Nos complace anunciar que Couchbase ya es compatible con Agno como almacén vectorial. Esta integración reúne lo mejor de las capacidades de orquestación de agentes de Agno y el almacén vectorial escalable y de alto rendimiento de Couchbase. Permite a los desarrolladores crear sistemas inteligentes multiagente basados en búsquedas vectoriales rápidas y eficientes.
Agno es un framework de código abierto para la construcción de sistemas multiagente. Ofrece un enfoque limpio, componible y Pythonic para construir agentes de IA con las herramientas, la memoria y las capacidades de razonamiento. Es fácil de usar, extremadamente rápido y soporta entradas y salidas multimodales.
Exploremos más a fondo esta integración.
Configuración de Agno con Couchbase
Para empezar a utilizar Agno y Couchbase, tendrás que seguir unos sencillos pasos.
Instalación de Agno
Puede instalar Agno y otras dependencias necesarias ejecutando el siguiente comando:
|
1 |
pip install -U agno couchbase openai |
Ahora puede empezar a utilizar la CLI de Agno para configurar agentes y almacenes de vectores.
Conexión a Couchbase y búsqueda vectorial
Ahora que las dependencias de Agno y Couchbase están instaladas, puedes conectar Couchbase como un almacén vectorial y realizar búsquedas vectoriales. He aquí cómo:
Importa los paquetes e inicializa la instancia de base de datos Couchbase.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
from agno.agent import Agent from agno.embedder.openai import OpenAIEmbedder from agno.knowledge.pdf_url import PDFUrlKnowledgeBase from agno.vectordb.couchbase import CouchbaseSearch from couchbase.options import ClusterOptions, KnownConfigProfiles from couchbase.auth import PasswordAuthenticator from couchbase.management.search import SearchIndex # Couchbase connection settings username = os.getenv("COUCHBASE_USER") password = os.getenv("COUCHBASE_PASSWORD") connection_string = os.getenv("COUCHBASE_CONNECTION_STRING") # Create cluster options with authentication auth = PasswordAuthenticator(username, password) cluster_options = ClusterOptions(auth) cluster_options.apply_profile(KnownConfigProfiles.WanDevelopment) |
Especifique el nombre de usuario, la contraseña y la cadena de conexión a su clúster Couchbase.
Inicializar almacén de vectores
Ahora inicializamos el almacén vectorial de Couchbase:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
vector_db=CouchbaseSearch( bucket_name="recipe_bucket", scope_name="recipe_scope", collection_name="recipes", couchbase_connection_string=connection_string, cluster_options=cluster_options, search_index="vector_search_fts_index", embedder=OpenAIEmbedder( id="text-embedding-3-large", dimensions=3072, api_key=os.getenv("OPENAI_API_KEY") ), wait_until_index_ready=60, overwrite=True ), |
Especifica el bucket, scope y collection para tu cluster de Couchbase. Además, define qué modelo de incrustación utilizarás para generar las incrustaciones.
Datos de carga
Cree una instancia de base de conocimientos PDF url y cargue los datos en la instancia. Usamos los datos de una receta pública en pdf como ejemplo.
|
1 2 3 4 5 6 7 8 9 10 |
# Create knowledge base knowledge_base = PDFUrlKnowledgeBase( urls=["https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"], vector_db=vector_db, ) knowledge_base.load(recreate=False) # Comment out after first run # Wait for the vector index to sync with KV time.sleep(20) |
Utilice el agente Agno para realizar la búsqueda vectorial
Una vez que hayas configurado tu almacén vectorial Couchbase, e insertado los documentos, integra la base de conocimiento en un agente, entonces podremos hacer una pregunta al agente y obtener una respuesta.
|
1 2 3 |
# Create and use the agent agent = Agent(knowledge=knowledge_base, show_tool_calls=True) agent.print_response("How to make Thai curry?", markdown=True) |
Conclusión
Gracias a la integración del robusto marco agentico de Agno con las capacidades de búsqueda vectorial de alto rendimiento de Couchbase, los desarrolladores pueden crear aplicaciones escalables e impulsadas por IA que gestionan eficientemente tareas complejas de recuperación de datos y razonamiento. Esto permite a los agentes realizar búsquedas semánticas, mejorar la comprensión contextual y ofrecer respuestas más precisas. Tanto si trabaja en búsquedas semánticas como en aplicaciones RAG u otros casos de uso basados en IA, esta configuración garantiza la eficacia y la precisión.
Próximos pasos
Más información en Documentación Agnoque incluye una guía de integración de Couchbase.
¡Feliz codificación!
