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.
Ao integrar o MongoDB pesquisa vetorial com o LangChain, você pode usar o MongoDB como um banco de dados vetorial e usar o MongoDB pesquisa vetorial para implementar o RAG recuperando documentos semanticamente semelhantes dos seus dados. Para aprender mais sobre RAG, consulte Geração aumentada de recuperação (RAG) com 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
Para aprender mais sobre os primeiros passos com a pesquisa vetorial do MongoDB, consulte o Tutorial de início rápido da pesquisa vetorial do MongoDB e selecione Go no menu suspenso.
Para aprender mais sobre vector embeddings, consulte Como criar vector embeddings manualmente e, em seguida, selecione Go no menu suspenso.
Para saber como integrar o LangChainGo e o Hugging Face, consulte geração aumentada de recuperação (RAG) com o MongoDB.
Para aprender como implementar a RAG sem a necessidade de chaves ou créditos de API, consulte Criar uma implementação local da RAG com o MongoDB pesquisa vetorial.
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.