벡터 임베딩을 만드는 방법

Node.js 프로젝트를 초기화합니다.

터미널 창에서 다음 명령을 실행하여 my-embeddings-project 라는 새 디렉토리를 만들고 프로젝트를 초기화합니다.

mkdir my-embeddings-project
cd my-embeddings-project
npm init -y

package.json 파일을 업데이트합니다.

ES 모듈 을 사용하도록 프로젝트 "type": "module" package.json 구성 파일에 를 추가한 다음 저장합니다.

{
  "type": "module",
  // other fields...
}

종속성을 설치하고 가져옵니다.

터미널 창에서 다음 명령을 실행합니다.

npm install mongodb @xenova/transformers

벡터 임베딩을 생성하여 Atlas에 저장합니다.

1. create-embeddings.js 이라는 파일을 만들고 다음 코드를 붙여넣습니다. 이 코드는 다음을 수행합니다.

   • 지정된 입력에 대한 임베딩을 생성하기 위해 getEmbedding 이라는 이름의 비동기 함수를 생성하고 내보냅니다. 이 함수는 또한 다음을 지정합니다.

     • feature-extraction 허깅 페이스의 변환기 .js의 작업 라이브러리. 자세히 알아보려면 작업을 참조하세요.

     • nomic-embed-text-v1 임베딩 모델.

   • 샘플 텍스트 데이터에서 임베딩을 생성하고 MongoDB Node.js 드라이버를 사용하여 Atlas의 sample_db.embeddings 컬렉션에 수집합니다.

   create-embeddings.js

   import { MongoClient } from 'mongodb';
   import { pipeline } from '@xenova/transformers';
   // Function to generate embeddings for a given data source
   export async function getEmbedding(data) {
       const embedder = await pipeline(
           'feature-extraction', 
           'Xenova/nomic-embed-text-v1');
       const response = await embedder(data, { pooling: 'mean', normalize: true });
       return Array.from(response.data);
   }
   // Data to embed
   const data = [ 
       "Titanic: The story of the 1912 sinking of the largest luxury liner ever built",
       "The Lion King: Lion cub and future king Simba searches for his identity",
       "Avatar: A marine is dispatched to the moon Pandora on a unique mission"
   ]
   async function run() {
       // Connect to your Atlas cluster
       const uri = "<connectionString>"; 
       const client = new MongoClient(uri);
       try {
           await client.connect();
           const db = client.db("sample_db");
           const collection = db.collection("embeddings");
           // Ingest data and embeddings into Atlas
           await Promise.all(data.map(async text => {
               const embedding = await getEmbedding(text);
               // Check if the document already exists before inserting
               const existingDoc = await collection.findOne({ text: text });
               if (!existingDoc) {
                   await collection.insertOne({
                       text: text,
                       embedding: embedding
                   });
                   console.log(embedding);
                  }
            }));
               
       } catch (err) {
           console.log(err.stack);
       }
       finally {
           await client.close();
       }
   }
   run().catch(console.dir);

2. <connectionString> 을(를) Atlas cluster의 SRV 연결 문자열로 바꿉니다.

   참고

   연결 문자열은 다음 형식을 사용해야 합니다.

   mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

3. 파일을 저장한 후 다음 명령을 실행합니다.

   node create-embeddings.js

   출력 숨기기

   [ -0.04323853924870491, -0.008460805751383305, 0.012494648806750774, -0.013014335185289383, ... ]
   [ -0.017400473356246948, 0.04922063276171684, -0.002836339408531785, -0.030395228415727615, ... ]
   [ -0.016950927674770355, 0.013881809078156948, -0.022074559703469276, -0.02838018536567688, ... ]

   참고

   출력의 차원 수는 가독성을 위해 잘렸습니다.

   클러스터의 sample_db.embeddings 컬렉션으로 이동 하여 Atlas UI에서 벡터 임베딩을 볼 수도 있습니다.

Node.js 프로젝트를 초기화합니다.

터미널 창에서 다음 명령을 실행하여 my-embeddings-project (이)라는 새 디렉토리를 만들고 프로젝트를 초기화합니다.

mkdir my-embeddings-project
cd my-embeddings-project
npm init -y

package.json 파일을 업데이트합니다.

ES 모듈 을 사용하도록 프로젝트 "type": "module" package.json 구성 파일에 를 추가한 다음 저장합니다.

{
  "type": "module",
  // other fields...
}

종속성을 설치하고 가져옵니다.

터미널 창에서 다음 명령을 실행합니다.

npm install mongodb openai

벡터 임베딩을 생성하여 Atlas에 저장합니다.

1. create-embeddings.js 이라는 파일을 만들고 다음 코드를 붙여넣습니다. 이 코드는 다음을 수행합니다.

   • OpenAI의 text-embedding-3-small 모델을 사용하여 지정된 입력에 대한 임베딩을 생성하는 getEmbedding 라는 비동기 함수를 생성하고 내보냅니다.

   • 샘플 텍스트 데이터에서 임베딩을 생성하고 MongoDB Node.js 드라이버를 사용하여 Atlas의 sample_db.embeddings 컬렉션에 수집합니다.

   create-embeddings.js

   import { MongoClient } from 'mongodb';
   import OpenAI from 'openai';
   // Setup OpenAI configuration
   const openai = new OpenAI({
       apiKey: "<apiKey>",
   });
   // Function to get the embeddings using the OpenAI API
   export async function getEmbedding(text) {
       const response = await openai.embeddings.create({
           model: "text-embedding-3-small",
           input: text,
           encoding_format: "float",
       });
       return response.data[0].embedding;
   }
   // Data to embed
   const data = [ 
       "Titanic: The story of the 1912 sinking of the largest luxury liner ever built",
       "The Lion King: Lion cub and future king Simba searches for his identity",
       "Avatar: A marine is dispatched to the moon Pandora on a unique mission"
   ]
   async function run() {
       // Connect to your Atlas cluster
       const uri = "<connectionString>"; 
       const client = new MongoClient(uri);
       
       try {
           await client.connect();
           const db = client.db("sample_db");
           const collection = db.collection("embeddings");
           // Ingest data and embeddings into Atlas
           await Promise.all(data.map(async text => {
               // Check if the document already exists
               const embedding = await getEmbedding(text);
               const existingDoc = await collection.findOne({ text: text });
               if (!existingDoc) {
                   await collection.insertOne({
                       text: text,
                       embedding: embedding
                   });
                   console.log(embedding);
               }
           }));
       } catch (err) {
           console.log(err.stack);
       }
       finally {
           await client.close();
       }
   }
   run().catch(console.dir);

2. 다음 자리 표시자 값을 바꿉니다.

   • <apiKey> OpenAI API 키로 사용할 수 있습니다.

   • <connectionString> Atlas cluster의 SRV 연결 문자열과 함께 사용합니다.

   참고

   연결 문자열은 다음 형식을 사용해야 합니다.

   mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

3. 파일을 저장한 후 다음 명령을 실행합니다.

   node create-embeddings.js

   출력 숨기기

   [ 0.031927742, -0.014192767, -0.021851597, 0.045498233, -0.0077904654, ... ]
   [ -0.01664538, 0.013198251, 0.048684783, 0.014485021, -0.018121032, ... ]
   [ 0.030449908, 0.046782598, 0.02126599, 0.025799986, -0.015830345, ... ]

   참고

   출력의 차원 수는 가독성을 위해 잘렸습니다.

   클러스터의 sample_db.embeddings 컬렉션으로 이동 하여 Atlas UI에서 벡터 임베딩을 볼 수도 있습니다.

환경을 설정합니다.

확장자가 .ipynb 인 파일을 저장하여 대화형 Python 노트북을 만든 후 노트북에서 다음 명령을 실행하여 종속성을 설치합니다.

pip install --quiet nomic sentence-transformers pymongo

벡터 임베딩을 생성하는 함수를 만듭니다.

노트북에 다음 코드를 붙여넣고 실행하여 Nomic AI 의 오픈 소스 임베딩 모델을 사용하여 벡터 임베딩을 생성하는 함수를 만듭니다. . 이 코드는 다음을 수행합니다.

• nomic-embed-text-v1 를 로드합니다. 임베딩 모델.

• 모델을 사용하여 지정된 텍스트 입력에 대한 임베딩을 생성하는 get_embedding 라는 함수를 만듭니다.

• 문자열 foo 에 대한 단일 임베딩을 생성합니다.

from nomic import embed
from sentence_transformers import SentenceTransformer
# Load the embedding model (https://huggingface.co/nomic-ai/nomic-embed-text-v1")
model = SentenceTransformer("nomic-ai/nomic-embed-text-v1", trust_remote_code=True)
# Define a function to generate embeddings
def get_embedding(data):
   """Generates vector embeddings for the given data."""
   embedding = model.encode(data)
   return embedding.tolist()
# Generate an embedding
get_embedding("foo")

[-0.029808253049850464, 0.03841473162174225, -0.02561120130121708, -0.06707508116960526, 0.03867151960730553, ... ]

임베딩을 생성하여 Atlas에 저장합니다.

노트북에 다음 코드를 붙여넣고 실행하여 Atlas cluster에 연결하고, 사용자 지정 데이터에서 임베딩을 생성한 다음, MongoDB PyMongo 드라이버 를 사용하여 sample_db.embeddings 컬렉션에 수집합니다. <connection-string> 를 Atlas 클러스터의 SRV 연결 문자열로 바꿉니다.

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

import pymongo
# Connect to your Atlas cluster
mongo_client = pymongo.MongoClient("<connection-string>")
db = mongo_client["sample_db"]
collection = db["embeddings"]
# Sample data
data = [
   "Titanic: The story of the 1912 sinking of the largest luxury liner ever built",
   "The Lion King: Lion cub and future king Simba searches for his identity",
   "Avatar: A marine is dispatched to the moon Pandora on a unique mission"
]
# Ingest data into Atlas
for text in data:
   embedding = get_embedding(text)
   collection.insert_one({ "text": text, "embedding": embedding })

샘플 코드를 실행한 후 sample_db.embeddings cluster의 collection으로 이동 하여 Atlas UI에서 벡터 임베딩을 볼 수 있습니다.

환경을 설정합니다.

확장자가 .ipynb 인 파일을 저장하여 대화형 Python 노트북을 만든 후 노트북에서 다음 명령을 실행하여 종속성을 설치합니다.

pip install --quiet openai pymongo

벡터 임베딩을 생성하는 함수를 만듭니다.

노트북에 다음 코드를 붙여넣고 실행하여 OpenAI <api-key> 의 독점 임베딩 모델을 사용하여 벡터 임베딩을 생성하는 함수를 만듭니다. . 를 OpenAI API 키로 바꿉니다. 이 코드는 다음을 수행합니다.

• text-embedding-3-small 임베딩 모델을 지정합니다.

• 모델의 API 를 호출하여 지정된 텍스트 입력에 대한 임베딩을 생성하는 get_embedding 함수를 만듭니다.

• 문자열 foo 에 대한 단일 임베딩을 생성합니다.

import os
from openai import OpenAI
# Specify your OpenAI API key and embedding model
os.environ["OPENAI_API_KEY"] = "<api-key>"
model = "text-embedding-3-small"
openai_client = OpenAI()
# Define a function to generate embeddings
def get_embedding(text):
   """Generates vector embeddings for the given text."""
   embedding = openai_client.embeddings.create(input = [text], model=model).data[0].embedding
   return embedding
# Generate an embedding
get_embedding("foo")

[-0.005843308754265308, -0.013111298903822899, -0.014585349708795547, 0.03580040484666824, 0.02671629749238491, ... ]

임베딩을 생성하여 Atlas에 저장합니다.

노트북에 다음 코드를 붙여넣고 실행하여 Atlas cluster에 연결하고, 사용자 지정 데이터에서 임베딩을 생성한 다음, MongoDB PyMongo 드라이버 를 사용하여 sample_db.embeddings 컬렉션에 수집합니다. <connection-string> 를 Atlas 클러스터의 SRV 연결 문자열로 바꿉니다.

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

import pymongo
# Connect to your Atlas cluster
mongo_client = pymongo.MongoClient("<connection-string>")
db = mongo_client["sample_db"]
collection = db["embeddings"]
# Sample data
data = [
   "Titanic: The story of the 1912 sinking of the largest luxury liner ever built",
   "The Lion King: Lion cub and future king Simba searches for his identity",
   "Avatar: A marine is dispatched to the moon Pandora on a unique mission"
]
# Ingest data into Atlas
for text in data:
   embedding = get_embedding(text)
   collection.insert_one({ "text": text, "embedding": embedding })

샘플 코드를 실행한 후 sample_db.embeddings cluster의 collection으로 이동 하여 Atlas UI에서 벡터 임베딩을 볼 수 있습니다.

Atlas Vector Search 인덱스를 생성합니다.

데이터에 대한 벡터 검색 쿼리를 활성화하려면 컬렉션에 Atlas Vector Search 인덱스를 생성해야 합니다.

다음 단계를 완료하여 sample_db.embeddings 컬렉션에 embedding 필드를 벡터 유형으로, 768 벡터 차원, 유사성 측정값을 euclidean 로 지정하는 인덱스를 만듭니다.

1. create-index.js 이라는 파일을 만들고 다음 코드를 붙여넣습니다.

   create-index.js

   import { MongoClient } from 'mongodb';
   // connect to your Atlas deployment
   const uri =  "<connectionString>";
   const client = new MongoClient(uri);
   async function run() {
      try {
        const database = client.db("sample_db");
        const collection = database.collection("embeddings");
       
        // define your Atlas Vector Search index
        const index = {
            name: "vector_index",
            type: "vectorSearch",
            definition: {
              "fields": [
                {
                  "type": "vector",
                  "numDimensions": 768,
                  "path": "embedding",
                  "similarity": "euclidean"
                }
              ]
            }
        }
        // run the helper method
        const result = await collection.createSearchIndex(index);
        console.log(result);
      } finally {
        await client.close();
      }
   }
   run().catch(console.dir);

2. <connectionString> 을(를) Atlas cluster의 SRV 연결 문자열로 바꿉니다.

3. 파일을 저장한 후 다음 명령을 실행합니다.

   node create-index.js

자세히 알아보려면 Atlas Vector Search 인덱스 만들기를 참조하세요.

벡터 검색 쿼리에 대한 임베딩을 생성하고 쿼리를 실행합니다.

1. vector-query.js 이라는 파일을 만들고 다음 코드를 붙여넣습니다.

   벡터 검색 쿼리를 실행하려면 쿼리 벡터 를 생성하여 집계 파이프라인에 전달할 수 있습니다.

   예를 들어 다음 코드는 다음을 수행합니다.

   • 이전 예제에서 정의한 임베딩 함수를 호출하여 문자열 ocean tragedy 에 대한 임베딩을 생성합니다.

   • 임베딩을 집계 파이프라인의 queryVector 필드에 전달합니다.

   • 벡터 검색 쿼리를 실행합니다. 의미적으로 유사한 문서를 관련성과 벡터 검색 점수 순으로 반환합니다.

   vector-query.js

   import { MongoClient } from 'mongodb';
   import { getEmbedding } from './create-embeddings.js';
   // MongoDB connection URI and options
   const uri = "<connectionString>"; 
   const client = new MongoClient(uri);
   async function run() {
       try {
           // Connect to the MongoDB client
           await client.connect();
           // Specify the database and collection
           const database = client.db("sample_db"); 
           const collection = database.collection("embeddings"); 
           // Generate embedding for the search query
           const queryEmbedding = await getEmbedding("ocean tragedy");
           // Define the sample vector search pipeline
           const pipeline = [
               {
                   $vectorSearch: {
                       index: "vector_index",
                       queryVector: queryEmbedding,
                       path: "embedding",
                       exact: true,
                       limit: 5
                   }
               },
               {
                   $project: {
                       _id: 0,
                       text: 1,
                       score: {
                           $meta: "vectorSearchScore"
                       }
                   }
               }
           ];
           // run pipeline
           const result = collection.aggregate(pipeline);
           // print results
           for await (const doc of result) {
               console.dir(JSON.stringify(doc));
           }
           } finally {
           await client.close();
       }
   }
   run().catch(console.dir);

2. <connectionString> 을(를) Atlas cluster의 SRV 연결 문자열로 바꿉니다.

3. 파일을 저장한 후 다음 명령을 실행합니다.

   node vector-query.js

   출력 숨기기

   '{"text":"Titanic: The story of the 1912 sinking of the largest luxury liner ever built","score":0.5103757977485657}'
   '{"text":"Avatar: A marine is dispatched to the moon Pandora on a unique mission","score":0.4616812467575073}'
   '{"text":"The Lion King: Lion cub and future king Simba searches for his identity","score":0.4115804433822632}'

Atlas Vector Search 인덱스를 생성합니다.

데이터에 대한 벡터 검색 쿼리를 활성화하려면 컬렉션에 Atlas Vector Search 인덱스를 생성해야 합니다.

다음 단계를 완료하여 sample_db.embeddings 컬렉션에 embedding 필드를 벡터 유형으로, 1536 벡터 차원, 유사성 측정값을 euclidean 로 지정하는 인덱스를 만듭니다.

1. create-index.js 이라는 파일을 만들고 다음 코드를 붙여넣습니다.

   create-index.js

   import { MongoClient } from 'mongodb';
   // connect to your Atlas deployment
   const uri =  "<connectionString>";
   const client = new MongoClient(uri);
   async function run() {
      try {
        const database = client.db("sample_db");
        const collection = database.collection("embeddings");
       
        // define your Atlas Vector Search index
        const index = {
            name: "vector_index",
            type: "vectorSearch",
            definition: {
              "fields": [
                {
                  "type": "vector",
                  "numDimensions": 1536,
                  "path": "embedding",
                  "similarity": "euclidean"
                }
              ]
            }
        }
        // run the helper method
        const result = await collection.createSearchIndex(index);
        console.log(result);
      } finally {
        await client.close();
      }
   }
   run().catch(console.dir);

2. <connectionString> 을(를) Atlas cluster의 SRV 연결 문자열로 바꿉니다.

3. 파일을 저장한 후 다음 명령을 실행합니다.

   node create-index.js

자세히 알아보려면 Atlas Vector Search 인덱스 만들기를 참조하세요.

벡터 검색 쿼리에 대한 임베딩을 생성하고 쿼리를 실행합니다.

1. vector-query.js 이라는 파일을 만들고 다음 코드를 붙여넣습니다.

   벡터 검색 쿼리를 실행하려면 쿼리 벡터 를 생성하여 집계 파이프라인에 전달할 수 있습니다.

   예를 들어 다음 코드는 다음을 수행합니다.

   • 이전 예제에서 정의한 임베딩 함수를 호출하여 문자열 ocean tragedy 에 대한 임베딩을 생성합니다.

   • 임베딩을 집계 파이프라인의 queryVector 필드에 전달합니다.

   • 벡터 검색 쿼리를 실행합니다. 의미적으로 유사한 문서를 관련성과 벡터 검색 점수 순으로 반환합니다.

   vector-query.js

   import { MongoClient } from 'mongodb';
   import { getEmbedding } from './create-embeddings.js';
   // MongoDB connection URI and options
   const uri = "<connectionString>"; 
   const client = new MongoClient(uri);
   async function run() {
       try {
           // Connect to the MongoDB client
           await client.connect();
           // Specify the database and collection
           const database = client.db("sample_db"); 
           const collection = database.collection("embeddings"); 
           // Generate embedding for the search query
           const queryEmbedding = await getEmbedding("ocean tragedy");
           // Define the sample vector search pipeline
           const pipeline = [
               {
                   $vectorSearch: {
                       index: "vector_index",
                       queryVector: queryEmbedding,
                       path: "embedding",
                       exact: true,
                       limit: 5
                   }
               },
               {
                   $project: {
                       _id: 0,
                       text: 1,
                       score: {
                           $meta: "vectorSearchScore"
                       }
                   }
               }
           ];
           // run pipeline
           const result = collection.aggregate(pipeline);
           // print results
           for await (const doc of result) {
               console.dir(JSON.stringify(doc));
           }
           } finally {
           await client.close();
       }
   }
   run().catch(console.dir);

2. <connectionString> 을(를) Atlas cluster의 SRV 연결 문자열로 바꿉니다.

3. 파일을 저장한 후 다음 명령을 실행합니다.

   node vector-query.js

   출력 숨기기

   '{"text":"Titanic: The story of the 1912 sinking of the largest luxury liner ever built","score":0.4551968574523926}'
   '{"text":"Avatar: A marine is dispatched to the moon Pandora on a unique mission","score":0.4050074517726898}'
   '{"text":"The Lion King: Lion cub and future king Simba searches for his identity","score":0.3594386577606201}'

Atlas Vector Search 인덱스를 생성합니다.

데이터에 대한 벡터 검색 쿼리를 활성화하려면 컬렉션에 Atlas Vector Search 인덱스를 생성해야 합니다.

다음 코드를 실행하여 sample_db.embeddings 컬렉션에 embedding 필드를 벡터 유형으로, 768 벡터 차원, 유사성 측정값을 euclidean 로 지정하는 인덱스를 만듭니다.

from pymongo.operations import SearchIndexModel
# Create your index model, then create the search index
search_index_model = SearchIndexModel(
   definition = {
   "fields": [
      {
         "type": "vector",
         "path": "embedding",
         "numDimensions": 768,
         "similarity": "euclidean"
      }
   ]
   },
   name="vector_index",
   type="vectorSearch",
)
collection.create_search_index(model=search_index_model)

자세히 알아보려면 Atlas Vector Search 인덱스 만들기를 참조하세요.

벡터 검색 쿼리에 대한 임베딩을 생성하고 쿼리를 실행합니다.

벡터 검색 쿼리를 실행하려면 쿼리 벡터 를 생성하여 집계 파이프라인에 전달할 수 있습니다.

예를 들어 다음 코드는 다음을 수행합니다.

• 이전 예제에서 정의한 임베딩 함수를 호출하여 문자열 ocean tragedy 에 대한 임베딩을 생성합니다.

• 임베딩을 집계 파이프라인의 queryVector 필드에 전달합니다.

• 벡터 검색 쿼리를 실행합니다. 의미적으로 유사한 문서를 관련성과 벡터 검색 점수 순으로 반환합니다.

# Generate embedding for the search query
query_embedding = get_embedding("ocean tragedy")
# Sample vector search pipeline
pipeline = [
   {
      "$vectorSearch": {
            "index": "vector_index",
            "queryVector": query_embedding,
            "path": "embedding",
            "exact": true,
            "limit": 5
      }
   },
   {
      "$project": {
         "_id": 0,
         "text": 1,
         "score": {
            "$meta": "vectorSearchScore"
         }
      }
   }
]
# Execute the search
results = collection.aggregate(pipeline)
# Print results
for i in results:
   print(i)

{'text': 'Titanic: The story of the 1912 sinking of the largest luxury liner ever built','score': 0.5103757977485657}
{'text': 'Avatar: A marine is dispatched to the moon Pandora on a unique mission','score': 0.4616812467575073}
{'text': 'The Lion King: Lion cub and future king Simba searches for his identity','score': 0.4115804433822632}

Atlas Vector Search 인덱스를 생성합니다.

데이터에 대한 벡터 검색 쿼리를 활성화하려면 컬렉션에 Atlas Vector Search 인덱스를 생성해야 합니다.

다음 코드를 실행하여 sample_db.embeddings 컬렉션에 embedding 필드를 벡터 유형으로, 1536 벡터 차원, 유사성 측정값을 euclidean 로 지정하는 인덱스를 만듭니다.

from pymongo.operations import SearchIndexModel
# Create your index model, then create the search index
search_index_model = SearchIndexModel(
  definition = {
    "fields": [
      {
        "type": "vector",
        "path": "embedding",
        "numDimensions": 1536,
        "similarity": "euclidean"
      }
    ]
  },
  name="vector_index",
  type="vectorSearch",
)
collection.create_search_index(model=search_index_model)

자세히 알아보려면 Atlas Vector Search 인덱스 만들기를 참조하세요.

벡터 검색 쿼리에 대한 임베딩을 생성하고 쿼리를 실행합니다.

벡터 검색 쿼리를 실행하려면 쿼리 벡터 를 생성하여 집계 파이프라인에 전달할 수 있습니다.

예를 들어 다음 코드는 다음을 수행합니다.

• 이전 예제에서 정의한 임베딩 함수를 호출하여 문자열 ocean tragedy 에 대한 임베딩을 생성합니다.

• 임베딩을 집계 파이프라인의 queryVector 필드에 전달합니다.

• 벡터 검색 쿼리를 실행합니다. 의미적으로 유사한 문서를 관련성과 벡터 검색 점수 순으로 반환합니다.

# Generate embedding for the search query
query_embedding = get_embedding("ocean tragedy")
# Sample vector search pipeline
pipeline = [
   {
      "$vectorSearch": {
            "index": "vector_index",
            "queryVector": query_embedding,
            "path": "embedding",
            "exact": true,
            "limit": 5
      }
   },
   {
      "$project": {
         "_id": 0,
         "text": 1,
         "score": {
            "$meta": "vectorSearchScore"
         }
      }
   }
]
# Execute the search
results = collection.aggregate(pipeline)
# Print results
for i in results:
   print(i)

{'text': 'Titanic: The story of the 1912 sinking of the largest luxury liner ever built','score': 0.4551968574523926}
{'text': 'Avatar: A marine is dispatched to the moon Pandora on a unique mission','score': 0.4050074517726898}
{'text': 'The Lion King: Lion cub and future king Simba searches for his identity','score': 0.3594386577606201}