MongoDB-RAG

1.txt

// ติดตั้ง cli ของ mongo-rag
$npm install -g mongodb-rag


// สร้าง configuration ของ Mongo-RAG ผ่าน cli
$npx mongodb-rag init
✔ Enter your MongoDB connection string: · mongodb+srv://your_user:your_password@host
✔ Enter the database name: · mongodb-rag
✔ Enter the collection name: · documents
✔ Select an embedding provider: · openai
✔ Enter your API key (skip if using Ollama): · demo
✔ Enter the model name: · text-embedding-3-small
✔ Enter the embedding dimensions: · 4096

🔍 Next steps:
1. Run `npx mongodb-rag test-connection` to verify your setup
2. Run `npx mongodb-rag create-index` to create your vector search index


// จะสร้างไฟล์ .mongodb-rag.json ขึ้นมา
{
  "mongoUrl": "mongodb+srv://your_user:your_password@host",
  "database": "mongodb-rag",
  "collection": "documents",
  "embedding": {
    "provider": "openai",
    "apiKey": "demo",
    "model": "text-embedding-3-small",
    "dimensions": 4096,
    "batchSize": 100,
    "baseUrl": "http://localhost:11434"
  },
  "search": {
    "maxResults": 5,
    "minScore": 0.7
  },
  "indexName": "vector_index"
}


// สร้างไฟล์ .env สำหรับ config พวก environment variable ต่าง ๆ ที่ต้องใช้งาน
$npx mongodb-rag create-env

// ไฟล์ .env
MONGODB_URI="mongodb+srv://your_user:your_password@host"
EMBEDDING_PROVIDER="openai"
EMBEDDING_API_KEY="demo"
EMBEDDING_MODEL="text-embedding-3-small"
VECTOR_INDEX="vector_index"
MONGODB_DATABASE="mongodb-rag"
MONGODB_COLLECTION="documents"

// ทำการสร้าง index ใน mongodb atlas
$npx mongodb-rag create-index 

2.txt

// ทำการ load ข้อมูลจากไฟล์ใน directory ที่กำหนด
// จะทำการอ่าน และทำ embedding ข้อมูล สามารถเลือก chunking strategy ได้ เช่น Sliding window, recursive, และ semantic chunking
// บันทึกข้อมูลลงใน mongodb atlas

$npx mongodb-rag ingest --directory ./your-data


// ทดสอบค้นหาผ่าน CLI ได้เลย หรือจะเขียน code ก็ได้
$npx mongodb-rag search "your question"


// code การค้นหา
const results = await rag.search('your question', {
  filter: { 'metadata.source': 'docs' },
  maxResults: 10
});