将Atlas Vector Search与 LangChain 集成

在此页面上

安装和设置

Vector Store
Retrievers
LLM 缓存
文档加载器
聊天历史记录
二进制存储
其他资源

您可以将Atlas Vector Search与 LangChain 集成，以构建生成式AI和 RAG应用程序。本页概述了MongoDB LangChain Python集成以及您可以在应用程序中使用的不同组件。

开始体验

注意

有关组件的完整列表，请参阅 API参考。

有关JavaScript集成，请参阅 LangChain JS/TS 集成入门。

安装和设置

要将Atlas Vector Search与 LangChain 结合使用，必须首先安装 langchain-mongodb包：

pip install langchain-mongodb

某些组件还需要以下 LangChain 基础包：

pip install langchain langchain_community

Vector Store

MongoDBAtlasVectorSearch 是向量存储允许您在Atlas的集合中存储和检索向量嵌入。您可以使用此组件存储数据中的嵌入，并使用Atlas Vector Search进行检索。

此组件需要Atlas Vector Search索引。

使用

from langchain_mongodb.vectorstores import MongoDBAtlasVectorSearch
from pymongo import MongoClient
# Use some embedding model to generate embeddings
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings
# Connect to your Atlas cluster
client = MongoClient("<connection-string>")
collection = client["<database-name>"]["<collection-name>"]
# Instantiate the vector store
vector_store = MongoDBAtlasVectorSearch(
   collection = collection         # Collection to store embeddings
   embedding = FakeEmbeddings(),   # Embedding model to use
   index_name = "vector_index",    # Name of the vector search index
   relevance_score_fn = "cosine"   # Similarity score function, can also be "euclidean" or "dotProduct"
)

注意

Retrievers

LangChain 检索器是用于从向量存储中获取相关文档的组件。您可以使用 LangChain 的内置检索器或以下MongoDB检索器从Atlas查询和检索数据。

全文检索器

MongoDBAtlasFullTextSearchRetriever 是使用 Atlas Search 执行全文搜索的检索器。具体来说，它使用 Lucene 的标准 BM25 算法。

此检索器需要Atlas Search索引。

使用

from langchain_mongodb.retrievers.full_text_search import MongoDBAtlasFullTextSearchRetriever
# Connect to your Atlas cluster
client = MongoClient("<connection-string>")
collection = client["<database-name>"]["<collection-name>"]
# Initialize the retriever
retriever = MongoDBAtlasFullTextSearchRetriever(
   collection = collection,           # MongoDB Collection in Atlas
   search_field = "<field-name>",     # Name of the field to search
   search_index_name = "<index-name>" # Name of the search index
)
# Define your query
query = "some search query"
# Print results
documents = retriever.invoke(query)
for doc in documents:
   print(doc)

注意

API 参考

混合搜索检索器

MongoDBAtlasHybridSearchRetriever 是使用倒数排名融合 (RRF)算法将向量搜索和全文搜索结果相结合的检索器。要学习；了解详情，请参阅如何执行混合搜索。

此检索器需要现有的向量存储、 Atlas Vector Search索引和Atlas Search索引。

使用

from langchain_mongodb.retrievers.hybrid_search import MongoDBAtlasHybridSearchRetriever
# Initialize the retriever
retriever = MongoDBAtlasHybridSearchRetriever(
   vectorstore = <vector-store>,        # Vector store instance
   search_index_name = "<index-name>",  # Name of the Atlas Search index
   top_k = 5,                           # Number of documents to return
   fulltext_penalty = 60.0,             # Penalty for full-text search
   vector_penalty = 60.0                # Penalty for vector search
)
# Define your query
query = "some search query"
# Print results
documents = retriever.invoke(query)
for doc in documents:
   print(doc)

注意

API 参考

LLM 缓存

缓存用于优化 LLM 性能，方法是存储类似或重复查询的重复响应以避免重新计算。 MongoDB为 LangChain 应用程序提供以下缓存。

MongoDB缓存

MongoDBCache 允许您在Atlas中存储基本缓存。

使用

from langchain_mongodb import MongoDBCache
from langchain_core.globals import set_llm_cache
set_llm_cache(MongoDBCache(
   connection_string = "<connection-string>", # Atlas connection string
   database_name = "<database-name>",         # Database to store the cache
   collection_name = "<collection-name>"      # Collection to store the cache
))

注意

语义缓存

语义缓存是一种更高级的缓存形式，它根据用户输入和缓存结果之间的语义相似性来检索缓存的提示。

MongoDBAtlasSemanticCache 是一个语义缓存，它使用Atlas Vector Search来检索缓存的提示。此组件需要Atlas Vector Search索引。

使用

from langchain_mongodb import MongoDBAtlasSemanticCache
from langchain_core.globals import set_llm_cache
# Use some embedding model to generate embeddings
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings
set_llm_cache(MongoDBAtlasSemanticCache(
   embedding = FakeEmbeddings(),              # Embedding model to use
   connection_string = "<connection-string>", # Atlas connection string
   database_name = "<database-name>",         # Database to store the cache
   collection_name = "<collection-name>"      # Collection to store the cache
))

注意

文档加载器

文档加载器是帮助您为 LangChain 应用程序加载数据的工具。

MongodbLoader 是一个文档加载器，可从MongoDB 数据库返回文档列表。

使用

from langchain_community.document_loaders.mongodb import MongodbLoader
loader = MongodbLoader(
   connection_string = "<connection-string>",  # Atlas cluster or local MongoDB instance URI
   db_name = "<database-name>",                # Database that contains the collection
   collection_name = "<collection-name>",      # Collection to load documents from
   filter_criteria = { <filter-document> },    # Optional document to specify a filter
   field_names = ["<field-name>", ... ]        # List of fields to return
)
docs = loader.load()

注意

聊天历史记录

MongoDBChatMessageHistory 是一个允许您在MongoDB 数据库中存储和管理聊天消息历史记录的组件。它可以保存与唯一会话标识符相关的用户和AI生成的消息。这对于需要跟踪一段时间内交互的应用程序非常有用，例如聊天机器人。

使用

from langchain_mongodb.chat_message_histories import MongoDBChatMessageHistory
chat_message_history = MongoDBChatMessageHistory(
   session_id = "<session-id>",               # Unique session identifier
   connection_string = "<connection-string>", # Atlas cluster or local MongoDB instance URI
   database_name = "<database-name>",         # Database to store the chat history
   collection_name = "<collection-name>"      # Collection to store the chat history
)
chat_message_history.add_user_message("Hello")
chat_message_history.add_ai_message("Hi")

chat_message_history.messages

[HumanMessage(content='Hello'), AIMessage(content='Hi')]

注意

二进制存储

MongoDBByteStore 是一个自定义数据存储，它使用MongoDB存储和管理二进制数据，特别是以字节表示的数据。您可以使用键值对执行增删改查操作，其中键是字符串，值是字节序列。

使用

from langchain.storage import MongoDBByteStore
# Instantiate the MongoDBByteStore
mongodb_store = MongoDBByteStore(
   connection_string = "<connection-string>",  # Atlas cluster or local MongoDB instance URI
   db_name = "<database-name>",                # Name of the database
   collection_name = "<collection-name>"       # Name of the collection
)
# Set values for keys
mongodb_store.mset([("key1", b"hello"), ("key2", b"world")])
# Get values for keys
values = mongodb_store.mget(["key1", "key2"])
print(values)  # Output: [b'hello', b'world']
# Iterate over keys
for key in mongodb_store.yield_keys():
   print(key)  # Output: key1, key2
# Delete keys
mongodb_store.mdelete(["key1", "key2"])

注意

API 参考

其他资源

要了解 Atlas Vector Search 的其他RAG使用案例，请参阅 LangChain 提供的以下模板来帮助您构建应用程序：

MongoDB 还提供以下开发者资源：

后退

AI 集成

来年

开始体验