LangChain은 대규모 언어 모델 애플리케이션의 생성을 간소화할 수 있는 체인을 제공하는 오픈 소스 프레임워크 입니다. 체인은 일련의 작업을 수행하는 상호 연결된 LangChain 구성 요소로 구성됩니다. RAG 및 에이전트 검색을 포함한 다양한 AI 사용 사례에 체인을 사용할 수 있습니다.
LangChain은 Voyage AI 임베딩 모델을 표준 LangChain 임베딩 클래스로 노출하는 전용 패키지를 제공합니다. 이러한 패키지를 MongoDB 와 페어링하면 다른 데이터와 함께 임베딩을 저장 하고 MongoDB Vector Search로 쿼리 수 있습니다.
이 튜토리얼에서는 LangChain과 함께 Voyage AI 임베딩을 사용하여 다음 작업을 완료하는 방법을 보여줍니다.
소스 데이터를 로드하고 문서로 분할 .
문서와 해당 임베딩을 MongoDB 에 저장합니다.
임베딩에 MongoDB Vector Search 인덱스 생성합니다.
데이터에 대해 시맨틱 검색 쿼리를 실행합니다.
RAG를 구현하여 데이터에 대한 질문에 답변 .
배경
LangChain 통합에는 다음과 같은 Voyage AI 패키지가 포함됩니다.
Python 에서
langchain-voyageai패키지VoyageAIEmbeddings클래스를 제공합니다.TypeScript에서
@langchain/mongodb패키지MongoDBAtlasVectorSearch벡터 저장 와 함께VoyageEmbeddings클래스를 제공합니다.
두 패키지 모두 LangChain의 표준 임베딩 인터페이스를 구현 벡터 스토어 및 리트리버를 포함하여 임베딩을 허용하는 모든 LangChain 구성 요소에 Voyage 모델을 전달할 수 있습니다.
튜토리얼
다음 튜토리얼에서는 LangChain과 함께 Voyage AI 임베딩을 사용하는 방법을 보여줍니다. 원하는 언어 와 LLM 제공자 선택하면 해당 지침을 볼 수 있습니다.
다음 단계
파이프라인 작동하면 다음과 같이 조정하여 LangChain 체인을 변경하지 않고도 검색 품질을 개선할 수 있습니다.
임베딩의 저장 공간을 줄이려면
VoyageAIEmbeddings을 인스턴스화할 때output_dimension매개변수를 전달하세요.voyage-4-large모델은256,512,1024(기본값) 및2048차원을 지원합니다. 자세히 학습 유연한 차원 및 양자화를 참조하세요.도메인 또는 지연 시간 예산에 대해 다른 임베딩 모델을 선택하려면 텍스트 임베딩을 참조하세요.
검색 결과를 LLM에 전달하기 전에 관련성에 따라 재정렬하려면 reranker를 추가하세요. 자세한 학습 은 Rerankers를 참조하세요.
추가 튜토리얼을 보려면 다음 리소스를 참조하세요.
프레임워크 없이 RAG를 구현 하려면 Voyage AI 사용한 검색-증강 생성(RAG)을 참조하세요.
MongoDB 사용하는 다른 LangChain 튜토리얼에 대해 학습 보려면 MongoDB LangChain 통합 시작하기를 참조하세요.
다른 LLM 프레임워크 및 AI 서비스와 함께 Voyage AI 모델을 사용하는 방법을 학습 MongoDB AI 통합 및 파트너를 참조하세요.