Primeiros passos com a integração da base de conhecimento do Amazon Observer

Faça o download do PDF.

1. Navegue até o Guia de melhores práticas do MongoDB.

2. Clique em Read Whitepaper ou Email me the PDF para acessar o PDF.

3. Baixe e salve o PDF localmente.

Carregue o PDF em um bucket Amazon S3.

1. Siga os passos para criar um S3 Bucket. Certifique-se de usar um descritivo Bucket Name.

2. Siga as etapas para carregar um arquivo em seu bucket. Selecione o arquivo que contém o PDF que você acabou de baixar.

Configure um endpoint privado no Atlas.

Siga as etapas para configurar um endpoint privado do AWS PrivateLink para seu cluster Atlas. Certifique-se de usar um VPC ID descritivo para identificar seu endpoint privado.

Para obter mais informações, consulte Saiba mais sobre endpoints privados no Atlas.

Configure o serviço de endpoint.

O MongoDB e os parceiros fornecem um Cloud Development Kit (CDK) que você pode usar para configurar um serviço de endpoint apoiado por um balanceador de carga de rede que encaminha o tráfego para seu endpoint privado.

Siga as etapas especificadas no Repositório do Github do CDK para preparar e executar o script do CDK.

Navegue até o console de gerenciamento do Amazon Leigo.

1. Faça login no Console do Amazon Web Services.

2. No canto superior esquerdo, clique no menu suspenso Services.

3. Clique em Machine Learning e selecione Amazon Bedrock.

Gerenciar o acesso ao modelo.

O Amazon Bedrock não concede acesso aos FMs automaticamente. Se ainda não o fez, siga as etapas para adicionar acesso ao modelo para os modelos Titan Embeddings G1 - Text e Anthropic Claude V2.1 .

Crie a base de conhecimento.

1. Na navegação à esquerda do console do Amazon Bedrock, clique em Knowledge Bases.

2. Clique em Create e depois selecione Knowledge base with vector store.

3. Especifique mongodb-atlas-knowledge-base como Knowledge Base name.

4. Clique em Next.

Por padrão, o Amazon Leite cria uma nova função IAM para acessar a base de conhecimento.

Adicione uma fonte de dados.

1. Especifique um nome para a fonte de dados usada pela base de conhecimento.

2. Insira o URI para o bucket S3 que contém sua fonte de dados. Ou clique em Browse S3 e localize o bucket S3 que contém sua fonte de dados na lista.

3. Clique em Next.

   O Amazon Leitor exibe modelos de incorporação disponíveis que você pode usar para converter os dados de texto da fonte de dados em incorporações vetoriais.

4. Selecione o modelo Titan Embeddings G1 - Text.

Conecte o Atlas à base de conhecimento.

1. Na seção Vector database, selecione Use an existing vector store.

2. Selecione MongoDB Atlas e configure as seguintes opções:

   

   clique para ampliar

   • Para o Hostname, insira o URL do seu cluster do Atlas localizado em sua string de conexão. O nome de host usa o seguinte formato:

     <clusterName>.mongodb.net

   • Para o Database name, insira bedrock_db.

   • Para o Collection name, insira test.

   • Para o Credentials secret ARN, insira o ARN para o segredo que contém suas credenciais do Atlas cluster. Para saber mais, consulte os conceitos do Amazon Web Services Secrets Manager.

3. Na seção Metadata field mapping , configure as seguintes opções para determinar o índice do MongoDB Vector Search e os nomes de campo que o Atlas utiliza para incorporar e armazenar sua fonte de dados:

   

   clique para ampliar

   • Para o Vector search index name, insira vector_index.

   • Para o Vector embedding field path, insira embedding.

   • Para o Text field path, insira bedrock_text_chunk.

   • Para o Metadata field path, insira bedrock_metadata.

   Observação

   Opcionalmente, você pode especificar o campo Text search index name para configurar a pesquisa híbrida. Para aprender mais, veja Pesquisa híbrida com Amazon Bedrock e Atlas.

4. Se você configurou um serviço de endpoint, informe seu PrivateLink Service Name.

5. Clique em Next.

Revise e crie a base de conhecimento.

Depois de revisar os detalhes da sua base de conhecimento, clique em Create knowledge base para finalizar sua criação.

Sincronize a fonte de dados.

Depois que o Amazon Bedrock cria a Base de Conhecimento, ele solicita que você sincronize seus dados. Na seção Data source, selecione sua fonte de dados e clique em Sync para sincronizar os dados do bucket S3 e carregá-los no Atlas.

Quando a sincronização for concluída, se você estiver usando o Atlas, poderá verificar suas incorporações vetoriais navegando até o namespace bedrock_db.test na interface do usuário do Atlas.

Crie um agente.

1. No painel de navegação à esquerda do Amazon Bedrock, clique em Agents.

2. Clique em Create Agent.

3. Especifique mongodb-rag-agent como Name e clique em Create.

Selecione um modelo e forneça um prompt.

Por padrão, o Amazon Leitor cria uma nova função do IAM para acessar o agente. Na seção Agent details , especifique o seguinte:

1. Nos menus suspensos, selecione Anthropic e Claude V2.1 como o provedor e o modelo de AI usado para responder a perguntas sobre seus dados.

   Observação

   O Amazon Bedrock não concede acesso aos FMs automaticamente. Se ainda não o fez, siga os passos para adicionar acesso ao modelo para o modelo Anthropic Claude V2.1 modelo.

2. Forneça instruções para o agente para que ele saiba como concluir a tarefa.

   Por exemplo, se você estiver usando os dados de amostra, cole as seguintes instruções:

   You are a friendly AI chatbot that answers questions about working with MongoDB.

3. Clique em Save.

Adicione a base de conhecimento.

Para conectar o agente à base de conhecimento que você criou:

1. Na seção Knowledge Bases, clique em Add.

2. Selecione mongodb-atlas-knowledge-base no menu suspenso.

3. Descreva a base de dados de conhecimento para determinar como o agente deve interagir com a fonte de dados.

   Se você estiver usando os dados de amostra, cole as seguintes instruções:

   This knowledge base describes best practices when working with MongoDB.

4. Clique em Add e depois em Save.

Teste o agente.

1. Clique no botão Prepare.

2. Clique Test. O Amazon Camado exibe uma janela de teste à direita dos detalhes do seu agente, se ela ainda não tiver sido exibida.

3. Na janela de teste, insira um prompt. O agente solicita o modelo, usa o MongoDB Vector Search para recuperar documentos relevantes e, em seguida, gera uma resposta com base nos documentos.

   Se você usou os dados de amostra, insira o seguinte prompt. A resposta gerada pode variar.

   What's the best practice to reduce network utilization with MongoDB?

   OCULTAR SAÍDA

   The best practice to reduce network utilization with MongoDB is
   to issue updates only on fields that have changed rather than
   retrieving the entire documents in your application, updating
   fields, and then saving the document back to the database. [1]

   Dica

   Clique na anotação na resposta do agente para visualizar o bloco de texto que o MongoDB Vector Search recuperou.

Depois de terminar, clique em Save and exit.