Temos o prazer de anunciar que o Couchbase agora é suportado como um armazenamento vetorial no Agno. Esta integração reúne o melhor das capacidades de orquestração de agentes do Agno e do armazenamento vetorial escalável e de alto desempenho do Couchbase. Ela permite que desenvolvedores construam sistemas inteligentes e multi-agentes impulsionados por buscas vetoriais rápidas e eficientes.
O Agno é um framework full-stack de código aberto para a construção de sistemas multi-agentes. Ele oferece uma abordagem limpa, composável e pythônica para a criação de agentes de IA com ferramentas, memória e capacidades de raciocínio. É fácil de usar, extremamente rápido e suporta entradas e saídas multimodais.
Vamos explorar essa integração mais a fundo!
Configurando o Agno com o Couchbase
Para começar com o Agno e o Couchbase, você precisará seguir alguns passos simples.
Instalando o Agno
Você pode instalar o Agno e outras dependências necessárias executando o seguinte comando:
|
1 |
pip instalar –U agno Couchbase openai |
Agora você pode começar a usar a CLI do Agno para configurar agentes e armazenamentos de vetores.
Conectando-se ao Couchbase e realizando busca vetorial
Agora que as dependências do Agno e do Couchbase estão instaladas, você pode conectar o Couchbase como um armazenamento de vetores e realizar buscas vetoriais. Veja como:
Importe os pacotes e inicialize a instância do banco de dados Couchbase.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
de agno.agente importar Agente de agno.gerador de incorporações.openai importar OpenAIEmbedder de agno.conhecimento.url_do_pdf importar BaseDeConhecimentoDeUrlEmPDF de agno.banco de dados vetorial.Couchbase importar CouchbaseSearch de Couchbase.Opções importar OpçõesDeCluster, PerfisDeConfiguracaoConhecidos de Couchbase.autenticação importar AutenticadorDeSenha de Couchbase.gestão.pesquisar importar Índice de Pesquisa Configurações de conexão do Couchbase para # nome de usuário = os.getenv(“COUCHBASE_USER”) senha = os.getenv(“COUCHBASE_PASSWORD”) string_de_conexao = os.getenv(“COUCHBASE_CONNECTION_STRING”) # Criar opções de cluster com autenticação autenticação = AutenticadorDeSenha(nome de usuário, senha) opções_do_cluster = OpçõesDeCluster(autenticação) opções_do_cluster.aplicar_perfil(PerfisDeConfiguracaoConhecidos.WanDevelopment) |
Especifique o nome de usuário, a senha e a string de conexão para o seu Cluster Couchbase.
Inicializar Repositório de Vetores
Agora inicializamos o Armazenamento Vetorial do Couchbase:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
banco de dados vetorial=CouchbaseSearch( nome_do_bucket=“balde_de_receitas”, nome_do_escopo=“escopo_da_receita”, nome_da_coleção=“receitas”, string_de_conexao_couchbase=string_de_conexao, opções_do_cluster=opções_do_cluster, índice de pesquisa=“vector_search_fts_index”, gerador de incorporações=OpenAIEmbedder( identidade=“text-embedding-3-large”, dimensões=3072, chave_api=os.getenv(“OPENAI_API_KEY”) ), aguardar_indice_pronto=60, substituir=Verdadeiro ), |
Especifique o bucket, o escopo e a coleção para o seu cluster do Couchbase. Além disso, defina qual modelo de incorporação (Embedding) 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 dados de PDF de receitas públicas como exemplo.
|
1 2 3 4 5 6 7 8 9 10 |
# Criar base de conhecimento base de conhecimento = BaseDeConhecimentoDeUrlEmPDF( URLs=[“https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf”], banco de dados vetorial=banco de dados vetorial, ) base de conhecimento.carregar(recriar=Falso) #: Colocar como comentário após a primeira execução # Aguardar a sincronização do índice do vetor com o KV tempo.dormir(20) |
Use o agente Agno para realizar busca vetorial
Depois de configurar seu armazenamento vetorial Couchbase e inserir os documentos, integre a base de conhecimento a um agente. Em seguida, podemos fazer uma pergunta ao agente e obter uma resposta.
|
1 2 3 |
# Criar e utilizar o agente agente = Agente(conhecimento=base de conhecimento, mostrar_chamadas_de_ferramenta=Verdadeiro) agente.imprimir_resposta(“Como fazer curry tailandês?”, markdown=Verdadeiro) |
Conclusão
Com a integração do robusto framework agêntico da Agno com os recursos de busca vetorial de alto desempenho do Couchbase, os desenvolvedores podem criar aplicativos escaláveis impulsionados por IA que lidam eficientemente com tarefas complexas de recuperação de dados e raciocínio. Isso permite que os agentes realizem buscas semânticas, aprimorem a compreensão contextual e entreguem respostas mais precisas. Seja trabalhando em busca semântica, aplicações de RAG ou outros casos de uso impulsionados por IA, esta configuração garante eficiência e precisão.
Próximos passos
Mais informações estão disponíveis no Documentação do Agno, incluindo um guia de integração para Couchbase.
Bom divertimento na programação!
Deixe um comentário
Você precisa fazer o login para publicar um comentário.