Você pode integrar a Vector Search do MongoDB ao LangChainGo para criar aplicativos de grandes modelos de linguagem (LLM) e implementar a geração aumentada de recuperação (RAG). Este tutorial demonstra como começar a usar o MongoDB Vector Search com o LangChainGo para realizar pesquisas semânticas em seus dados e criar uma implementação de RAG. Especificamente, você executa as seguintes ações:
Configure o ambiente.
Armazene dados personalizados no MongoDB.
Crie um índice do MongoDB Vector Search em seus dados.
Execute as seguintes query de pesquisa vetorial:
Pesquisa semântica.
Pesquisa semântica com pré-filtragem de metadados.
Implemente o RAG usando o MongoDB Vector Search para responder a perguntas sobre seus dados.
Plano de fundo
LangChainGo é a implementação em linguagem de programação Go do LangChain. É uma adaptação de terceiros orientada pela comunidade do framework LangChain.
O LangChain é um framework de código aberto que simplifica a criação de aplicativos LLM por meio do uso de "cadeias." Chains são componentes específicos do LangChain que podem ser combinados para uma variedade de casos de uso de IA, incluindo RAG.
By integrating MongoDB Vector Search with LangChain, you can use MongoDB as a vector database and use MongoDB Vector Search to implement RAG by retrieving semantically similar documents from your data. To learn more about RAG, see Retrieval-Augmented Generation (RAG) with MongoDB.
O LangChainGo facilita a orquestração de LLMs para aplicativos de IA, levando os recursos do LangChain para o ecossistema Go. Ele também permite que os desenvolvedores se conectem aos seus bancos de dados compatíveis com armazenamento vetorial preferidos, incluindo MongoDB.
Procedimento
Após concluir este tutorial, você integrou com sucesso a pesquisa vetorial MongoDB com o LangChainGo para criar um aplicativo RAG. Você realizou as seguintes tarefas:
Iniciado e configurado o ambiente necessário para suportar seu aplicativo.
Dados personalizados armazenados no MongoDB e MongoDB instanciado como um armazenamento de vetor.
Criou um índice do MongoDB pesquisa vetorial em seus dados, habilitando recursos de pesquisa semântica.
Usou embedding vetorial para recuperar dados semanticamente relevantes.
Resultados de pesquisa aprimorados por meio da incorporação de filtros de metadados.
Implementou um fluxo de trabalho RAG usando a pesquisa vetorial do MongoDB para fornecer respostas significativas a perguntas com base em seus dados.
Próximos passos
To learn more about getting started with MongoDB Vector Search, see the MongoDB Vector Search Quick Start Tutorial, and then select Go from the drop-down menu.
To learn more about vector embeddings, see How to Create Vector Embeddings Manually, and then select Go from the drop-down menu.
To learn how to integrate LangChainGo and Hugging Face, see Retrieval-Augmented Generation (RAG) with MongoDB.
To learn how implement RAG without the need for API keys or credits, see Build a Local RAG Implementation with MongoDB Vector Search.
O MongoDB também fornece o seguinte recurso de desenvolvimento:
Dica
Para saber mais sobre a integração de LangChainGo, OpenAI e MongoDB, consulte Usando MongoDB Atlas como um armazenamento de vetor com incorporações OpenAI.