RAG Agent

Code

cookbook/models/ibm/watsonx/knowledge.py

from agno.agent import Agent
from agno.knowledge.pdf_url import PDFUrlKnowledgeBase
from agno.models.ibm import WatsonX
from agno.vectordb.pgvector import PgVector

db_url = "postgresql+psycopg://ai:ai@localhost:5532/ai"

knowledge_base = PDFUrlKnowledgeBase(
    urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
    vector_db=PgVector(table_name="recipes", db_url=db_url),
)
knowledge_base.load(recreate=True)  # Comment out after first run

agent = Agent(
    model=WatsonX(id="ibm/granite-20b-code-instruct"),
    knowledge=knowledge_base,
    show_tool_calls=True,
)
agent.print_response("How to make Thai curry?", markdown=True)

Usage

1. 创建虚拟环境

   打开 Terminal 并创建一个 python 虚拟环境。

   Mac

   python3 -m venv .venv
   source .venv/bin/activate
   

2. 设置您的 API 密钥

   export IBM_WATSONX_API_KEY=xxx
   export IBM_WATSONX_PROJECT_ID=xxx
   

3. 安装库

   pip install -U ibm-watsonx-ai sqlalchemy pgvector psycopg pypdf openai agno
   

4. 使用 pgvector 设置 PostgreSQL

   您需要一个安装了 pgvector 扩展的 PostgreSQL 数据库。请调整代码中的 db_url 以匹配您的数据库配置。

5. 运行 Agent

   Mac

   python cookbook/models/ibm/watsonx/knowledge.py
   

6. 后续运行

   首次运行后，注释掉 knowledge_base.load(recreate=True) 行，以避免重新加载 PDF。

此示例展示了如何将知识库与 IBM WatsonX 集成。它会从一个 URL 加载 PDF，将其处理到向量数据库（在此示例中为带 pgvector 的 PostgreSQL），然后创建一个可以查询该知识库的 Agent。

注意：您需要安装多个包（pgvector、pypdf 等）并拥有一个安装了 pgvector 扩展的 PostgreSQL 数据库。

Assistant

Responses are generated using AI and may contain mistakes.