🚀 EDDI 6.5.0

19 fournisseurs LLM, des bases de connaissances qui explorent votre site et lisent vos fichiers, et des conversations qui suivent les versions compatibles des agentsNouveautés

Cloud Géré Démarrer
Toutes les intégrations
Données et RAGstoreType: mongodb-atlas

MongoDB Atlas Vector Search

MongoDB Atlas Vector Search comme base vectorielle pour une base de connaissances EDDI, un choix naturel si vous êtes déjà sur Atlas.

ConfigurationDoc ↗

Ce que vous obtenez

  • Une base de connaissances dans le cluster Atlas que vous exploitez déjà
  • Une configuration par chaîne de connexion, base de données, collection et nom d'index
  • La même configuration d'agent que pour toute autre base

Fonctionnement dans EDDI

  1. Créer un index de recherche vectorielle dans Atlas et noter les noms de la base de données, de la collection et de l'index.
  2. Créer une RagConfiguration avec storeType: "mongodb-atlas" et les paramètres de la base.
  3. La lier avec une étape de workflow eddi://ai.labs.rag.
  4. La sélectionner par son nom dans la tâche LLM et ingérer des documents.

Configuration

Tirée de la documentation d'EDDI. Les espaces réservés comme your-agent-id sont à remplacer par vos propres valeurs.

RagConfiguration (POST /ragstore/rags)La chaîne de connexion contient des identifiants, c'est pourquoi c'est ici une référence au coffre.
{
  "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 taskLier la base de connaissances à l'agent et l'utiliser dans une tâche.
// 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." }
} ] }

Gouvernance

  • Gardez la chaîne de connexion dans le coffre, pas dans la configuration.
  • Les appels d'embeddings envoient le texte des documents au fournisseur d'embeddings que vous configurez.
  • Le contrôle d'accès et les règles réseau d'Atlas s'appliquent aux vecteurs.

Bon à savoir

  • Le remplacement des fragments d'un document devrait fonctionner avec Atlas mais n'est pas couvert par des tests. Sans lui, des documents ré-ingérés peuvent laisser des fragments obsolètes.
CommencerDoc ↗

Intégrations associées

Données et RAGpgvectorPostgreSQL avec pgvector comme base vectorielle pour une base de connaissances EDDI. Le choix persistant recommandé lorsque vous exploitez déjà PostgreSQL.Données et RAGElasticsearchElasticsearch comme base vectorielle pour une base de connaissances EDDI, utile lorsque vous l'exploitez déjà et souhaitez réunir recherche par mots-clés et recherche vectorielle au même endroit.Données et RAGChromaChroma comme base vectorielle pour une base de connaissances EDDI. L'option la plus simple à mettre en place lorsque vous n'avez pas d'infrastructure existante à réutiliser.

La configuration et le comportement décrits sur cette page suivent la documentation d'EDDI, vérifiée le 2026-10-14. Les noms de champs et les valeurs par défaut peuvent changer d'une version à l'autre : confirmez-les dans la documentation de votre version.