Создание интеллектуального ИИ-ассистента для электронной коммерции с использованием MongoDB

В этом руководстве разработчик Даниэль Кубо (Daniel Kubo) демонстрирует процесс создания автономного ИИ-агента для интернет-магазина, способного взаимодействовать с пользователями в режиме реального времени. В отличие от обычных чат-ботов с жестко заданными сценариями, этот агент использует архитектуру LangGraph для принятия самостоятельных решений: поиска по базе данных, выбора стратегии ответа и адаптации к ошибкам. Проект объединяет Node.js, MongoDB Atlas (векторный поиск и хранение состояний) и Google Gemini в качестве «мозгового центра» системы.

🛠 Подготовка инфраструктуры и настройка MongoDB 2:09

Работа начинается с создания серверной части на Node.js и настройки базы данных в MongoDB Atlas, которая будет служить хранилищем для товаров и векторов.

• Инициализация проекта: В папке server выполняется npm init, устанавливаются необходимые зависимости: typescript, express, langchain, @langchain/google-genai, @langchain/langgraph и zod.
• Конфигурация: В index.ts настраивается Express-сервер, подключается cors и парсинг JSON для обработки запросов от фронтенда.
• MongoDB: В облачной панели MongoDB Atlas создается кластер (Cluster0), добавляется текущий IP-адрес для доступа и генерируется строка подключения.
• Безопасность: Для доступа к Gemini через Google Cloud Platform создается API-ключ, который вместе со строкой подключения MongoDB сохраняется в файле .env.

🧠 Генерация данных и векторный поиск 18:25

Чтобы ИИ мог осмысленно искать товары, необходимо наполнить базу данных синтетическими данными и настроить механизмы векторизации.

• Генерация контента: Используется модель gemini-1.5-flash с температурой 0.7 для создания 10 реалистичных позиций мебели. Структура данных описывается через схему Zod, что обеспечивает строгую типизацию.
• Векторизация: Создается функция create_item_summary, которая превращает детали товара (описание, цены, отзывы) в текстовое резюме.
• Хранение: Текстовые резюме преобразуются в векторы с помощью модели text-embedding-004 (768 измерений) и сохраняются в MongoDB Atlas.
• Индексация: Настраивается индекс векторного поиска (vector-index), позволяющий системе выполнять семантический поиск, а не простое сопоставление ключевых слов.

🤖 Логика ИИ-агента (LangGraph) 43:28

Сердце системы — агент, созданный с помощью LangGraph, который определяет, нужно ли обращаться к базе данных или отвечать пользователю напрямую.

• Инструмент поиска: Создается custom-инструмент item_lookup_tool, который выполняет семантический поиск по базе. В случае отсутствия результатов предусмотрен «fallback» — текстовый поиск по регулярным выражениям.
• Рабочий процесс: Граф состояний (StateGraph) управляет циклом: Агент -> Выполнение инструмента -> Агент. Состояние разговора сохраняется в MongoDB, что позволяет поддерживать контекст переписки.
• Обработка ошибок: Внедрена функция retry_with_backoff, которая автоматически повторяет запросы к API в случае получения ошибки 429 (превышение лимита запросов).

💻 Фронтенд на React 1:06:32

Для взаимодействия с агентом разработано простое React-приложение с чат-виджетом.

• Компоненты: Созданы основной магазин (ecommerce-store.js) и чат-виджет (chat-widget.js), использующий React Hooks для управления состоянием переписки.
• Взаимодействие: Чат-виджет отправляет сообщения пользователя на бэкенд-эндпоинт /chat. Агент возвращает ответы, которые динамически добавляются в интерфейс.
• UX-детали: Реализована автопрокрутка к последнему сообщению при помощи useRef и useEffect, а также визуальное разделение сообщений (агент/пользователь) через CSS.