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，可通过使用“链”来简化 LLM 应用程序的创建。链是 LangChain 特有的组件，可组合用于各种AI使用案例，包括 RAG。
通过将MongoDB Vector Search 与 LangChain 集成，您可以将MongoDB用作矢量数据库，并使用MongoDB Vector Search 从数据中检索语义相似的文档来实现RAG。要学习；了解有关 RAG 的更多信息，请参阅 使用MongoDB进行检索增强生成 (RAG)。
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 Vector Search 与 LangChainGo 集成以构建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。
通过合并元元数据筛选器来增强搜索结果。
使用MongoDB Vector Search 实施 RAG 工作流程，根据您的数据为问题提供有意义的答案。
后续步骤
要学习有关 MongoDB 向量搜索入门的更多信息，请参阅MongoDB 向量搜索快速入门教程，然后从下拉菜单中选择 Go。
要学习；了解有关 vector embeddings 的更多信息，请参阅如何手动创建 vector embeddings，然后从下拉菜单中选择 Go。
要学习；了解如何集成 LangChainGo 和 Huging Face，请参阅使用MongoDB进行检索增强生成 (RAG)。
要学习；了解如何在不需要 RAG 密钥或信用的情况下实现 API ，请参阅 使用MongoDB Vector Search 构建本地 RAG 实施。
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。