Crie agentes de AI com o MongoDB

Arquitetura

Um agente de AI normalmente inclui uma combinação dos seguintes componentes:

Ferramentas do Agente

Além das queries padrão do MongoDB , o MongoDB fornece vários recursos de pesquisa que você pode implementar como FERRAMENTAS para seu agente.

• Vector Search do MongoDB: execute pesquisa vetorial para recuperar o contexto relevante com base no significado e similaridade semântica. Para saber mais, consulte Visão geral da Vector Search do MongoDB.

• MongoDB Search: Perform full-text search to retrieve relevant context based on keyword matching and relevance scoring. To learn more, see MongoDB Search Overview.

• Hybrid Search: Combine MongoDB Vector Search with MongoDB Search to leverage the strengths of both approaches. To learn more, see How to Perform Hybrid Search.

You can define tools manually or by using frameworks such as LangChain and LangGraph, which provide built-in abstractions for tool creation and calling.

{
  "tool": "vector_search_tool",
  "args": { "query": "What is MongoDB?" },
  "id": "call_H5TttXb423JfoulF1qVfPN3m"
}

RAG agêntica

Ao usar o MongoDB como um banco de dados vetorial, você pode criar FERRAMENTAS de recuperação que implementam o RAG agente, que é uma forma avançada de RAG que permite orquestrar dinamicamente o processo de recuperação e geração por meio de um agente de IA.

Essa abordagem permite fluxos de trabalho e interações com o usuário mais complexos. Por exemplo, você pode configurar seu agente de IA para determinar a ferramenta de recuperação ideal com base na tarefa, como usar o MongoDB Vector Search para pesquisa semântica e o MongoDB Search para pesquisa de texto completo. Você também pode definir diferentes FERRAMENTAS de recuperação para diferentes coleções para personalizar ainda mais os recursos de recuperação do agente.

Memória de agente

Como o MongoDB também é um banco de dados de documento , você pode implementar memória para agentes armazenando suas interações em uma coleção do MongoDB . O agente pode então consultar ou atualizar essa coleção conforme necessário. Há várias maneiras de implementar a memória do agente com o MongoDB:

• Para a memória de curto prazo, você pode incluir um campo session_id para identificar uma sessão específica ao armazenar interações e, em seguida, consultar as interações com o mesmo ID para passá-las ao agente como contexto.

• Para memória de longo prazo, você pode processar várias interações com um LLM para extrair informações relevantes, como preferências do usuário ou contexto importante, e então armazenar essas informações em uma coleção separada que o agente pode consultar quando necessário.

• To build robust memory management systems that enable more efficient and complex retrieval of conversation histories, leverage MongoDB Search or MongoDB Vector Search to store, index, and query important interactions across sessions.

{
  "session_id": "123",
  "user_id": "jane_doe",
  "interactions":
  [
    {
      "role": "user",
      "content": "What is MongoDB?",
      "timestamp": "2025-01-01T12:00:00Z"
    },
    {
      "role": "assistant",
      "content": "MongoDB is the world's leading modern database.",
      "timestamp": "2025-01-01T12:00:05Z"
    }
  ]
}

{
  "user_id": "jane_doe",
  "last_updated": "2025-05-22T09:15:00Z",
  "preferences": {
    "conversation_tone": "casual",
    "custom_instructions": [
      "I prefer concise answers."
    ],
  },
  "facts": [
    {
      "interests": ["AI", "MongoDB"],
    }
  ]
}

The following frameworks also provide direct abstractions for agent memory with MongoDB:

Pré-requisitos

Para concluir este tutorial, você deve ter o seguinte:

• Um dos seguintes tipos de cluster MongoDB :

  • Um Atlas cluster executando o MongoDB versão 6.0.11, 7.0.2 ou posterior. Garanta que seu endereço IP esteja incluído na lista de acessodo 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 or Enterprise cluster with Search and Vector Search installed.

• Uma chave de API do Voyage AI.

• Uma chave de API OpenAI.

Procedimento

Esse agente de AI pode ser usado para responder a perguntas sobre uma fonte de dados personalizada e realizar cálculos. Ele também pode lembrar de interações anteriores para informar suas respostas. Ele usa os seguintes componentes:

• Percepção: entradas de texto.

• Planejamento: um LLM e várias instruções para raciocinar sobre a tarefa.

• Ferramentas: uma ferramenta de pesquisa vetorial e uma ferramenta de cálculo.

• Memória: armazena as interações em uma coleção do MongoDB.