확인합니다. |
[number] DOCUMENTS | 답변이 포함된 채팅 창에서 연결 | 검색 쿼리 실행 결과로 가져온 문서와 해당 결과의 점수를 확인할 수 있습니다. |
Data to Evaluate (numCandidates) | 오른쪽 사이드 패널 | 시스템이 최적의 결과를 선택하기 위해 검토하는 잠재적 일치 항목 수를 조정합니다. 모든 인덱스된 벡터 임베딩을 철저히 검색하려면 Evaluate all [number] documents (ENN) 확인란을 선택하십시오. 이는 쿼리 지연 시간에 영향을 미칠 수 있습니다. |
Data to Retrieve (limit) | 오른쪽 사이드 패널 | 반환되는 문서(청크)의 개수를 조정합니다. |
Data Source | Bottom panel tab | 데이터를 MongoDB Documents 또는 Full Extracted Text로 볼 수 있습니다. |
Index Definition | Bottom panel tab | 생성된 MongoDB Vector Search 인덱스 정의를 확인합니다. |
Search Query | Bottom panel tab | 가장 최근의 질문과 답변 에 사용된 MongoDB Vector Search 쿼리 구문을 확인합니다. |
LLM & Prompt | Bottom panel tab | 사용된 대규모 언어 모델(LLM)을 확인할 수 있습니다. |
참고
Chatbot Demo Builder의 성능은 운영 환경의 성능과 차이가 있을 수 있습니다.
자세한 내용을 알아보세요.
벡터 검색 쿼리에 대해 자세히 학습하려면 벡터 검색 쿼리 실행을 참조하세요. 조회 보강 생성(RAG)에 대해 자세히 학습하려면 MongoDB 사용한 조회 보강 생성(RAG)을 참조하세요.