使用MongoDB Atlas构建AI旅行规划助手工作流

直到现在，这些组件都需要自定义连接。

但是通过新的原生n8n节点用于MongoDB Atlas，我们显著减少了这种开销。

只需几次点击：

从MongoDB存储和召回长期记忆

查询存储在Atlas Vector Search中的向量嵌入

在您的LLM链和自动化逻辑中使用这些结果

在这个示例中，我们展示了一个围绕旅行规划的摄取和AI代理流程。我们希望代理了解的不同兴趣点可以被摄取到向量存储中。

AI代理将使用向量存储工具来获取有关这些兴趣点的相关上下文（如果需要）。

先决条件
MongoDB Atlas项目和集群
用于嵌入的OpenAI有效API密钥（可以是其他提供商）
用于LLM的Gemini API密钥（可以是其他提供商）
工作原理：

有2个主要流程。

一个是摄取流程：
从webhook获取文档并使用MongoDB Vector Atlas将文档标题和描述嵌入到points_of_interest集合中。
嵌入存储在名为embedding的字段中
使用的嵌入是OpenAI的，但可以是任何类型的受支持嵌入器。
第二个流程是具有存储在MongoDB Atlas中的聊天内存和作为工具的向量搜索节点的AI代理节点：
聊天消息触发器：与AI代理聊天将触发存储在MongoDB聊天内存节点中的对话。
当需要数据时，如位置搜索或详细信息，它将转到”向量搜索”工具。
向量搜索工具 – 使用在points_of_interest集合上创建的Atlas向量搜索索引：
// 索引名称：”vector_index”
// 如果您更改嵌入提供商，请确保numDimensions与模型对应。
{
“fields”: [
{
“type”: “vector”,
“path”: “embedding”,
“numDimensions”: 1536,
“similarity”: “cosine”
}
]
}

附加资源

MongoDB Atlas Vector Search
n8n Atlas Vector Search文档