Comece com a integração do MongoDB Agno

Instalar dependências.

Execute os seguintes comandos no seu terminal para criar um novo diretório denominado agno-mongodb-project e instalar as dependências necessárias:

mkdir agno-mongodb-project
cd agno-mongodb-project
pip install agno pymongo openai python-dotenv pypdf

Defina suas variáveis de ambiente.

No seu diretório agno-mongodb-project, crie um arquivo .env e adicione o seguinte código:

OPENAI_API_KEY="<openai-api-key>"
MONGODB_URI="<connection-string>"

Substitua <connection-string> pela string de conexão do seu cluster do Atlas ou da implantação local do Atlas.

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

mongodb://localhost:<port-number>/?directConnection=true

Crie um arquivo de projeto .

No seu diretório agno-mongodb-project, crie um arquivo denominado main.py. Adicione o seguinte código a este arquivo para carregar suas variáveis de ambiente:

import os
from dotenv import load_dotenv
from agno.agent import Agent
from agno.db.mongo import MongoDb
from agno.knowledge.knowledge import Knowledge
from agno.models.openai import OpenAIChat
from agno.vectordb.mongodb import MongoVectorDb
load_dotenv()

Em etapas futuras, você adicionará código a este arquivo para construir sua base de conhecimento e assistente.

Configure o MongoDB como o armazenamento de vetores.

Adicione o seguinte código para configurar um armazenamento de vetores apoiado MongoDB para sua base de conhecimento:

vector_db = MongoVectorDb(
    collection_name="agent_knowledge",
    db_url=os.environ["MONGODB_URI"],
    database="agno",
)
knowledge = Knowledge(vector_db=vector_db)

O código anterior cria uma instância MongoVectorDb e a passa para o parâmetro vector_db de um objetoKnowledge. Como esta é a primeira vez que você usa a collection agent_knowledge, o Agno a cria junto com um índice do MongoDB Vector Search chamado vector_index_1.

O índice deve levar cerca de um minuto para ser criado. Enquanto constrói, o índice está em um estado de sincronização inicial . Quando terminar de ser criado, você poderá começar a consultar os dados em sua coleção.

Carregar e armazenar dados.

Adicione o seguinte código ao seu arquivo main.py para carregar um arquivo PDF contendo receitas tailandesas em sua base de conhecimento:

knowledge.insert(
    name="Recipes",
    url="https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf",
)

Agno baixa o arquivo, divide-o em blocos, gera uma incorporação para cada bloco com o incorporador OpenAI padrão e grava os resultados em sua coleção.

Execute uma query de pesquisa semântica .

Adicione o código a seguir ao arquivo main.py para consultar o banco de dados de vetores da sua base de conhecimento diretamente, antes de conectá-lo a um agente. Este exemplo procura os três chunks mais relevantes para uma pergunta sobre caril verde:

results = vector_db.search(query="How do I make a green curry?", limit=3)
for doc in results:
    print(f"[{doc.name}] {doc.content[:80]}")

Os resultados incluem os chunks de receita que são mais semanticamente relevantes para a query, classificados por pontuação de similaridade.

Defina o assistente.

Adicione o seguinte código ao seu arquivo main.py para configurar uma instância MongoDb para armazenamento de sessão e, em seguida, crie um agente que use esse armazenamento de sessão e a base de conhecimento configurada na seção anterior:

db = MongoDb(
    db_url=os.environ["MONGODB_URI"],
    db_name="agno",
)
agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    knowledge=knowledge,
    db=db,
    search_knowledge=True,
    add_history_to_context=True,
    num_history_runs=5,
    instructions=[
        "You are a helpful cooking assistant.",
        "Answer questions using only the recipes in your knowledge base.",
        "If the knowledge base does not contain a relevant answer, say so clearly.",
    ],
)

Execute o assistente em dois retornos de conversa.

Adicione o seguinte código ao seu arquivo main.py para enviar duas mensagens ao agente:

SESSION_ID = "cooking-session-001"
# First turn
agent.print_response(
    "My favorite Thai dish is massaman curry.",
    session_id=SESSION_ID,
)
# Second turn
agent.print_response(
    "How do I make my favorite dish?",
    session_id=SESSION_ID,
)

O agente recupera os chunks de receita mais relevantes da sua base de conhecimento a cada passo. Como ambas as chamadas usam o mesmo valor de session_id, o Agno também recupera dados da resposta anterior. O Agno recupera os metadados da sessão da coleção agno_sessions e o conteúdo da mensagem da coleção agno_runs. Se você omitir session_id ou passar um valor diferente na segunda chamada, o Agno iniciará uma nova sessão e o agente não terá registro da primeira vez.