Integre o MongoDB ao LangGraph

Plano de fundo

LangGraph é um framework especializado dentro do ecossistema LangChain, projetado para desenvolver agentes de IA e fluxos de trabalho complexos de múltiplos agentes. Grafos são os componentes centrais do LangGraph, representando o fluxo de trabalho do seu agente. A integração do MongoDB LangGraph habilita as seguintes funcionalidades:

• MongoDB LangGraph Checkpointer: você pode persistir o estado de seus agentes LangGraph no MongoDB, fornecendo memória de curto prazo.

• Armazenamento LangGraph do MongoDB: você pode armazenar e recuperar memória importantes para seus agentes LangGraph em uma coleção MongoDB, fornecendo memória de longo prazo.

• Ferramentas de recuperação: você pode usar a integração do MongoDB LangChain para criar rapidamente ferramentas de recuperação para seus fluxos de trabalho LangGraph.

A integração de seus aplicativos LangGraph com o MongoDB permite consolidar os recursos de recuperação e a memória do agente em um único banco de dados, simplificando sua arquitetura e reduzindo a complexidade operacional.

MongoDB LangGraph Checkpointer (memória de curto prazo)

O MongoDB LangGraph Checkpointer permite que você persista o estado do seu agente no MongoDB para implementar a memória de curto prazo. Esse recurso habilita humanos no loop, memória, viagem no tempo e tolerância a falhas para seus agentes LangGraph.

Para instalar o pacote para este componente:

pip install langgraph-checkpoint-mongodb

from langgraph.checkpoint.mongodb import MongoDBSaver
from pymongo import MongoClient
# Connect to your MongoDB cluster
client = MongoClient("<connection-string>")
# Initialize the MongoDB checkpointer
checkpointer = MongoDBSaver(client)
# Instantiate the graph with the checkpointer
app = graph.compile(checkpointer=checkpointer)

Armazenamento MongoDB LangGraph (memória de longo prazo)

O MongoDB LangGraph Store permite armazenar e recuperar memória em uma coleção do MongoDB , o que habilita a memória de longo prazo para seus agentes LangGraph. Isso permite que você crie agentes que podem se lembrar de interações passadas e usar essas informações para informar decisões futuras.

Para instalar o pacote para este componente:

pip install langgraph-store-mongodb

from langgraph.store.mongodb import MongoDBStore, create_vector_index_config
from langchain_voyageai import VoyageAIEmbeddings
# Optional vector search index configuration for the memory collection
index_config = create_vector_index_config(
    embed = VoyageAIEmbeddings(),
    dims = <dimensions>,
    fields = ["<field-name>"],
    filters = ["<filter-field-name>", ...] # Optional list of fields that can filtered during search
    # Other fields...
)
# Store memories in MongoDB collection
with MongoDBStore.from_conn_string(
     conn_string=MONGODB_URI,
     db_name="<database-name>",
     collection_name="<collection-name>",
     index_config=index_config # If specified, automatically embeds and indexes the field value
 ) as store:
     store.put(
         namespace=("user", "memories"), # Namespace for the memories
         key=f"memory_{hash(content)}",  # Unique identifier for each memory
         value={"content": content}      # Document data that contains the memory content
     )
# Retrieve memories from MongoDB collection
with MongoDBStore.from_conn_string(
    conn_string=MONGODB_URI,
    db_name="<database-name>",
    collection_name="<collection-name>",
    index_config=index_config # If specified, uses vector search to retrieve memories. Otherwise, uses metadata filtering
) as store:
     results = store.search(
         ("user", "memories"),
         query="<query-text">,
         limit=3
     )
     for result in results:
         print(result.value)
# To delete memories, use store.delete(namespace, key)
# To batch operations, use store.batch(ops)

ttl_config = {
   "default_ttl": 3600,     # Expire documents after 1 hour
   "refresh_on_read": True, # Refresh TTL on read
}

index_config = create_vector_index_config(
    embed = <embedding-model>,
    dims = <dimensions>,
    fields = ["<field-name>"], # field to embed
    filters = ["<filter-field-name>", ...], # optional
    name = "<index-name>" # optional, defaults to 'vector_index'
    relevance_score_fn: "euclidean" | "cosine" | "dotProduct"] # defaults to 'cosine'
    embedding_key: "<embedding-field-name>" # optional, defaults to 'embedding'
)

Ferramentas de recuperação

Você pode usar perfeitamente os recuperadores do LangChain como ferramentas em seu fluxo de trabalho do LangGraph para recuperar dados relevantes do MongoDB.

A integração do MongoDB LangChain suporta nativamente pesquisa de texto completo, pesquisa vetorial, pesquisa híbrida e recuperação de documentos pai. Para obter uma lista completa dos métodos de recuperação, consulte Recuperadores do MongoDB LangChain.