MongoDB 벡터 검색 도구

MongoDBVectorSearchTool

설명

MongoDB Atlas 컬렉션에서 벡터 유사성 쿼리를 수행합니다. 인덱스 생성 도우미 및 임베디드 텍스트의 일괄 삽입을 지원합니다.

MongoDB Atlas는 네이티브 벡터 검색을 지원합니다. 자세히 알아보기: https://www.mongodb.com/docs/atlas/atlas-vector-search/vector-search-overview/

설치

MongoDB 추가 기능과 함께 설치하세요:

pip install crewai-tools[mongodb]

또는

uv add crewai-tools --extra mongodb

파라미터

초기화

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

실행 매개변수

• query (str, 필수): 임베드 및 검색할 자연어 쿼리.

빠른 시작

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"))

인덱스 생성 도우미

create_vector_search_index(...)를 사용하여 올바른 차원과 유사성을 가진 Atlas Vector Search 인덱스를 프로비저닝하세요.

일반적인 문제

• 인증 실패: Atlas IP 액세스 목록에 러너가 허용되어 있는지 확인하고, 연결 문자열에 자격 증명이 포함되어 있는지 확인하세요.
• 인덱스를 찾을 수 없음: 벡터 인덱스를 먼저 생성하세요; 이름이 vector_index_name과 일치해야 합니다.
• 차원 불일치: 임베딩 모델의 차원을 dimensions와 일치시켜야 합니다.

추가 예시

기본 초기화

from crewai_tools import MongoDBVectorSearchTool

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

사용자 지정 쿼리 구성

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],
)

데이터베이스 미리 로드 및 인덱스 생성

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)

예시

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()