将MongoDB与 Mastra 集成

您可以将MongoDB与 Mastra 集成以构建AI代理。 Mastra 是一个开源 TypeScript代理框架，为构建AI应用程序提供基元，包括工作流、RAG 和评估。

重要

此集成由社区维护。要学习；了解更多信息，请参阅 Mastra 文档或 Mastra GitHub存储库。

Overview

您可以将MongoDB与 Mastra 结合使用来构建AI助手。通过将MongoDB Vector Search 与 Mastra 的代理框架相结合，您可以为助手实现以下功能：

使用MongoDB作为向量数据库来存储和检索向量嵌入
使用MongoDB查询语法筛选向量搜索结果
在代理中实现 RAG 作为工具
将助手的内存存储在MongoDB中

安装和设置

要将MongoDB与 Mastra 结合使用，请安装 @mastra/mongodb包：

npm install @mastra/mongodb

要开始使用 Mastra 并学习；了解如何创建项目，请参阅安装 Mastra。

向量存储

MongoDB是supported database <https://mastra.ai/en/docs/rag/vector-databases#supported-databases> Mastra 中的。MongoDBVector 类允许您在MongoDB中存储和检索向量检索。您可以使用此组件存储数据中的嵌入并使用MongoDB Vector Search 检索嵌入，从而实现RAG。

此组件要求您创建MongoDB Vector Search 索引。

使用

要将MongoDB矢量存储与 Mastra 结合使用，请导入 MongoDBVector 类，使用该类创建一个对象，然后指定MongoDB连接详细信息。示例：

import { MongoDBVector } from '@mastra/mongodb'
// Instantiate MongoDB as a vector store
const mongoVector = new MongoDBVector({
  uri: process.env.MONGODB_URI,        // MongoDB connection string
  dbName: process.env.MONGODB_DATABASE // Database name
})

方法

本节重点介绍将MongoDB作为向量存储使用的最相关方法。有关方法的完整列表，请参阅 Mastra 文档。

在搜索嵌入之前，您必须在集合上创建向量搜索索引。 dimension 参数必须与嵌入模型所需的维数相匹配。

// Create a vector search index
await mongoVector.createIndex({
  indexName: "vector_index",       // Name of the index
  dimension: 1536,                 // Must match your embedding model's dimensions
});

创建索引后，您可以存储向量嵌入与关联的元数据。有关完整示例，请参阅 Mastra更新或插入（upsert）嵌入示例。

import { openai } from "@ai-sdk/openai";
import { MongoDBVector } from "@mastra/mongodb";
import { MDocument } from "@mastra/rag";
import { embedMany } from "ai";
// Create a document from text
const doc = MDocument.fromText("Your text content...");
// Split document into chunks
const chunks = await doc.chunk();
// Generate embeddings for each chunk
const { embeddings } = await embedMany({
  values: chunks.map(chunk => chunk.text), // Text content to embed
  model: openai.embedding("text-embedding-3-small"), // Embedding model
});
// Instantiate MongoDB as a vector store
const mongoVector = new MongoDBVector({
  uri: process.env.MONGODB_URI,   // MongoDB connection string
  dbName: process.env.MONGODB_DB_NAME, // Database name
});
// Store vector embeddings with metadata
await mongoVector.upsert({
  indexName: "vector_index",                         // Name of the vector search index
  vectors: embeddings,                               // Array of vector embeddings
  metadata: chunks?.map(chunk => ({ text: chunk.text })), // Associated metadata for each embedding
});

要检索语义相似的文档，请先将查询转换为嵌入，然后查询向量存储。要学习；了解更多信息，请参阅 Mastra 中的检索。

import { openai } from "@ai-sdk/openai";
import { embed } from "ai";
import { MongoDBVector } from "@mastra/mongodb";
// Convert query to embedding
const { embedding } = await embed({
  value: "What are the main points in the article?",  // Query text
  model: openai.embedding("text-embedding-3-small"), // Embedding model
});
// Instantiate MongoDB as a vector store
const mongoVector = new MongoDBVector({
  uri: process.env.MONGODB_URI,        // MongoDB connection string
  dbName: process.env.MONGODB_DATABASE // Database name
});
// Query the vector store for similar documents
const results = await mongoVector.query({
  indexName: "vector_index", // Name of the vector search index
  queryVector: embedding,    // Query embedding vector
  topK: 10,                  // Number of results to return
});
// Display results
console.log(results);

元数据过滤器

MongoDB矢量存储支持对向量搜索查询进行元数据筛选：

不受限制地使用 Mastra查询语法。
使用标准比较操作符、大量操作符、逻辑操作符和元素操作符
在元数据中使用 mested 字段和数组
根据元数据和原始文档内容进行过滤

以下用法示例演示了筛选语法：

// Query with metadata filters
const results = await mongoVector.query({
  indexName: "vector_index",           // Name of the vector search index
  queryVector: queryVector,            // Query embedding vector
  topK: 10,                            // Number of results to return
  filter: {
    category: "electronics",           // Simple equality filter
    price: { $gt: 100 },               // Numeric comparison
    tags: { $in: ["sale", "new"] },    // Array membership
  },
});

提示

为获得最佳性能，请为经常过滤的元数据字段创建索引。要学习；了解更多信息，请参阅MongoDB Vector Search 索引。

要学习；了解更多信息，请参阅元数据筛选器。

带有AI代理的 RAG

您可以将MongoDB用作 Mastra AI代理中的向量存储来实现代理 RAG。这允许您的代理使用MongoDB向量搜索作为工具来帮助完成任务。

Mastra 还提供了一个MONGODB_PROMPT 常量，您可以将其包含在代理指令中，以优化代理使用MongoDB进行检索的方式。要学习；了解更多信息，请参阅向量存储提示。

使用

以下示例展示了如何使用MongoDB作为向量存储来创建具有 RAG 功能的AI代理：

import { Agent } from '@mastra/core/agent';
import { openai } from '@ai-sdk/openai';
import { MONGODB_PROMPT } from "@mastra/mongodb";
import { createVectorQueryTool } from "@mastra/rag";
// Create a vector query tool for the agent
const vectorQueryTool = createVectorQueryTool({
  vectorStoreName: "mongoVector",                    // Name of MongoDB vector store
  indexName: "vector_index",                         // Name of Vector Search index
  model: openai.embedding("text-embedding-3-small"), // Embedding model
});
// Define an AI agent with RAG capabilities
export const ragAgent = new Agent({
  name: 'RAG Agent',                 // Agent name
  model: openai('gpt-4o-mini'),      // LLM model
  instructions: `
  Process queries using the provided context. Structure responses to be concise and relevant.
  ${MONGODB_PROMPT}
  `,
  tools: { vectorQueryTool },        // Tools available to the agent
});

AI助手的内存

您可以使用 Mastra 的内存系统，并以MongoDB作为存储后端。这使您的代理能够记住过去的交互，并使用该信息为未来的决策提供信息。

有关完整教程，请参阅MongoDB内存。

使用

以下示例演示了如何在AI代理中使用内存。此示例使用 memoryOptions 来确定请求的召回范围。设置 lastMessages: 5 以限制基于新近度的召回。使用 semanticRecall 获取 topK: 3 个最相关的消息，包括每个匹配项上下文的 messageRange: 2 个邻近消息。

import "dotenv/config";
 
import { mastra } from "./mastra";
 
const threadId = "123";
const resourceId = "user-456";
 
const agent = mastra.getAgent("mongodbAgent");
 
const message = await agent.stream("My name is Mastra", {
  memory: {
    thread: threadId,
    resource: resourceId
  }
});
 
await message.textStream.pipeTo(new WritableStream());
 
const stream = await agent.stream("What's my name?", {
  memory: {
    thread: threadId,
    resource: resourceId
  },
  memoryOptions: {
    lastMessages: 5,
    semanticRecall: {
      topK: 3,
      messageRange: 2
    }
  }
});
 
for await (const chunk of stream.textStream) {
  process.stdout.write(chunk);
}

其他资源

要学习；了解有关将 Mastra 与MongoDB结合使用的更多信息，请参阅：

后退

构建AI助手

来年

LangChain JS/TS