MongoDB 的生成式 AI 展示

欢迎来到 MongoDB 的生成式 AI 展示仓库！

无论您是刚刚开始探索生成式 AI，还是希望构建高级的生成式 AI 应用，我们都将为您提供全面的支持。本仓库包含丰富的示例和样例应用，涵盖检索增强生成（RAG）、AI 代理以及各行业的特定用例。

了解 MongoDB 如何融入 RAG 流程和 AI 代理中，作为向量数据库、操作型数据库以及记忆存储提供者发挥作用。

内容概览

本仓库主要包含以下内容：

文件夹	描述
notebooks	用于 RAG、代理式应用、评估等的 Jupyter 笔记本示例
apps	JavaScript 和 Python 应用及演示
workshops	自学型动手实践工作坊
partners	来自我们 AI 合作伙伴的贡献

快速入门

要运行本仓库中的任何应用或示例，您需要连接到一个 MongoDB 集群。请按照以下步骤进行设置：

• 注册一个 免费的 MongoDB Atlas 账户
• 创建一个新的数据库集群
• 获取您的数据库集群连接字符串

参与贡献

我们热烈欢迎各位的参与！请阅读我们的 贡献指南，了解更多关于如何参与的信息。

许可证

本项目采用 MIT 许可证 开源。

获取支持

在使用这些示例的过程中，如果您遇到任何问题，请 提交一个新的 issue。

更多资源

• AI 学习中心
• 生成式 AI 社区论坛
• 官方文档中的教程和代码示例

GenAI-Showcase 快速上手指南

GenAI-Showcase 是 MongoDB 官方提供的生成式 AI 示例仓库，涵盖检索增强生成（RAG）、AI 智能体（Agents）及行业特定用例。本指南将帮助你快速配置环境并运行示例。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：推荐 Python 3.9 或更高版本（大部分示例基于 Python）
• Node.js：部分 JavaScript 应用需要 Node.js (推荐 LTS 版本)
• MongoDB Atlas 账号：必须拥有免费的 MongoDB Atlas 云数据库集群
• 依赖管理工具：pip (Python) 或 npm/yarn (JavaScript)

注意：本项目主要依赖云端 MongoDB Atlas，无需在本地安装 MongoDB 服务端。

安装步骤

1. 配置 MongoDB Atlas 集群

运行任何示例前，必须先连接至 MongoDB 集群：

1. 访问 MongoDB Atlas 注册页面 创建免费账号。
2. 登录后，点击 "Create a new database cluster" 创建一个新集群（选择免费层级 M0 即可）。
3. 在集群详情页，点击 "Connect"，选择 "Drivers"，复制 Connection String（连接字符串），格式类似： mongodb+srv://<username>:<password>@cluster0.xxxxx.mongodb.net/?retryWrites=true&w=majority
4. 请将 <username> 和 <password> 替换为你创建的数据库用户凭证。

2. 克隆项目代码

使用 Git 克隆仓库到本地：

git clone https://github.com/mongodb-developer/GenAI-Showcase.git
cd GenAI-Showcase

3. 安装 Python 依赖

进入包含示例的目录（以 notebooks 或 apps 中的 Python 项目为例），创建虚拟环境并安装依赖：

# 创建虚拟环境
python -m venv venv

# 激活虚拟环境
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate

# 安装依赖 (具体 requirements 文件位置视具体示例文件夹而定，通常在根目录或子目录下)
# 例如在 apps/python 目录下：
pip install -r requirements.txt

国内加速建议：如果 pip install 速度较慢，建议使用国内镜像源：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

本仓库的核心内容位于 notebooks (Jupyter 笔记本) 和 apps (完整应用) 目录。以下以运行一个基础的 RAG 示例为例：

步骤 1：配置环境变量

在项目根目录或具体示例文件夹下，创建 .env 文件，填入你的 MongoDB 连接字符串和所需的 LLM API Key（如 OpenAI）：

export MONGODB_URI="mongodb+srv://<user>:<password>@cluster0.xxxxx.mongodb.net/"
export OPENAI_API_KEY="sk-..."

(Windows PowerShell 用户使用 $env:MONGODB_URI = "...")

步骤 2：运行 Jupyter Notebook 示例

进入 notebooks 目录，启动 Jupyter Lab 或 Notebook：

cd notebooks
jupyter lab

在浏览器打开的界面中，选择一个入门示例（例如 rag_basic.ipynb），按顺序执行单元格。代码会自动利用你配置的 MongoDB Atlas 作为向量数据库存储嵌入数据，并执行检索增强生成流程。

步骤 3：运行 Python 应用示例

如果想运行独立的 Python 脚本（位于 apps 目录）：

cd apps/python/<specific-app-folder>
python main.py

程序将连接至你的 Atlas 集群，执行预设的 AI 任务（如问答、数据分析等），并在终端输出结果。

---

更多高级用法、工作坊教程及合作伙伴集成示例，请参阅仓库中对应的 workshops 和 partners 目录文档。