🚀 EDDI 6.5.0

19 proveedores LLM, bases de conocimiento que rastrean su sitio y leen sus archivos, y conversaciones que siguen las versiones compatibles del agenteNovedades

Cloud Gestionada Empezar
Todas las integraciones
Datos y RAGstoreType: mongodb-atlas

MongoDB Atlas Vector Search

MongoDB Atlas Vector Search como almacén vectorial de una base de conocimiento de EDDI, una opción natural si ya trabajas en Atlas.

ConfiguraciónDocumentación ↗

Qué obtienes

  • Una base de conocimiento en el clúster de Atlas que ya operas
  • Configuración mediante cadena de conexión, base de datos, colección y nombre de índice
  • La misma configuración de agente que con cualquier otro almacén

Cómo funciona en EDDI

  1. Crea un índice de búsqueda vectorial en Atlas y anota los nombres de la base de datos, la colección y el índice.
  2. Crea una RagConfiguration con storeType: "mongodb-atlas" y los parámetros del almacén.
  3. Vincúlala con un paso de workflow eddi://ai.labs.rag.
  4. Selecciónala por nombre en la tarea de LLM e ingiere documentos.

Configuración

Extraída de la documentación de EDDI. Los marcadores como your-agent-id deben sustituirse por tus propios valores.

RagConfiguration (POST /ragstore/rags)La cadena de conexión lleva credenciales, por eso aquí es una referencia a la bóveda.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "mongodb-atlas",
  "storeParameters": {
    "connectionString": "${vault:atlas-connection-string}",
    "databaseName": "eddi",
    "collectionName": "product_docs",
    "indexName": "vector_index"
  },
  "chunkStrategy": "recursive",
  "chunkSize": 512,
  "chunkOverlap": 64,
  "maxResults": 5,
  "minScore": 0.6
}
workflow step + langchain.json taskVincular la base de conocimiento al agente y usarla en una tarea.
// 1. workflow step: binds the knowledge base to the agent
{ "type": "eddi://ai.labs.rag",
  "extensions": {},
  "config": { "uri": "eddi://ai.labs.rag/ragstore/rags/{ragId}?version=1" } }

// 2. LLM task: selects it by the "name" of the RagConfiguration
{ "tasks": [{
    "actions": ["*"],
    "type": "openai",
    "knowledgeBases": [{ "name": "product-docs", "maxResults": 5, "minScore": 0.7 }],
    "parameters": { "systemMessage": "You are a helpful assistant." }
} ] }

Gobernanza

  • Mantén la cadena de conexión en la bóveda, no en la configuración.
  • Las llamadas de embeddings envían texto de los documentos al proveedor de embeddings que configures.
  • El control de acceso y las reglas de red de Atlas se aplican a los vectores.

Conviene saber

  • Se espera que la sustitución de los fragmentos de un documento funcione con Atlas, pero no está cubierta por pruebas. Sin ella, los documentos reingeridos pueden dejar fragmentos obsoletos.
EmpezarDocumentación ↗

Integraciones relacionadas

Datos y RAGpgvectorPostgreSQL con pgvector como almacén vectorial de una base de conocimiento de EDDI. La opción persistente recomendada cuando ya operas PostgreSQL.Datos y RAGElasticsearchElasticsearch como almacén vectorial de una base de conocimiento de EDDI, útil cuando ya lo operas y quieres búsqueda por palabras clave y vectorial en un mismo lugar.Datos y RAGChromaChroma como almacén vectorial de una base de conocimiento de EDDI. La opción de menor fricción cuando no tienes infraestructura existente que reutilizar.

La configuración y el comportamiento de esta página siguen la documentación de EDDI, comprobada el 2026-10-14. Los nombres de campo y los valores por defecto pueden cambiar entre versiones, así que confírmalos en la documentación de tu versión.