Skip to content
🚀 EDDI 6.5.0

19 provedores LLM, bases de conhecimento que rastreiam o seu site e leem os seus arquivos, e conversas que acompanham as versões compatíveis do agenteNovidades

Cloud Gerenciada Começar
Todas as integrações
Dados e RAGstoreType: mongodb-atlas

MongoDB Atlas Vector Search

MongoDB Atlas Vector Search como armazenamento vetorial de uma base de conhecimento do EDDI, uma escolha natural se você já roda no Atlas.

O que você recebe

  • Uma base de conhecimento no cluster Atlas que você já opera
  • Configuração por string de conexão, banco de dados, coleção e nome do índice
  • A mesma configuração de agente de qualquer outro armazenamento

Como funciona no EDDI

  1. Crie um índice de busca vetorial no Atlas e anote os nomes do banco de dados, da coleção e do índice.
  2. Crie uma RagConfiguration com storeType: "mongodb-atlas" e os parâmetros do armazenamento.
  3. Vincule-a com um passo de workflow eddi://ai.labs.rag.
  4. Selecione-a pelo nome na tarefa de LLM e ingira os documentos.

Configuração

Extraída da documentação do EDDI. Marcadores como your-agent-id devem ser substituídos pelos seus próprios valores.

RagConfiguration (POST /ragstore/rags)A string de conexão carrega credenciais, por isso aqui ela é uma referência ao cofre.
{
  "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 a base de conhecimento ao agente e usá-la em uma tarefa.
// 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." }
} ] }

Governança

  • Mantenha a string de conexão no cofre, não na configuração.
  • As chamadas de embeddings enviam o texto dos documentos ao provedor de embeddings que você configurar.
  • O controle de acesso e as regras de rede do Atlas se aplicam aos vetores.

Bom saber

  • Espera-se que a substituição dos chunks de um documento funcione com o Atlas, mas ela não é coberta por testes. Sem ela, documentos reingeridos podem deixar chunks obsoletos.

Integrações relacionadas

A configuração e o comportamento desta página seguem a documentação do EDDI, verificada em 2026-10-14. Nomes de campos e valores padrão podem mudar entre versões, portanto confirme-os na documentação da sua versão.