أداة البحث المتجهي في MongoDB

MongoDBVectorSearchTool

الوصف

تنفيذ استعلامات التشابه المتجهي على مجموعات MongoDB Atlas. تدعم أدوات مساعدة لإنشاء الفهارس وإدراج النصوص المضمنة بكميات كبيرة.

يدعم MongoDB Atlas البحث المتجهي الأصلي. اعرف المزيد: https://www.mongodb.com/docs/atlas/atlas-vector-search/vector-search-overview/

التثبيت

قم بالتثبيت مع إضافة MongoDB:

pip install crewai-tools[mongodb]

أو

uv add crewai-tools --extra mongodb

المعاملات

التهيئة

• connection_string (str, مطلوب)
• database_name (str, مطلوب)
• collection_name (str, مطلوب)
• vector_index_name (str, الافتراضي vector_index)
• text_key (str, الافتراضي text)
• embedding_key (str, الافتراضي embedding)
• dimensions (int, الافتراضي 1536)

معاملات التشغيل

• query (str, مطلوب): استعلام بلغة طبيعية لتضمينه والبحث عنه.

بداية سريعة

from crewai_tools import MongoDBVectorSearchTool

tool = MongoDBVectorSearchTool(
  connection_string="mongodb+srv://...",
  database_name="mydb",
  collection_name="docs",
)

print(tool.run(query="how to create vector index"))

أدوات مساعدة لإنشاء الفهارس

استخدم create_vector_search_index(...) لإنشاء فهرس بحث متجهي في Atlas بالأبعاد والتشابه الصحيحين.

المشكلات الشائعة

• فشل المصادقة: تأكد من أن قائمة الوصول إلى عناوين IP في Atlas تسمح بخادمك وأن سلسلة الاتصال تتضمن بيانات الاعتماد.
• الفهرس غير موجود: أنشئ الفهرس المتجهي أولاً؛ يجب أن يتطابق الاسم مع vector_index_name.
• عدم تطابق الأبعاد: قم بمحاذاة أبعاد نموذج التضمين مع dimensions.

أمثلة إضافية

التهيئة الأساسية

from crewai_tools import MongoDBVectorSearchTool

tool = MongoDBVectorSearchTool(
    database_name="example_database",
    collection_name="example_collection",
    connection_string="<your_mongodb_connection_string>",
)

تكوين استعلام مخصص

from crewai_tools import MongoDBVectorSearchConfig, MongoDBVectorSearchTool

query_config = MongoDBVectorSearchConfig(limit=10, oversampling_factor=2)
tool = MongoDBVectorSearchTool(
    database_name="example_database",
    collection_name="example_collection",
    connection_string="<your_mongodb_connection_string>",
    query_config=query_config,
    vector_index_name="my_vector_index",
)

rag_agent = Agent(
    name="rag_agent",
    role="You are a helpful assistant that can answer questions with the help of the MongoDBVectorSearchTool.",
    goal="...",
    backstory="...",
    tools=[tool],
)

تحميل قاعدة البيانات مسبقاً وإنشاء الفهرس

import os
from crewai_tools import MongoDBVectorSearchTool

tool = MongoDBVectorSearchTool(
    database_name="example_database",
    collection_name="example_collection",
    connection_string="<your_mongodb_connection_string>",
)

# Load text content from a local folder and add to MongoDB
texts = []
for fname in os.listdir("knowledge"):
    path = os.path.join("knowledge", fname)
    if os.path.isfile(path):
        with open(path, "r", encoding="utf-8") as f:
            texts.append(f.read())

tool.add_texts(texts)

# Create the Atlas Vector Search index (e.g., 3072 dims for text-embedding-3-large)
tool.create_vector_search_index(dimensions=3072)

مثال

from crewai import Agent, Task, Crew
from crewai_tools import MongoDBVectorSearchTool

tool = MongoDBVectorSearchTool(
    connection_string="mongodb+srv://...",
    database_name="mydb",
    collection_name="docs",
)

agent = Agent(
    role="RAG Agent",
    goal="Answer using MongoDB vector search",
    backstory="Knowledge retrieval specialist",
    tools=[tool],
    verbose=True,
)

task = Task(
    description="Find relevant content for 'indexing guidance'",
    expected_output="A concise answer citing the most relevant matches",
    agent=agent,
)

crew = Crew(
    agents=[agent],
    tasks=[task],
    verbose=True,
)

result = crew.kickoff()