Жанрові фільтри підсовують ті самі блокбастери, які всі вже бачили. Цей рекомендаційник читає, що глядач насправді описує, і знаходить фільми під настрій.
Жанрові фільтри підсовують ті самі блокбастери, які всі вже бачили. Цей рекомендаційник читає, що глядач насправді описує, і знаходить фільми під настрій.
Фільми зберігаються в MongoDB Atlas, а ембедінги індексуються поруч через Atlas Search. Запит виконує гібридний пошук, який поєднує векторну подібність із фільтрами за рейтингом і жанром, а потім повертає ранжований список — до кожного фільму додається пояснення в один рядок на основі синопсису.
Як він працює
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Створіть індекс Atlas Search, який поєднує векторну схожість із фільтрами за жанром та рейтингом.
pending
За запитом створіть ембедінг опису смаків користувача та виконайте гібридний пошук по каталогу.
pending
Поверніть топ результатів із коротким обґрунтуванням вибору кожного фільму, взятого з його синопсису.
pending
Приклад результату
json
// Sample output
// (generated when the pipeline finishes)
Given a user's described taste, return ranked movie recommendations from MongoDB Atlas with a one-line reason per title.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.