Consulte o MongoDB com linguagem natural usando LangChain e LangGraph

Você pode usar a integração do MongoDB com o MongoDB para executar queries do MongoDB em linguagem natural. Neste tutorial, você cria um agente básico de IA que converte a linguagem natural em MQL usando a estrutura do React Agent e o MongoDB Agent Toolkit.

Trabalhe com uma versão executável deste tutorial como um notebook Python.

Pré-requisitos

Tenha um cluster e um usuário MongoDB .
Adicione o conjunto de dados de amostra derestaurantes do ao seu cluster MongoDB.
Tenha uma chave de API OpenAI.
Execute o seguinte para instalar as dependências necessárias:
```
pip install langchain-mongodb langchain-openai langgraph
```

Visão geral conceitual

Esse agente aproveita um conjunto predefinido de ferramentas com as quais executa um plano passo a passo definido por um LLM. Quando um usuário envia uma solicitação ao agente, o agente envia uma solicitação ao LLM que detalha suas ferramentas disponíveis e o resultado desejado pelo usuário. Com essas informações, o LLM gera uma série específica de etapas que aproveitam o conjunto de ferramentas disponível do agente para alcançar o resultado desejado pelo usuário.

Em seguida, o agente executa as etapas e confirma o sucesso, ou executa etapas atualizadas conforme necessário, enviando resultados intermediários de volta ao LLM para análise. E, finalmente, os resultados do sistema são retornados ao usuário.

Criar o agente

Configure a variável de ambiente necessária.

Em seu terminal, preencha e execute o seguinte comando para definir a variável de ambiente necessária.

export OPENAI_API_KEY=<your-openai-api-key>

Salve o exemplo como um arquivo Python local.

Copie e cole o seguinte em um arquivo local chamado natural_language_to_mql.py.

Pontos principais

self.toolkit, o FERRAMENTAS que o agente pode usar, é uma instância do MongoDB Toolkit.
self.agent, o próprio agente, é uma instância da estrutura do React Agent, que usa self.toolkit como parâmetro.

1 import os
2 from langchain_openai import ChatOpenAI
3 from langgraph.prebuilt import create_react_agent
4 from langchain_mongodb.agent_toolkit import (
5     MONGODB_AGENT_SYSTEM_PROMPT,
6     MongoDBDatabase,
7     MongoDBDatabaseToolkit,
8 )
9 
10 MONGODB_URI = '<connection-string>'
11 DB_NAME = 'sample_restaurants'
12 NATURAL_LANGUAGE_QUERY = 'Find all restaurants that serve hamburgers.'
13 
14 class NaturalLanguageToMQL:
15     def __init__(self):
16         self.llm = ChatOpenAI(model="gpt-4o-mini", timeout=60)
17         self.system_message = MONGODB_AGENT_SYSTEM_PROMPT.format(top_k=5)
18         self.db_wrapper = MongoDBDatabase.from_connection_string(
19                             MONGODB_URI, 
20                             database=DB_NAME)
21         self.toolkit = MongoDBDatabaseToolkit(db=self.db_wrapper, llm=self.llm)
22         self.agent = create_react_agent(
23                         self.llm, 
24                         self.toolkit.get_tools(), 
25                         state_modifier=self.system_message)
26         self.messages = []
27 
28     def convert_to_mql_and_execute_query(self, query):
29         # Start the agent with the agent.stream() method
30         events = self.agent.stream(
31             {"messages": [("user", query)]},
32             stream_mode="values",
33         )
34         # Add output (events) from the agent to the self.messages list
35         for event in events:
36             self.messages.extend(event["messages"])
37     
38     def print_results(self):
39         # Print the the end-user's expected output from 
40         # the final message produced by the agent.
41         print(self.messages[-1].content)
42 
43 def main():
44     converter = NaturalLanguageToMQL()
45     converter.convert_to_mql_and_execute_query(NATURAL_LANGUAGE_QUERY)
46     converter.print_results()
47 
48 if __name__ == '__main__':
49     main()

Adicione sua string de conexão do MongoDB .

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

Sua string de conexão deve usar o seguinte formato:

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

Para saber mais, consulte Conectar a um cluster via drivers.

Sua string de conexão deve usar o seguinte formato:

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

Para saber mais, consulte Connection strings.

Executar uma query de teste

No diretório no qual você salvou o arquivo local, execute o seguinte comando. Seus resultados podem variar.

python natural_language_to_mql.py

Here are some restaurants that serve hamburgers:
1. **Wendy's**
   - Address: 469 Flatbush Avenue, Brooklyn, NY 11225
   - Borough: Brooklyn
2. **White Castle**
   - Address: 531 Myrtle Avenue, Brooklyn, NY 11205
   - Borough: Brooklyn
3. **McDonald's**
   - Address: 75-50 101 Avenue, Queens, NY 11416
   - Borough: Queens
4. **McDonald's**
   - Address: 943 Flatbush Avenue, Brooklyn, NY 11226
   - Borough: Brooklyn
5. **McDonald's**
   - Address: 395 Flatbush Avenue Extension, Brooklyn, NY 11201
   - Borough: Brooklyn
Let me know if you'd like more details or additional results!

Voltar

GraphRAG

LangChain JS/TS

1	import os
2	from langchain_openai import ChatOpenAI
3	from langgraph.prebuilt import create_react_agent
4	from langchain_mongodb.agent_toolkit import (
5	MONGODB_AGENT_SYSTEM_PROMPT,
6	MongoDBDatabase,
7	MongoDBDatabaseToolkit,
8	)
9
10	MONGODB_URI = '<connection-string>'
11	DB_NAME = 'sample_restaurants'
12	NATURAL_LANGUAGE_QUERY = 'Find all restaurants that serve hamburgers.'
13
14	class NaturalLanguageToMQL:
15	def __init__(self):
16	self.llm = ChatOpenAI(model="gpt-4o-mini", timeout=60)
17	self.system_message = MONGODB_AGENT_SYSTEM_PROMPT.format(top_k=5)
18	self.db_wrapper = MongoDBDatabase.from_connection_string(
19	MONGODB_URI,
20	database=DB_NAME)
21	self.toolkit = MongoDBDatabaseToolkit(db=self.db_wrapper, llm=self.llm)
22	self.agent = create_react_agent(
23	self.llm,
24	self.toolkit.get_tools(),
25	state_modifier=self.system_message)
26	self.messages = []
27
28	def convert_to_mql_and_execute_query(self, query):
29	# Start the agent with the agent.stream() method
30	events = self.agent.stream(
31	{"messages": [("user", query)]},
32	stream_mode="values",
33	)
34	# Add output (events) from the agent to the self.messages list
35	for event in events:
36	self.messages.extend(event["messages"])
37
38	def print_results(self):
39	# Print the the end-user's expected output from
40	# the final message produced by the agent.
41	print(self.messages[-1].content)
42
43	def main():
44	converter = NaturalLanguageToMQL()
45	converter.convert_to_mql_and_execute_query(NATURAL_LANGUAGE_QUERY)
46	converter.print_results()
47
48	if __name__ == '__main__':
49	main()