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 |
pip install -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 |
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 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( 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 ), |
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 |
# 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) |
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 |
# Create and use the agent agent = Agent(knowledge=knowledge_base, show_tool_calls=True) agent.print_response("How to make Thai curry?", markdown=True) |
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!
