​
MDXSearchTool

O MDXSearchTool está em desenvolvimento contínuo. Recursos podem ser adicionados ou removidos, e a funcionalidade pode mudar de forma imprevisível à medida que refinamos a ferramenta.

​
Descrição

A Ferramenta de Pesquisa MDX é um componente do pacote crewai_tools focado em facilitar a extração avançada de dados do markdown. Ela permite que usuários pesquisem e extraiam informações relevantes de arquivos MD utilizando buscas baseadas em consulta. Esta ferramenta é indispensável para análise de dados, gestão de informações e tarefas de pesquisa, agilizando o processo de encontrar informações específicas em grandes coleções de documentos.

​
Instalação

Antes de utilizar a Ferramenta de Pesquisa MDX, certifique-se de que o pacote crewai_tools está instalado. Caso não esteja, você pode instalá-lo com o comando abaixo: 
pip install 'crewai[tools]'

​
Exemplo de Uso

Para utilizar a Ferramenta de Pesquisa MDX, primeiro defina as variáveis de ambiente necessárias. Em seguida, integre a ferramenta ao seu projeto crewAI para começar sua pesquisa de mercado. Veja abaixo um exemplo básico de como fazer isso:
Code
from crewai_tools import MDXSearchTool

# Inicialize a ferramenta para pesquisar qualquer conteúdo MDX que ela conheça durante a execução
tool = MDXSearchTool()

# OU

# Inicialize a ferramenta com um caminho específico para o arquivo MDX, realizando buscas exclusivamente neste documento
tool = MDXSearchTool(mdx='path/to/your/document.mdx')

​
Parâmetros

  • mdx: Opcional. Especifica o caminho do arquivo MDX para pesquisa. Pode ser informado durante a inicialização.

​
Personalização do Modelo e Embeddings

A ferramenta utiliza, por padrão, o OpenAI para embeddings e sumarização. Para personalizar, utilize um dicionário de configuração conforme exemplo abaixo:
Code
tool = MDXSearchTool(
    config=dict(
        llm=dict(
            provider="ollama", # As opções incluem google, openai, anthropic, llama2, etc.
            config=dict(
                model="llama2",
                # Parâmetros opcionais podem ser incluídos aqui.
                # temperature=0.5,
                # top_p=1,
                # stream=true,
            ),
        ),
        embedder=dict(
            provider="google", # ou openai, ollama, ...
            config=dict(
                model="models/embedding-001",
                task_type="retrieval_document",
                # Um título opcional para os embeddings pode ser adicionado aqui.
                # title="Embeddings",
            ),
        ),
    )
)