Temos o prazer de anunciar que o Couchbase agora é compatível com o Agno como um armazenamento vetorial. Essa integração reúne o melhor dos recursos de orquestração de agentes do Agno e o armazenamento vetorial dimensionável e de alto desempenho do Couchbase. Ela permite que os desenvolvedores criem sistemas inteligentes e multiagentes com base em uma pesquisa vetorial rápida e eficiente.
O Agno é uma estrutura de pilha completa e de código aberto para a criação de sistemas multiagentes. Ele oferece uma abordagem limpa, componível e pitônica para a criação de agentes de IA com as ferramentas, a memória e os recursos de raciocínio. É fácil de usar, extremamente rápido e oferece suporte a entradas e saídas multimodais.
Vamos explorar mais essa integração!
Configuração do Agno com o Couchbase
Para começar a usar o Agno e o Couchbase, você precisará seguir algumas etapas simples.
Instalação da Agno
Você pode instalar o Agno e outras dependências necessárias executando o seguinte comando:
|
1 |
tubulação instalar -U agno couchbase openai |
Agora você pode começar a usar a CLI do Agno para configurar agentes e armazenamentos de vetores.
Conexão com o Couchbase e execução de pesquisa vetorial
Agora que as dependências do Agno e do Couchbase estão instaladas, você pode conectar o Couchbase como um armazenamento vetorial e realizar pesquisas vetoriais. Veja como:
Importe os pacotes e inicialize a instância do banco de dados do Couchbase.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
de agno.agente importação Agente de agno.incorporador.openai importação OpenAIEmbedder de agno.conhecimento.pdf_url importação PDFUrlKnowledgeBase de agno.vectordb.couchbase importação CouchbaseSearch de couchbase.opções importação ClusterOptions, KnownConfigProfiles de couchbase.autenticação importação PasswordAuthenticator de couchbase.gerenciamento.pesquisa importação Índice de pesquisa # Configurações de conexão do Couchbase nome de usuário = os.getenv("COUCHBASE_USER") senha = os.getenv("COUCHBASE_PASSWORD") connection_string = os.getenv("COUCHBASE_CONNECTION_STRING") # Criar opções de cluster com autenticação autenticação = PasswordAuthenticator(nome de usuário, senha) opções de cluster = ClusterOptions(autenticação) opções de cluster.apply_profile(KnownConfigProfiles.WanDevelopment) |
Especifique o nome de usuário, a senha e a string de conexão com o cluster do Couchbase.
Inicializar o armazenamento de vetores
Agora vamos inicializar o Couchbase Vector Store:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
vector_db=CouchbaseSearch( nome_do_balde="recipe_bucket" (cesto de receitas), nome_do_escopo="recipe_scope" (escopo da receita), nome_da_coleção="receitas", couchbase_connection_string=connection_string, opções de cluster=opções de cluster, search_index="vector_search_fts_index", incorporador=OpenAIEmbedder( id="text-embedding-3-large", dimensões=3072, chave api=os.getenv("OPENAI_API_KEY") ), wait_until_index_ready=60, sobrescrever=Verdadeiro ), |
Especifique o bucket, o escopo e a coleção do seu cluster do Couchbase. Além disso, defina qual modelo de incorporação você usará para gerar as incorporações.
Carregar dados
Crie uma instância de base de conhecimento de url de PDF e carregue os dados na instância. Usamos os dados em PDF de uma receita pública como exemplo.
|
1 2 3 4 5 6 7 8 9 10 |
# Criar base de conhecimento base de conhecimento = PDFUrlKnowledgeBase( urls=["https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"], vector_db=vector_db, ) base de conhecimento.carregar(recriar=Falso) # Comentário após a primeira execução # Aguarde até que o índice do vetor seja sincronizado com o KV tempo.dormir(20) |
Use o agente Agno para realizar a pesquisa de vetores
Depois de configurar o armazenamento de vetores do Couchbase e inserir os documentos, integre a base de conhecimento em um agente e, em seguida, faça uma pergunta ao agente e obtenha uma resposta.
|
1 2 3 |
# Criar e usar o agente agente = Agente(conhecimento=base de conhecimento, show_tool_calls=Verdadeiro) agente.print_response("Como fazer curry tailandês?", remarcação para baixo=Verdadeiro) |
Conclusão
Com a integração da robusta estrutura agêntica da Agno com os recursos de pesquisa vetorial de alto desempenho do Couchbase, os desenvolvedores podem criar aplicativos dimensionáveis e orientados por IA que lidam com eficiência com tarefas complexas de recuperação de dados e raciocínio. Isso permite que os agentes realizem pesquisas semânticas, aprimorem a compreensão contextual e forneçam respostas mais precisas. Independentemente de você estar trabalhando em pesquisa semântica, aplicativos RAG ou outros casos de uso orientados por IA, essa configuração garante eficiência e precisão.
Próximas etapas
Mais informações estão disponíveis em Documentação da Agnoincluindo um guia de integração para Couchbase.
Boa codificação!