您可以将MongoDB Vector Search 与 LangChainGo 集成，以构建大型语言模型 (LLM) 应用程序并实现检索增强生成 (RAG)。 本教程演示如何开始将MongoDB Vector Search 与 LangChainGo 结合使用，对数据执行语义搜索并构建RAG实施。具体来说，您执行以下操作：
设置环境。
在MongoDB中存储自定义数据。
对数据创建MongoDB Vector Search索引。
运行以下向量搜索查询：
语义搜索。
带元数据预过滤的语义搜索。
使用 MongoDB Vector Search 来回答有关数据的问题，从而实施RAG。
背景
LangChainGo 是 LangChain 的 Go 编程语言实现。它是一个由社区驱动的 LangChain 框架的第三方端口。
LangChain 是一个开源框架，它通过使用“链”简化了 LLM 应用程序的创建。链是特定于 LangChain 的组件，可以组合用于各种 AI 使用案例，包括 RAG。
By integrating MongoDB Vector Search with LangChain, you can use MongoDB as a vector database and use MongoDB Vector Search to implement RAG by retrieving semantically similar documents from your data. To learn more about RAG, see Retrieval-Augmented Generation (RAG) with MongoDB.
LangChainGo 促进了AI应用程序的法学硕士编排，将 LangChain 的功能带入Go生态系统。它还允许开发者连接到他们首选的向量存储兼容数据库，包括MongoDB。
步骤
完成本教程后，您已成功将 MongoDB 向量搜索与 LangChainGo 集成，构建了一个 RAG 应用程序。您已完成以下任务：
启动并配置了必要的环境来支持您的应用程序。
将自定义数据存储在MongoDB中，并将MongoDB实例化为向量存储。
基于数据构建 MongoDB Vector Search 索引，支持语义搜索功能。
使用向量嵌入来检索语义相关的数据。
通过结合元数据过滤器增强搜索结果。
实施了一个 RAG 工作流，使用 MongoDB 向量搜索来回答基于数据的问题，从而提供有意义的回答。
后续步骤
To learn more about getting started with MongoDB Vector Search, see the MongoDB Vector Search Quick Start Tutorial, and then select Go from the drop-down menu.
To learn more about vector embeddings, see How to Create Vector Embeddings Manually, and then select Go from the drop-down menu.
To learn how to integrate LangChainGo and Hugging Face, see Retrieval-Augmented Generation (RAG) with MongoDB.
To learn how implement RAG without the need for API keys or credits, see Build a Local RAG Implementation with MongoDB Vector Search.
MongoDB 还提供以下开发者资源：
提示
如要了解有关集成 LangChainGo、OpenAI 和 MongoDB 的更多信息，请参阅使用 MongoDB Atlas 作为带有 OpenAI 嵌入的向量存储。