MongoDB로 AI 에이전트 구축

아키텍처

AI 에이전트는 일반적으로 다음 구성 요소의 조합을 포함합니다.

에이전트 도구

표준 MongoDB 쿼리 외에도 MongoDB 에이전트 용 도구로 구현 수 있는 여러 검색 기능을 제공합니다.

• MongoDB 벡터 검색: 벡터 검색 수행하여 시맨틱 의미와 유사성을 기반으로 관련 컨텍스트를 조회 . 자세한 학습 은 MongoDB 벡터 검색 개요를 참조하세요.

• MongoDB Search: 전체 텍스트 검색 수행하여 키워드 일치 및 관련성 점수를 기반으로 관련 컨텍스트를 조회 . 자세한 학습 은 MongoDB 검색 개요를 참조하세요.

• 하이브리드 검색: MongoDB Vector Search와 MongoDB Search를 결합하여 두 접근 방식의 장점을 모두 활용합니다. 자세한 학습 은 하이브리드 검색 수행 방법을 참조하세요.

도구를 수동으로 정의하거나 도구 생성 및 호출을 위한 내장 추상화를 제공하는 LangChain 및 LangGraph와 같은 프레임워크를 사용하여 도구를 정의할 수 있습니다.

{
  "tool": "vector_search_tool",
  "args": { "query": "What is MongoDB?" },
  "id": "call_H5TttXb423JfoulF1qVfPN3m"
}

에이전트 RAG

MongoDB 벡터 데이터베이스 로 사용하면 AI 에이전트 통해 검색 및 생성 프로세스 동적으로 조정할 수 있는 고급 형태의 RAG 인 에이전트틱 RAG를 구현 검색 도구를 만들 수 있습니다.

이 접근 방식을 사용하면 더 복잡한 워크플로와 사용자 상호 작용이 가능합니다. 예시 시맨틱 검색 에는 MongoDB Vector Search, 전체 텍스트 검색 에는 MongoDB Search를 사용하는 등 작업 에 따라 최적의 검색 도구를 결정하도록 AI 에이전트 구성할 수 있습니다. 또한 컬렉션별로 다양한 검색 도구를 정의하여 에이전트의 검색 기능을 추가로 사용자 지정할 수 있습니다.

에이전트 메모리

MongoDB 는 문서 데이터베이스 이기도 하므로 에이전트의 상호 작용을 MongoDB 컬렉션 에 저장하여 에이전트에 대한 메모리를 구현 수 있습니다. 그런 다음 에이전트 필요에 따라 이 컬렉션 쿼리 하거나 업데이트 수 있습니다. MongoDB 로 에이전트 메모리를 구현 방법에는 여러 가지가 있습니다.

• 단기 기억의 경우, 상호작용을 저장할 때 특정 세션을 식별하기 위해 session_id 필드를 포함하고, 동일한 ID를 가진 상호작용을 쿼리하여 에이전트에게 컨텍스트로 전달합니다.

• 장기 기억을 위해, LLM과의 여러 상호작용을 처리하여 사용자 선호도나 중요한 맥락과 같은 관련 정보를 추출한 후, 에이전트가 필요할 때 쿼리할 수 있도록 이 정보를 별도의 컬렉션에 저장합니다.

• 대화 기록을 보다 효율적이고 복잡하게 조회 활성화 강력한 메모리 관리 시스템을 빌드 하려면 MongoDB Search 또는 MongoDB Vector Search를 활용하여 세션 전반에서 중요한 상호 작용을 저장, 인덱스, 쿼리 .

{
  "session_id": "123",
  "user_id": "jane_doe",
  "interactions":
  [
    {
      "role": "user",
      "content": "What is MongoDB?",
      "timestamp": "2025-01-01T12:00:00Z"
    },
    {
      "role": "assistant",
      "content": "MongoDB is the world's leading modern database.",
      "timestamp": "2025-01-01T12:00:05Z"
    }
  ]
}

{
  "user_id": "jane_doe",
  "last_updated": "2025-05-22T09:15:00Z",
  "preferences": {
    "conversation_tone": "casual",
    "custom_instructions": [
      "I prefer concise answers."
    ],
  },
  "facts": [
    {
      "interests": ["AI", "MongoDB"],
    }
  ]
}

다음 프레임워크는 MongoDB 사용하여 에이전트 메모리에 대한 직접 추상화도 제공합니다.

전제 조건

이 튜토리얼을 완료하려면 다음 조건을 충족해야 합니다.

• 다음 MongoDB cluster 유형 중 하나입니다.

  • MongoDB 버전 6.0.11, 7.0.2 이상을 실행 Atlas cluster . 사용자의 IP 주소 가 Atlas 프로젝트의 액세스 목록에 포함되어 있는지 확인하세요.

  • Python 과 Docker 사용하여 만든 로컬 Atlas 배포서버 . 로컬 배포를 프로그래밍 방식으로 생성하고 관리 하려면 atlas-local-lib-py (pip install atlas-local-lib-py)를 설치합니다. 자세한 학습 은 atlas-local-lib-py 리포지토리 참조하세요.

  • 검색 및 벡터 검색이 설치된 MongoDB Community 또는 Enterprise 클러스터 .

• Voyage AI API 키입니다.

• OpenAI API 키입니다.

절차

이 AI 에이전트는 사용자 정의 데이터 소스에 대한 질문에 AI 답변하고 계산을 수행할 수 있습니다. 또한 이전 상호작용을 기억하여 응답에 반영할 수 있습니다. 다음 구성 요소를 사용합니다.

• 인식: 텍스트 입력.

• 계획: 작업을 추론하기 위한 LLM 및 다양한 프롬프트.

• 도구: 벡터 검색 도구와 계산 도구.

• 메모리: MongoDB 컬렉션에 상호작용을 저장합니다.