Você pode integrar o MongoDB ao Langflow para adicionar recuperação apoiada pelo MongoDB aos seus agentes de IA a partir de uma interface visual. Este tutorial cria um fluxo que configura um agente para usar o MongoDB. Neste tutorial, você executa as seguintes tarefas:
Configure o MongoDB como um armazenamento de vetores e ingira um blog post do MongoDB nele.
Crie um agente que use sua coleção do MongoDB como ferramenta de recuperação.
Execute o fluxo e faça uma pergunta sobre o conteúdo da publicação do blog.
Plano de fundo
O Langflow fornece um componente MongoDB Atlas que usa o MongoDB Vector Search como armazenamento de vetores. Você pode conectar esse componente a outros componentes em seu fluxo para consumir dados, executar uma pesquisa de similaridade ou fornecer a um agente uma ferramenta para fazer query em sua collection. O componente cria um índice do MongoDB Vector Search em sua collection na primeira vez que você executa uma pesquisa, se ainda não existir um índice correspondente.
Sobre o fluxo
Neste tutorial, você cria o seguinte fluxo:
URL → Split Text → ┐ ├── MongoDB Atlas → ┐ Embeddings → ┘ ├── Agent → Chat Output Chat Input → ┘
O fluxo executa as seguintes tarefas:
O componente URL obtém o conteúdo de uma publicação no blog do MongoDB , que descreve a versão do MongoDB 9.0.
O componente Split Text divide esse conteúdo em chunks.
O componente MongoDB Atlas incorpora cada chunk e o grava em sua collection.
Quando você envia uma mensagem relacionada à postagem do blog MongoDB 9.0, o componente Agent chama o componente MongoDB Atlas como uma ferramenta para pesquisar blocos relevantes em sua coleção.
O agente usa qualquer chunk recuperado para gerar uma resposta, que o componente Chat Output retorna.
Pré-requisitos
Para concluir este tutorial, você deve ter os seguintes recursos:
Langflow instalado na sua máquina. Para saber mais, consulte Instalar o Langflow na documentação do Langflow.
Um dos seguintes tipos de cluster MongoDB :
Um cluster do Atlas executando a versão do MongoDB 6.0.11, 7.0.2, ou posterior. Certifique-se de que seu endereço IP esteja incluído na lista de acesso do seu projeto Atlas.
Uma implantação local do Atlas criada usando Python e Docker. Instale
atlas-local-lib-py(pip install atlas-local-lib-py) para criar e gerenciar implantações locais programaticamente. Para saber mais, consulte o repositório atlas-local-lib-py.A MongoDB Community cluster with Search and Vector Search installed.
Chave de API para um modelo de incorporação e um fornecedor de modelo de idioma compatível com o Langflow, como o OpenAI. Para saber mais sobre os modelos compatíveis, consulte Modelo de incorporação e Modelo de idioma na documentação do Langflow.
Considerações
Ao trabalhar com Langflow e MongoDB, considere o seguinte:
Para usuários do MongoDB Atlas , certifique-se de adicionar o endereço IP do seu host Langflow à lista de acesso IP do seu projeto. Para saber mais, consulte Configurar entradas da lista de acesso IP.
O componente Embedding é necessário e você deve conectá-lo à entrada Embedding do componente MongoDB Atlas. Se você não conectar os componentes, o fluxo falhará quando tentar incorporar seus documentos ou query. Para saber mais, consulte Integrar MongoDB com Langflow.
O componente MongoDB Atlas exige um valor no campo Quantization antes de criar um novo índice do MongoDB Vector Search . Para saber mais, consulte Índices de pesquisa.
Armazenar dados no MongoDB
Nesta seção, você cria um fluxo que adiciona dados de publicação de blog a uma coleção do MongoDB e indexa esses dados para pesquisa vetorial.
Instale o componente MongoDB Atlas .
Dica
Se você usar o Langflow Desktop, poderá pular esta etapa.
Na versão Python, o componente MongoDB Atlas não está disponível por padrão. Para instalar este componente, execute o seguinte comando:
uv pip install "lfx-bundles[mongodb]"
Se você usar o Docker para executar o Langflow, use a imagem langflowai/langflow-all em vez de langflowai/langflow. Para saber mais, consulte Integrar MongoDB com Langflow.
Adicione um componente de URL .
Adicione o componente URL à sua tela a partir da categoria Data Source. Defina o parâmetro URLs para a seguinte URL, que vincula a uma postagem de blog sobre MongoDB 9.0:
https://www.mongodb.com/company/blog/product-release-announcements/mongodb-9-0-this-is-what-a-database-should-be
Deixe o parâmetro Depth configurado para 1.00, seu valor padrão.
Adicione um componente Dividir texto.
Para dividir os dados da postagem do blog em chunks, execute as seguintes etapas:
Adicione o componente Split Text à sua tela a partir da categoria Processing.
Conecte a saída Extracted Pages do componente URL ao Input do componente Split Text.
Deixe os parâmetros Chunk Overlap, Chunk Size e Separator definidos para seus valores padrão.
Adicione um componente MongoDB Atlas .
Adicione o componente MongoDB Atlas à sua tela a partir da categoria MongoDB e conecte a saída Chunks do componente Split Text à entrada Ingest Data do componente MongoDB Atlas.
Configure os seguintes parâmetros no componente MongoDB Atlas:
Parâmetro | Valor |
|---|---|
MongoDB Atlas Cluster URI | Sua string de conexão do MongoDB . Para saber como recuperar sua string de conexão, consulte Connection strings. |
Database Name | O nome do seu banco de dados , como |
Collection Name | O nome da sua coleção, como |
Index Name | O nome do seu índice, como |
Quantization | O tipo de dados que o índice usa para armazenar valores de vetor, que pode ser |
Dica
Para configurar o parâmetro de Quantização, clique no botão Parâmetros acima do componente MongoDB Atlas . Em seguida, selecione o botão Adicionar ao lado do item da lista Quantização.
Adicione um componente de incorporações.
Para configurar incorporações de texto OpenAI, execute as seguintes etapas:
Adicione o componente OpenAI Embeddings da categoria OpenAI.
Selecione seu modelo preferido no menu suspenso Model.
Especifique sua chave de API no parâmetro API Key do componente.
Conecte o componente à entrada MongoDB Atlas do componente Embedding.
Se você usar um provedor de incorporação diferente, adicione o componente correspondente ao seu fluxo.
Construa o caminho de ingestão.
Selecione o componente MongoDB Atlas e clique no ícone de reprodução para construir o caminho URL → Split Text → MongoDB Atlas. Isso incorpora o conteúdo da página, grava o conteúdo em sua coleção e cria o índice do MongoDB Vector Search, se ele ainda não existir.
The index should take about one minute to build. While it builds, the index is in an initial sync state. When it finishes building, you can start querying the data in your collection.
Criar o agente
Nesta seção, você adiciona um agente que usa sua coleção MongoDB como uma ferramenta para responder a perguntas sobre a página que você ingeriu.
Configure o modelo do agente.
Para definir o modelo de idioma do seu agente, execute as seguintes etapas:
No componente Agent, selecione Manage Model Providers no menu suspenso Language Model.
Se você usar OpenAI, selecione OpenAI na lista Model providers e insira sua chave de API OpenAI. Em seguida, selecione seu modelo de idioma OpenAI na lista Language Model.
Navegue de volta ao componente Agent e selecione seu modelo de idioma recém-configurado no menu suspenso Language Model.
Conecte o MongoDB Atlas como uma ferramenta.
Selecione o componente MongoDB Atlas e, em seguida, ative Tool Mode no menu do cabeçalho.
Conecte a saída Toolset do componente MongoDB Atlas à entrada Tools do componente Agent.
Seu fluxo agora tem a estrutura descrita no diagrama Sobre o fluxo e é semelhante à imagem a seguir:
Execute o fluxo.
Clique em Playground no canto superior direito da tela. Em seguida, faça uma pergunta sobre a postagem do blog, como "Which new queryable encryption features does MongoDB 9.0 introduce?" O agente decide se chama a ferramenta MongoDB Atlas para pesquisar sua coleção e, em seguida, usa qualquer bloco recuperado para gerar sua resposta.
Importante
Evite a nova ingestão de dados
Depois que você conecta o componente MongoDB Atlas ao componente agente, o Langflow executa novamente todo o caminho de ingestão sempre que você envia uma mensagem.
Em um fluxo de produção, congele o componente MongoDB Atlas depois de construir o caminho de ingestão para evitar que ele seja executado novamente. Para saber mais, consulte Congelar um componente na documentação do Langflow.
Próximos passos
Para saber mais sobre os parâmetros do componente MongoDB Atlas e o índice do MongoDB Vector Search que ele cria, consulte Integrar MongoDB com Langflow.