Comece a usar a integração do Agno com o MongoDB

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-projectcd agno-mongodb-projectpip 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 chamado main.py. Adicione o seguinte código a este arquivo para carregar suas variáveis de ambiente:

import osfrom dotenv import load_dotenvfrom agno.agent import Agentfrom agno.db.mongo import MongoDbfrom agno.knowledge.knowledge import Knowledgefrom agno.models.openai import OpenAIChatfrom agno.vectordb.mongodb import MongoVectorDb
load_dotenv()

Em etapas futuras, você adicionará código a este arquivo para criar sua Base de Conhecimento e assistente.

Configure o MongoDB como o armazenamento de vetores.

Adicione o seguinte código para configurar um vector store baseado em 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 de MongoVectorDb e a passa para o parâmetro vector_db de um objeto Knowledge. Como esta é a primeira vez que você usa a coleção agent_knowledge, o Agno a cria junto com um índice de pesquisa vetorial do MongoDB chamado vector_index_1.

O índice deve levar cerca de um minuto para criar. 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.

Carregue e armazene dados.

Adicione o código a seguir ao seu arquivo main.py para carregar um arquivo PDF contendo receitas tailandesas na sua Base de Conhecimento:

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

O Agno baixa o arquivo, faz a divisão dele em partes, gera um embedding para cada parte com o embedder padrão da OpenAI e grava os resultados na sua coleção.

Execute uma query de pesquisa semântica.

Adicione o seguinte código ao seu arquivo main.py para fazer query no banco de dados vetorial da sua Base de Conhecimento diretamente, antes de conectá-lo a um agente. Este exemplo pesquisa as três partes mais relevantes para uma pergunta sobre curry 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 as partes da receita que são mais semanticamente relevantes para a query, classificadas 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 turnos de conversa.

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

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

O agente recupera as partes de receita mais relevantes da sua Base de Conhecimento a cada turno. Como ambas as chamadas usam o mesmo valor 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 chamar, o Agno inicia uma nova sessão e o agente não tem registro do primeiro turno.