이제 Couchbase가 Agno의 벡터 스토어로 지원된다는 기쁜 소식을 알려드리게 되어 기쁩니다. 이번 통합을 통해 Agno의 에이전트 오케스트레이션 기능과 Couchbase의 확장 가능한 고성능 벡터 스토어의 장점이 결합되었습니다. 이를 통해 개발자는 빠르고 효율적인 벡터 검색으로 구동되는 지능형 멀티에이전트 시스템을 구축할 수 있습니다.
Agno는 멀티 에이전트 시스템을 구축하기 위한 오픈 소스 풀스택 프레임워크입니다. 도구, 메모리, 추론 기능을 갖춘 깔끔하고 컴포저블한 파이썬 방식으로 AI 에이전트를 구축할 수 있습니다. 사용하기 쉽고 매우 빠르며 멀티모달 입력 및 출력을 지원합니다.
이 통합 기능에 대해 자세히 알아보세요!
Couchbase로 Agno 설정하기
아그노와 카우치베이스를 시작하려면 몇 가지 간단한 단계를 따라야 합니다.
Agno 설치
다음 명령을 실행하여 Agno 및 기타 필수 종속 요소를 설치할 수 있습니다:
|
1 |
pip install -U agno couchbase openai |
이제 Agno의 CLI를 사용하여 에이전트 및 벡터 스토어를 구성할 수 있습니다.
카우치베이스에 연결하여 벡터 검색 수행하기
이제 Agno 및 Couchbase 종속성이 설치되었으므로 Couchbase를 벡터 저장소로 연결하고 벡터 검색을 수행할 수 있습니다. 방법은 다음과 같습니다:
패키지를 가져오고 Couchbase 데이터베이스 인스턴스를 초기화합니다.
|
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) |
사용자 이름, 비밀번호 및 Couchbase 클러스터에 대한 연결 문자열을 지정합니다.
벡터 스토어 초기화
이제 카우치베이스 벡터 스토어를 초기화합니다:
|
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 ), |
Couchbase 클러스터의 버킷, 범위 및 컬렉션을 지정합니다. 또한 임베딩을 생성하는 데 사용할 임베딩 모델을 정의합니다.
데이터 로드
PDF URL 지식창고 인스턴스를 만들고 데이터를 인스턴스에 로드합니다. 공개 레시피 PDF 데이터를 예로 들어 보겠습니다.
|
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) |
Agno 에이전트를 사용하여 벡터 검색 수행
카우치베이스 벡터 스토어를 구성하고 문서를 삽입한 후 지식창고를 상담원에게 통합하면 상담원에게 질문하고 답변을 받을 수 있습니다.
|
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) |
결론
아그노의 강력한 에이전트 프레임워크와 카우치베이스의 고성능 벡터 검색 기능을 통합하여 개발자는 복잡한 데이터 검색 및 추론 작업을 효율적으로 처리하는 확장 가능한 AI 기반 애플리케이션을 만들 수 있습니다. 이를 통해 상담원은 시맨틱 검색을 수행하고, 문맥 이해를 높이며, 보다 정확한 응답을 제공할 수 있습니다. 시맨틱 검색, RAG 애플리케이션, 기타 AI 기반 사용 사례 등 어떤 작업을 하든 이 설정은 효율성과 정확성을 보장합니다.
다음 단계
자세한 내용은 Agno 문서에 대한 통합 가이드를 포함하여 카우치베이스.
행복한 코딩!
