将MongoDB与 Langflow 集成

您可以将MongoDB与 Langflow 集成，Langflow 是一个用于构建AI管道和代理的开源可视化框架。 Langflow 提供了一个 MongoDB Atlas 组件，该组件使用MongoDB Vector Search 作为向量存储，因此您可以将MongoDB支持的检索添加到流程中，而无需编写代码。

MongoDB Atlas 组件允许您执行以下操作：

摄取数据：将文档及其嵌入写入您的集合。
相似性搜索：运行相似性搜索并返回匹配的文档。
配置助手工具：为助手提供对MongoDB数据的访问权限。

开始体验

要完成将 Langflow 配置为使用MongoDB 的教程，请参阅开始使用 Langflow 集成。

安装

lfx-bundles包提供可选的第三方集成，包括 MongoDB Atlas 组件。要安装MongoDB依赖项，运行以下命令：

uv pip install "lfx-bundles[mongodb]"

或者，要将每个捆绑提供商与 Langflow 一起安装，运行以下命令：

uv pip install "langflow[bundles]"

重要

Docker镜像

要将 MongoDB Atlas 组件与Docker结合使用，请使用 langflowai/langflow-all 映像而不是默认的langflowai/langflow 映像。 langflow-all 映像包括提供 MongoDB Atlas 组件的 langflow[bundles]。要学习；了解更多信息，请参阅选择 Langflow Docker映像。

使用

要在流程中将MongoDB用作向量存储，请将 MongoDB 类别中的 MongoDB Atlas 组件添加到画布中，然后在组件检查面板中配置其连接和索引参数。

以下标签页描述了在流程中使用该组件的不同方法：

写入文档及其嵌入写入集合，请将数据加载器和 Split Text 组件连接到 Ingest Data 输入：

File or URL loader → Split Text → MongoDB Atlas

要运行相似性搜索并返回匹配文档，请将 Chat Input 或其他文本生成组件连接到 Search Query 输入：

Chat Input → MongoDB Atlas → Chat Output

要允许助手访问权限您的集合，请在 MongoDB Atlas 组件的标题菜单中启用Tool Mode。然后，将其输出连接到 Agent 组件的 Tools 输入：

MongoDB Atlas → Agent (Tools)

如果您使用 MongoDB Atlas 组件查询您的集合，该组件会返回结果，您可以将其作为JSON对象列表或表格结果传递给流程中的其他组件。如果两种格式都可用，则可以在可视化编辑器中靠近组件输出端口的设立格式。

首次运行搜索时，该组件会检查 Index Name 参数中指定的MongoDB Vector Search索引是否存在。如果没有，该组件将从 Index Field、Number of Dimensions、Similarity 和 Quantization 参数创建索引，然后等待 20 秒再继续。由于该等待不能确认索引已完成构建，因此在创建索引后立即运行的查询仍可能返回空结果。

提示

要检查索引是否已完成构建，请在Atlas用户界面中查看其 Status 。

参数

默认下，某些参数在可视化编辑器中处于隐藏状态。您可以通过选择组件时出现的组件检查面板来查看和修改每个参数。

Parameter	必要性	说明
MongoDB Atlas Cluster URI	必需	MongoDB Atlas 群集的连接字符串。要学习；了解有关查找连接字符串的更多信息，请参阅通过客户端库连接到集群。
Enable mTLS	Optional	是否启用双向 TLS身份验证。默认为 `false`。
MongoDB Atlas Combined Client Certificate	可选的	客户端证书与私钥的组合。如果启用mTLS，则为必填项。
Database Name	必需	包含您的集合的数据库的名称。
Collection Name	必需	存储数据的集合的名称。
Index Name	必需	集合上的MongoDB Vector Search索引的名称。
Ingest Data	Optional	要写入集合的文档。接受来自上游组件的一个或多个 `Data`、`DataFrame` 或 `Table` 输入。
Insert Mode	Optional	该组件如何将新文档插入到集合中。设立为 `append` 时，该组件保留现有文档并添加新文档。设立为 `overwrite` 时，该组件会在插入新文档之前从集合中删除所有现有文档。默认为 `append`。
Embedding	必需	该组件用于嵌入文档和查询的嵌入模型。将嵌入模型组件连接到此输入。
Search Query	Optional	用于运行相似性搜索的文本查询。
Number of Results	Optional	从相似性搜索中返回的结果数。默认为 `4`。
Index Field	Optional	MongoDB Vector Search索引涵盖的字段。默认为 `embedding`。
Filter Field	Optional	用于过滤索引的字段。
Number of Dimensions	Optional	嵌入向量的维数。必须与您配置的嵌入器生成的维度数相匹配。默认为 `1536`，但请确保将此值设立为与嵌入模型的维度相匹配。
Similarity	Optional	用于衡量向量之间相似度的方法。选项为 `cosine`、`euclidean` 或 `dotProduct`。默认为 `cosine`。
Quantization	可选的	通过将 32 位浮点数转换为较小的数据类型来降低内存成本的量化方法。选项为 `scalar` 或 `binary`，没有 `none` 选项。如果MongoDB Vector Search索引尚不存在，则为必填项。有关更多信息，请参阅本页“搜索索引”部分的注释。
Cache Vector Store	Optional	是否缓存当前组件运行的向量存储。默认为 `true`。

搜索索引

如果匹配的索引尚不存在，则首次运行搜索时，MongoDB Atlas 组件会在您的集合上创建MongoDB Vector Search索引。您也可以手动创建或检查此索引。要学习；了解更多信息，请参阅创建MongoDB Vector Search 索引。

索引使用以下定义，其中 path字段指定 Index Field 值，numDimensions字段指定 Number of Dimensions 值，similarity字段指定 Similarity 值：

{
  "fields": [
    {
      "numDimensions": 1536,
      "path": "embedding",
      "quantization": "scalar",
      "similarity": "cosine",
      "type": "vector"
    }
 ]
}