벡터 검색을 위해 필드를 인덱싱하는 방법
이 페이지의 내용
vectorSearch
유형을 사용하면 $vectorSearch
쿼리를 실행하기 위해 필드를 인덱싱할 수 있습니다. 쿼리하려는 벡터 임베딩에 대한 인덱스와 데이터를 사전 필터링하는 데 사용할 부울, 날짜, objectId, 숫자, 문자열 또는 UUID 값을 정의할 수 있습니다. 데이터 필터링은 시맨틱 검색 범위를 좁히고 멀티 테넌트 환경 등에서 특정 벡터 임베딩이 비교 대상으로 고려되지 않도록 하는 데 유용합니다.
Atlas UI, Atlas 관리 API, Atlas CLI, mongosh
또는 지원되는 MongoDB 드라이버를 사용하여 Atlas Vector Search 인덱스를 만들 수 있습니다.
참고
더 이상 사용되지 않는 knnBeta 연산자를 사용하여 vectorSearch
유형 인덱스 정의로 인덱싱된 필드를 쿼리할 수 없습니다.
고려 사항
vectorSearch
유형 인덱스 정의에서는 단일 요소로만 배열을 인덱싱할 수 있습니다. 문서 배열 내의 필드나 객체 배열 내의 필드를 인덱싱할 수 없습니다. 점 표기법을 사용하여 문서 내부의 필드를 인덱싱할 수 있습니다.
임베딩을 인덱싱 하기 전에 Atlas cluster 에 효율적으로 저장 수있도록 임베딩을 BSON BinData vector
하위 유형 float32
, int1
또는 벡터로 변환하는 것이 좋습니다. 학습 int8
내용은 임베딩을 BSON 벡터로 변환하는 방법을 참조하세요.
참고
다음에 대한 Atlas Vector Search 지원 은 Preview 기능 으로 사용할 수 있습니다.
BSON BinData 하위
vector
유형int1
수집.자동 스칼라 양자화.
자동 이진 양자화.
Atlas Vector Search 인덱스를 사용하면 Atlas cluster 의 유휴 노드 에서 리소스 소비가 증가할 수 있습니다. 이는 Atlas Vector Search 에 필요한 다양한 작업을 수행하는 기본 mongot 프로세스 때문입니다. 유휴 노드 의 CPU 사용률은 인덱스의 수, 복잡성 및 크기에 따라 달라질 수 있습니다.
지원되는 클라이언트
Atlas UI,, Atlas CLI, Atlas Administration API 및 다음 MongoDBmongosh
드라이버를 통해 Atlas Vector Search 인덱스를 생성하고 관리 할 수 있습니다.
구문
다음 구문은 vectorSearch
인덱스 유형을 정의합니다.
1 { 2 "fields":[ 3 { 4 "type": "vector", 5 "path": "<field-to-index>", 6 "numDimensions": <number-of-dimensions>, 7 "similarity": "euclidean | cosine | dotProduct", 8 "quantization": "none | scalar | binary" 9 }, 10 { 11 "type": "filter", 12 "path": "<field-to-index>" 13 }, 14 ... 15 ] 16 }
Atlas Vector Search 인덱스 필드
Atlas Vector Search 인덱스 정의에는 다음 필드가 사용됩니다.
옵션 | 유형 | 필요성 | 목적 |
---|---|---|---|
| 문서 배열 | 필수 사항 | 벡터 및 필터 필드를 인덱싱하려면 문서당 하나씩 지정합니다. 최소한 하나의 문서에 벡터 필드에 대한 필드 정의가 포함되어야 합니다. 선택적으로 부울, 날짜, 숫자, objectId, 문자열 및 UUID 필드를 문서당 하나씩 인덱싱하여 데이터를 사전 필터링할 수 있습니다. |
| 문자열 | 필수 사항 |
|
| 문자열 | 필수 사항 | 인덱싱할 필드의 이름입니다. 중첩된 필드의 경우 점 표기법을 사용하여 임베디드 필드의 경로를 지정합니다. 두 개의 연속된 점이나 점으로 끝나는 필드 이름은 인덱싱할 수 없습니다. 예를 들어 Atlas Vector Search는 |
| int | 필수 사항 | Atlas Vector Search 가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. 보다 작거나 같은 값을 지정해야
이 필드는 |
| 문자열 | 필수 사항 | 상위 K-최근접 이웃을 검색하는 데 사용하는 벡터 유사성 함수입니다. 이 필드는
|
| 문자열 | 옵션 | 벡터에 대한 자동 벡터 양자화 유형입니다. 벡터에 적용 양자화 유형을 지정할 수 있습니다. 임베딩이
정밀도가 중요한 경우 |
vector
유형 정보
인덱스 정의의 vector
필드에는 다음 유형 중 하나의 숫자 배열이 포함되어야 합니다.
BSON
double
BSON BinData
vector
하위 유형float32
BSON BinData
vector
하위 유형int1
BSON BinData
vector
하위 유형int8
참고
데이터에 학습 BSON BinData vector
하위 유형 float32
또는 vector
하위 유형 int1
또는 int8
벡터를 생성하는 방법에 대해 자세히 알아보려면 사전 양자화된 벡터를 수집하는 방법을 참조하세요.
다음에 대한 Atlas Vector Search 지원 은 Preview 기능 으로 사용할 수 있습니다.
BSON BinData 하위
vector
유형int1
수집.자동 스칼라 양자화.
자동 이진 양자화.
벡터 필드를 fields
배열 내에서 vector
유형으로 인덱싱해야 합니다.
다음 구문은 vector
필드 유형을 정의합니다.
1 { 2 "fields":[ 3 { 4 "type": "vector", 5 "path": <field-to-index>, 6 "numDimensions": <number-of-dimensions>, 7 "similarity": "euclidean | cosine | dotProduct", 8 "quantization": "none | scalar | binary" 9 }, 10 ... 11 ] 12 }
유사성 함수 정보
Atlas Vector Search 는 다음과 같은 유사성 함수를 지원합니다.
euclidean
- 벡터의 끝과 끝 사이의 거리를 측정합니다. 이 값을 통해 다양한 차원을 기준으로 유사성을 측정할 수 있습니다. 자세히 알아보려면 Euclidean을 참조하세요.cosine
- 벡터 사이의 각도를 기준으로 유사성을 측정합니다. 이 값을 사용하면 크기에 따라 배율이 조정되지 않는 유사성을 측정할 수 있습니다.cosine
에는 크기가 0인 벡터를 사용할 수 없습니다. 코사인 유사성을 측정하려면 벡터를 정규화하고 대신dotProduct
를 사용하는 것이 좋습니다.dotProduct
-cosine
과 같이 유사성을 측정하지만 벡터의 크기를 고려합니다. 크기를 정규화하면 유사성 측정에서cosine
과dotProduct
는 거의 동일합니다.dotProduct
를 사용하려면 인덱스 타임 및 쿼리 타임에 벡터를 단위 길이로 정규화해야 합니다.
다음 표는 다양한 유형에 대한 유사성 함수를 보여줍니다.
벡터 임베딩 유형 | euclidean | consine | dotProduct |
---|---|---|---|
| √ | ||
| √ | √ | √ |
| √ | √ | √ |
| √ | √ | √ |
벡터 수집용입니다.
자동 스칼라 또는 이진 양자화에 사용됩니다.
최상의 성능을 위해 임베딩 모델을 확인하여 임베딩 모델의 교육 프로세스 에 맞는 유사성 함수를 확인합니다. 지침 이 없는 경우 dotProduct
부터 시작하세요. fields.similarity
을 dotProduct
값으로 설정하면 각도와 크기를 기준으로 유사성을 효율적으로 측정할 수 있습니다. dotProduct
은 cosine
보다 계산 리소스를 덜 소비하며 벡터의 길이가 단위일 때 효율적입니다. 그러나 벡터가 정규화되지 않은 경우 euclidean
거리와 cosine
유사성에 대한 샘플 쿼리 결과의 유사성 점수를 평가하여 어느 것이 합리적인 결과에 해당하는지 결정합니다.
filter
유형 정보
선택적으로 부울, 날짜, 숫자, objectId, 문자열 및 UUID 필드를 인덱스 하여 데이터를 사전 필터링할 수 있습니다. 데이터 필터링은 시맨틱 검색 의 범위를 좁히고 모든 벡터가 비교 대상으로 고려되지 않도록 하는 데 유용합니다. 유사성 비교를 실행 문서 수를 줄여 쿼리 지연 시간 을 줄이고 검색 결과의 정확성을 높일 수 있습니다.
fields
배열 내부의 filter
유형을 사용하여 필터하다 하려는 필드를 인덱스 해야 합니다.
다음 구문은 filter
필드 유형을 정의합니다.
1 { 2 "fields":[ 3 { 4 "type": "vector", 5 ... 6 }, 7 { 8 "type": "filter", 9 "path": "<field-to-index>" 10 }, 11 ... 12 ] 13 }
참고
데이터를 사전 필터링해도 Atlas Vector Search가 $vectorSearch
쿼리에 대해 $vectorSearchScore
를 사용하여 반환하는 점수에는 영향을 주지 않습니다.
Atlas Vector Search 인덱스 생성
Atlas Search 인덱스는 데이터를 쉽게 검색할 수 있는 형식으로 분류하는 데이터 구조입니다. 용어와 해당 용어가 포함된 문서 간의 매핑입니다. Atlas Search 인덱스를 활성화하면 특정 식별자를 사용하여 문서를 더 빠르게 검색할 수 있습니다. Atlas Search를 사용하여 Atlas 클러스터의 데이터를 쿼리하려면 Atlas Search 인덱스를 구성해야 합니다.
단일 필드 또는 여러 필드에 대해 Atlas Search 인덱스를 만들 수 있습니다. 쿼리 시점에 관련 데이터를 포함하는 문서를 빠르게 검색할 수 있도록, 데이터를 정렬하거나 필터링하는 데 정기적으로 사용하는 필드를 인덱싱하는 것이 좋습니다.
Atlas UI, Atlas 관리 API, Atlas CLI, mongosh
, 또는 지원되는 MongoDB 드라이버를 통해 Atlas 클러스터의 다른 데이터와 함께 모든 종류의 데이터에 대해 길이가 4096 차원 이하인 벡터 임베딩이 포함된 모든 컬렉션에 대한 Atlas Vector Search 인덱스를 만들 수 있습니다.
전제 조건
Atlas Vector Search 인덱스를 생성하려면 다음 전제 조건을 갖춘 Atlas 클러스터가 있어야 합니다.
MongoDB 버전
6.0.11
,7.0.2
이상Atlas Vector Search 인덱스를 생성할 컬렉션입니다.
참고
명령 또는 운전자 헬퍼 메서드를 사용하여 모든 Atlas cluster 계층에서 Atlas Search 인덱스를 생성할 수 있습니다.mongosh
지원되는 운전자 버전 목록은 지원되는 클라이언트를 참조하세요.
필요한 액세스 권한
Atlas Vector Search 인덱스를 생성하고 관리하려면 Project Data Access Admin
이상의 역할이 있어야 합니다.
인덱스 제한 사항
초과하여 만들 수 없습니다.
M0
클러스터의 인덱스 3개.M2
클러스터의 인덱스 5개.M5
클러스터의 인덱스 10개.
단일 M10+
클러스터 에 2 500 개 이하의 검색 인덱스를 생성하는 것이 좋습니다.
절차
➤ 언어 선택 드롭다운 메뉴를 사용하여 인덱스를 만드는 데 사용할 클라이언트를 선택합니다.
참고
이 절차에는 sample_mflix
데이터베이스의 embedded_movies
컬렉션에 대한 인덱스 정의 예제가 포함되어 있습니다. 클러스터에 샘플 데이터 를 로드하고 이 컬렉션에 대한 예제 Atlas Search 인덱스를 만들면 이 컬렉션에 대해 샘플 $vectorSearch
쿼리를 실행할 수 있습니다. 실행할 수 있는 샘플 쿼리에 대해 자세히 알아보려면 $vectorSearch 예제를 참조하세요.
Atlas 관리 API를 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스를 생성하려면 필수 파라미터와 함께 Atlas Search indexes
엔드포인트에 POST
요청을 보냅니다.
1 curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest \ 2 --header "Accept: application/json" \ 3 --header "Content-Type: application/json" \ 4 --include \ 5 --request POST "https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes" \ 6 --data ' 7 { 8 "database": "<name-of-database>", 9 "collectionName": "<name-of-collection>", 10 "type": "vectorSearch", 11 "name": "<index-name>", 12 "definition": { 13 "fields":[ 14 { 15 "type": "vector", 16 "path": <field-to-index>, 17 "numDimensions": <number-of-dimensions>, 18 "similarity": "euclidean | cosine | dotProduct" 19 }, 20 { 21 "type": "filter", 22 "path": "<field-to-index>" 23 }, 24 ... 25 } 26 ] 27 }'
엔드포인트의 구문 및 매개변수에 대해 자세히 알아보려면 Atlas Search 인덱스 1개 생성을 참조하세요.
예시
다음 인덱스 정의는 Atlas Vector Search 인덱스 에서 plot_embedding
필드 를 vector
유형으로, genres
및 year
필드를 filter
유형으로 인덱싱합니다. plot_embedding
필드 에는 OpenAI의 text-embedding-ada-002
임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1536
벡터 차원을 지정하고 dotProduct
함수를 사용하여 유사성을 측정합니다.
다음 인덱스 정의는 벡터 Atlas Search를 수행하기 위해 벡터 임베딩 필드만 인덱싱합니다.
1 curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest \ 2 --header "Accept: application/json" \ 3 --header "Content-Type: application/json" \ 4 --include \ 5 --request POST "https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes" \ 6 --data ' 7 { 8 "database": "sample_mflix", 9 "collectionName": "embedded_movies", 10 "type": "vectorSearch", 11 "name": "vector_index", 12 "definition: { 13 "fields":[ 14 { 15 "type": "vector", 16 "path": "plot_embedding", 17 "numDimensions": 1536, 18 "similarity": "dotProduct" 19 } 20 ] 21 } 22 }'
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
1 curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest \ 2 --header "Accept: application/json" \ 3 --header "Content-Type: application/json" \ 4 --include \ 5 --request POST "https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes" \ 6 --data ' 7 { 8 "database": "sample_mflix", 9 "collectionName": "embedded_movies", 10 "type": "vectorSearch", 11 "name": "vector_index", 12 "definition: { 13 "fields":[ 14 { 15 "type": "vector", 16 "path": "plot_embedding", 17 "numDimensions": 1536, 18 "similarity": "dotProduct" 19 }, 20 { 21 "type": "filter", 22 "path": "genres" 23 }, 24 { 25 "type": "filter", 26 "path": "year" 27 } 28 ] 29 } 30 }'
Atlas CLI v1.14.3 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 생성하려면 다음 단계를 수행하세요.
.json
파일을 만들고 해당 파일에 인덱스를 정의합니다.
인덱스 정의는 다음 형식과 유사해야 합니다.
1 { 2 "database": "<name-of-database>", 3 "collectionName": "<name-of-collection>", 4 "type": "vectorSearch", 5 "name": "<index-name>", 6 "fields":[ 7 { 8 "type": "vector", 9 "path": "<field-to-index>", 10 "numDimensions": <number-of-dimensions>, 11 "similarity": "euclidean | cosine | dotProduct" 12 }, 13 { 14 "type": "filter", 15 "path": "<field-to-index>" 16 }, 17 ... 18 ] 19 }
예시
vector-index.json
이라는 파일을 만듭니다.
다음 자리 표시자 값을 바꾸고 파일을 저장합니다.
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하는 경우 Atlas Vector Search는 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
예시
다음 인덱스 정의를 복사하여 vector-index.json
파일 에 붙여넣습니다. 다음 인덱스 정의는 Atlas Vector Search 인덱스 에서 plot_embedding
필드 를 vector
유형으로, genres
및 year
필드를 filter
유형으로 인덱싱합니다. plot_embedding
필드 에는 OpenAI의 text-embedding-ada-002
임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1536
벡터 차원을 지정하고 dotProduct
함수를 사용하여 유사성을 측정합니다.
다음 인덱스 정의는 벡터 Atlas Search를 수행하기 위해 벡터 임베딩 필드만 인덱싱합니다.
1 { 2 "database": "sample_mflix", 3 "collectionName": "embedded_movies", 4 "type": "vectorSearch", 5 "name": "vector_index", 6 "fields": [ 7 { 8 "type": "vector", 9 "path": "plot_embedding", 10 "numDimensions": 1536, 11 "similarity": "dotProduct" 12 } 13 ] 14 }
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
1 { 2 "database": "sample_mflix", 3 "collectionName": "embedded_movies", 4 "type": "vectorSearch", 5 "name": "vector_index", 6 "fields":[ 7 { 8 "type": "vector", 9 "path": "plot_embedding", 10 "numDimensions": 1536, 11 "similarity": "dotProduct" 12 }, 13 { 14 "type": "filter", 15 "path": "genres" 16 }, 17 { 18 "type": "filter", 19 "path": "year" 20 } 21 ] 22 }
다음 명령을 실행하여 인덱스를 생성합니다.
atlas clusters search indexes create --clusterName [cluster_name] --file [vector_index].json
명령에서 다음 자리 표시자 값을 바꿉니다.
cluster_name
은 인덱스를 만들려는 컬렉션이 포함된 Atlas 클러스터의 이름입니다.vector_index
- Atlas Vector Search 인덱스에 대한 인덱스 정의가 포함된 JSON 파일의 이름입니다.
예시
atlas clusters search indexes create --clusterName [cluster_name] --file vector-index.json
명령 구문 및 매개변수에 대한 자세한 내용은 Atlas CLI 문서에서 Atlas 클러스터 검색 인덱스 생성 명령을 참조하세요.
AtlasGo Atlas 에서 프로젝트 의 Clusters 페이지로 고 (Go) 합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Organizations 메뉴에서 원하는 프로젝트가 포함된 조직을 선택합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Projects 메뉴에서 원하는 프로젝트를 선택합니다.
아직 표시되지 않은 경우 사이드바에서 Clusters를 클릭합니다.
Clusters(클러스터) 페이지가 표시됩니다.
클러스터의 Atlas Search 페이지로 이동합니다.
사이드바, Data Explorer 또는 클러스터 세부 정보 페이지에서 Atlas Search 페이지로 이동할 수 있습니다.
사이드바에서 Services 제목 아래의 Atlas Search를 클릭합니다.
Select data source 드롭다운에서 클러스터를 선택하고 Go to Atlas Search를 클릭합니다.
Atlas Search 페이지가 표시됩니다.
cluster의 Browse Collections 버튼을 클릭합니다.
데이터베이스를 확장하고 컬렉션을 선택합니다.
컬렉션의 Search Indexes 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
클러스터 이름을 클릭합니다.
Atlas Search 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
Index Name을 입력하고 Database and Collection을 설정합니다.
Index Name 필드에 인덱스의 이름을 입력합니다.
인덱스 이름은 인덱스 유형에 관계없이 네임스페이스 내에서 고유해야 합니다.
예시
예시 인덱스의 이름으로 vector_index를 입력합니다. 이 컬렉션에 vector_index라는 인덱스가 이미 있는 경우 인덱스에 다른 이름을 입력합니다.
Database and Collection 섹션에서 데이터베이스 를 찾고 인덱스 를 생성할 컬렉션 을 선택합니다.
예시
Database and Collection 섹션에서
sample_mflix
데이터베이스를 찾고embedded_movies
컬렉션을 선택합니다.
인덱스 정의를 지정합니다.
Atlas Vector Search 인덱스는 다음 예시와 유사합니다.
1 { 2 "fields":[ 3 { 4 "type": "vector", 5 "path": <field-to-index>, 6 "numDimensions": <number-of-dimensions>, 7 "similarity": "euclidean | cosine | dotProduct" 8 }, 9 { 10 "type": "filter", 11 "path": "<field-to-index>" 12 }, 13 ... 14 ] 15 }
인덱스의 필드에 대해 자세히 알아보려면 벡터 검색을 위한 필드 인덱싱 방법을 참조하세요.
예시
다음 인덱스 정의는 Atlas Vector Search 인덱스 에서 plot_embedding
필드 를 vector
유형으로, genres
및 year
필드를 filter
유형으로 인덱싱합니다. plot_embedding
필드 에는 OpenAI의 text-embedding-ada-002
임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1536
벡터 차원을 지정하고 dotProduct
함수를 사용하여 유사성을 측정합니다.
다음 인덱스 정의는 벡터 Atlas Search를 수행하기 위해 벡터 임베딩 필드만 인덱싱합니다.
1 { 2 "fields": [{ 3 "type": "vector", 4 "path": "plot_embedding", 5 "numDimensions": 1536, 6 "similarity": "dotProduct" 7 }] 8 }
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
1 { 2 "fields": [{ 3 "type": "vector", 4 "path": "plot_embedding", 5 "numDimensions": 1536, 6 "similarity": "dotProduct" 7 }, 8 { 9 "type": "filter", 10 "path": "genres" 11 }, 12 { 13 "type": "filter", 14 "path": "year" 15 }] 16 }
mongosh
v2.1.2 이상을 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스를 만들려면 다음 단계를 수행하세요.
mongosh
를 사용하여 Atlas 클러스터에 연결합니다.
자세한 내용은 mongosh
를 통한 연결을 참조하세요.
db.collection.createSearchIndex()
메서드를 실행합니다.
db.collection.createSearchIndex()
메서드의 구문은 다음과 같습니다.
1 db.<collectionName>.createSearchIndex( 2 "<index-name>", 3 "vectorSearch", //index type 4 { 5 fields: [ 6 { 7 "type": "vector", 8 "numDimensions": <number-of-dimensions>, 9 "path": "<field-to-index>", 10 "similarity": "euclidean | cosine | dotProduct" 11 }, 12 { 13 "type": "filter", 14 "path": "<field-to-index>" 15 }, 16 ... 17 ] 18 } 19 );
예시
다음 인덱스 정의는 Atlas Vector Search 인덱스 에서 plot_embedding
필드 를 vector
유형으로, genres
및 year
필드를 filter
유형으로 인덱싱합니다. plot_embedding
필드 에는 OpenAI의 text-embedding-ada-002
임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1536
벡터 차원을 지정하고 dotProduct
함수를 사용하여 유사성을 측정합니다.
다음 인덱스 정의는 벡터 Atlas Search를 수행하기 위해 벡터 임베딩 필드만 인덱싱합니다.
1 db.embedded_movies.createSearchIndex( 2 "vector_index", 3 "vectorSearch", 4 { 5 "fields": [ 6 { 7 "type": "vector", 8 "path": "plot_embedding", 9 "numDimensions": 1536, 10 "similarity": "dotProduct" 11 } 12 ] 13 } 14 );
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
1 db.embedded_movies.createSearchIndex( 2 "vector_index", 3 "vectorSearch", 4 { 5 "fields": [ 6 { 7 "type": "vector", 8 "path": "plot_embedding", 9 "numDimensions": 1536, 10 "similarity": "dotProduct" 11 }, 12 { 13 "type": "filter", 14 "path": "genres" 15 }, 16 { 17 "type": "filter", 18 "path": "year" 19 } 20 ] 21 } 22 );
MongoDB Go 드라이버 v1.16.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 생성하려면 다음 단계를 수행하세요.
.go
파일을 만들고 해당 파일에 인덱스를 정의합니다.
1 package main 2 3 import ( 4 "context" 5 "fmt" 6 "log" 7 8 "go.mongodb.org/mongo-driver/bson" 9 "go.mongodb.org/mongo-driver/mongo" 10 "go.mongodb.org/mongo-driver/mongo/options" 11 ) 12 13 func main() { 14 ctx := context.Background() 15 16 // Replace the placeholder with your Atlas connection string 17 const uri = "<connectionString>" 18 19 // Connect to your Atlas cluster 20 clientOptions := options.Client().ApplyURI(uri) 21 client, err := mongo.Connect(ctx, clientOptions) 22 if err != nil { 23 log.Fatalf("failed to connect to the server: %v", err) 24 } 25 defer func() { _ = client.Disconnect(ctx) }() 26 27 // Set the namespace 28 coll := client.Database("<databaseName>").Collection("<collectionName>") 29 30 // Define the index details 31 type vectorDefinitionField struct { 32 Type string `bson:"type"` 33 Path string `bson:"path"` 34 NumDimensions int `bson:"numDimensions"` 35 Similarity string `bson:"similarity"` 36 } 37 38 type vectorDefinition struct { 39 Fields []vectorDefinitionField `bson:"fields"` 40 } 41 42 indexName := "<indexName>" 43 opts := options.SearchIndexes().SetName(indexName).SetType("vectorSearch") 44 45 indexModel := mongo.SearchIndexModel{ 46 Definition: vectorDefinition{ 47 Fields: []vectorDefinitionField{{ 48 Type: "vector", 49 Path: "<fieldToIndex>", 50 NumDimensions: <numberOfDimensions>, 51 Similarity: "euclidean | cosine | dotProduct"}}, 52 }, 53 Options: opts, 54 } 55 56 // Create the index 57 log.Println("Creating the index.") 58 searchIndexName, err := coll.SearchIndexes().CreateOne(ctx, indexModel) 59 if err != nil { 60 log.Fatalf("failed to create the search index: %v", err) 61 } 62 63 // Await the creation of the index. 64 log.Println("Polling to confirm successful index creation.") 65 log.Println("NOTE: This may take up to a minute.") 66 searchIndexes := coll.SearchIndexes() 67 var doc bson.Raw 68 for doc == nil { 69 cursor, err := searchIndexes.List(ctx, options.SearchIndexes().SetName(searchIndexName)) 70 if err != nil { 71 fmt.Errorf("failed to list search indexes: %w", err) 72 } 73 74 if !cursor.Next(ctx) { 75 break 76 } 77 78 name := cursor.Current.Lookup("name").StringValue() 79 queryable := cursor.Current.Lookup("queryable").Boolean() 80 if name == searchIndexName && queryable { 81 doc = cursor.Current 82 } else { 83 time.Sleep(5 * time.Second) 84 } 85 } 86 87 log.Println("Name of Index Created: " + searchIndexName) 88 }
예시
vector-index.go
이라는 파일을 만듭니다.
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하면 Atlas Search에서 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
예시
다음을 복사하여 vector-index.go
파일 에 붙여넣고 <connectionString>
자리 표시자 값을 바꿉니다. 다음 인덱스 정의는 Atlas Vector Search 인덱스 에서 plot_embedding
필드 를 vector
유형으로, genres
및 year
필드를 filter
유형으로 인덱싱합니다. plot_embedding
필드 에는 OpenAI의 text-embedding-ada-002
임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1536
벡터 차원을 지정하고 dotProduct
함수를 사용하여 유사성을 측정합니다.
다음 인덱스 정의는 벡터 Atlas Search를 수행하기 위해 벡터 임베딩 필드(plot_embedding
)만 인덱싱합니다.
1 package main 2 3 import ( 4 "context" 5 "fmt" 6 "log" 7 "time" 8 9 "go.mongodb.org/mongo-driver/bson" 10 "go.mongodb.org/mongo-driver/mongo" 11 "go.mongodb.org/mongo-driver/mongo/options" 12 ) 13 14 func main() { 15 ctx := context.Background() 16 17 // Replace the placeholder with your Atlas connection string 18 const uri = "<connectionString>" 19 20 // Connect to your Atlas cluster 21 clientOptions := options.Client().ApplyURI(uri) 22 client, err := mongo.Connect(ctx, clientOptions) 23 if err != nil { 24 log.Fatalf("failed to connect to the server: %v", err) 25 } 26 defer func() { _ = client.Disconnect(ctx) }() 27 28 // Set the namespace 29 coll := client.Database("sample_mflix").Collection("embedded_movies") 30 31 // Define the index details 32 type vectorDefinitionField struct { 33 Type string `bson:"type"` 34 Path string `bson:"path"` 35 NumDimensions int `bson:"numDimensions"` 36 Similarity string `bson:"similarity"` 37 } 38 39 type vectorDefinition struct { 40 Fields []vectorDefinitionField `bson:"fields"` 41 } 42 43 indexName := "vector_index" 44 opts := options.SearchIndexes().SetName(indexName).SetType("vectorSearch") 45 46 indexModel := mongo.SearchIndexModel{ 47 Definition: vectorDefinition{ 48 Fields: []vectorDefinitionField{{ 49 Type: "vector", 50 Path: "plot_embedding", 51 NumDimensions: 1536, 52 Similarity: "dotProduct"}}, 53 }, 54 Options: opts, 55 } 56 57 // Create the index 58 searchIndexName, err := coll.SearchIndexes().CreateOne(ctx, indexModel) 59 if err != nil { 60 log.Fatalf("failed to create the search index: %v", err) 61 } 62 log.Println("New search index named " + searchIndexName + " is building.") 63 64 // Await the creation of the index. 65 log.Println("Polling to check if the index is ready. This may take up to a minute.") 66 searchIndexes := coll.SearchIndexes() 67 var doc bson.Raw 68 for doc == nil { 69 cursor, err := searchIndexes.List(ctx, options.SearchIndexes().SetName(searchIndexName)) 70 if err != nil { 71 fmt.Errorf("failed to list search indexes: %w", err) 72 } 73 74 if !cursor.Next(ctx) { 75 break 76 } 77 78 name := cursor.Current.Lookup("name").StringValue() 79 queryable := cursor.Current.Lookup("queryable").Boolean() 80 if name == searchIndexName && queryable { 81 doc = cursor.Current 82 } else { 83 time.Sleep(5 * time.Second) 84 } 85 } 86 87 log.Println(searchIndexName + " is ready for querying.") 88 }
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
1 package main 2 3 import ( 4 "context" 5 "fmt" 6 "log" 7 "time" 8 9 "go.mongodb.org/mongo-driver/bson" 10 "go.mongodb.org/mongo-driver/mongo" 11 "go.mongodb.org/mongo-driver/mongo/options" 12 ) 13 14 func main() { 15 ctx := context.Background() 16 17 // Replace the placeholder with your Atlas connection string 18 const uri = "<connectionString>" 19 20 // Connect to your Atlas cluster 21 clientOptions := options.Client().ApplyURI(uri) 22 client, err := mongo.Connect(ctx, clientOptions) 23 if err != nil { 24 log.Fatalf("failed to connect to the server: %v", err) 25 } 26 defer func() { _ = client.Disconnect(ctx) }() 27 28 // Set the namespace 29 coll := client.Database("sample_mflix").Collection("embedded_movies") 30 indexName := "vector_index" 31 opts := options.SearchIndexes().SetName(indexName).SetType("vectorSearch") 32 33 type vectorDefinitionField struct { 34 Type string `bson:"type"` 35 Path string `bson:"path"` 36 NumDimensions int `bson:"numDimensions"` 37 Similarity string `bson:"similarity"` 38 } 39 40 type filterField struct { 41 Type string `bson:"type"` 42 Path string `bson:"path"` 43 } 44 45 type indexDefinition struct { 46 Fields []vectorDefinitionField `bson:"fields"` 47 } 48 49 vectorDefinition := vectorDefinitionField{ 50 Type: "vector", 51 Path: "plot_embedding", 52 NumDimensions: 1536, 53 Similarity: "dotProduct"} 54 genreFilterDefinition := filterField{"filter", "genres"} 55 yearFilterDefinition := filterField{"filter", "year"} 56 57 indexModel := mongo.SearchIndexModel{ 58 Definition: bson.D{{"fields", [3]interface{}{ 59 vectorDefinition, 60 genreFilterDefinition, 61 yearFilterDefinition}}}, 62 Options: opts, 63 } 64 65 // Create the index 66 searchIndexName, err := coll.SearchIndexes().CreateOne(ctx, indexModel) 67 if err != nil { 68 log.Fatalf("failed to create the search index: %v", err) 69 } 70 log.Println("New search index named " + searchIndexName + " is building.") 71 72 // Await the creation of the index. 73 log.Println("Polling to check if the index is ready. This may take up to a minute.") 74 searchIndexes := coll.SearchIndexes() 75 var doc bson.Raw 76 for doc == nil { 77 cursor, err := searchIndexes.List(ctx, options.SearchIndexes().SetName(searchIndexName)) 78 if err != nil { 79 fmt.Errorf("failed to list search indexes: %w", err) 80 } 81 82 if !cursor.Next(ctx) { 83 break 84 } 85 86 name := cursor.Current.Lookup("name").StringValue() 87 queryable := cursor.Current.Lookup("queryable").Boolean() 88 if name == searchIndexName && queryable { 89 doc = cursor.Current 90 } else { 91 time.Sleep(5 * time.Second) 92 } 93 } 94 95 log.Println(searchIndexName + " is ready for querying.") 96 }
MongoDB Java 드라이버 v5.2.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 생성하려면 다음 단계를 수행하세요.
.java
파일을 만들고 해당 파일에 인덱스를 정의합니다.
1 import com.mongodb.client.ListSearchIndexesIterable; 2 import com.mongodb.client.MongoClient; 3 import com.mongodb.client.MongoClients; 4 import com.mongodb.client.MongoCollection; 5 import com.mongodb.client.MongoCursor; 6 import com.mongodb.client.MongoDatabase; 7 import com.mongodb.client.model.SearchIndexModel; 8 import com.mongodb.client.model.SearchIndexType; 9 import org.bson.Document; 10 import org.bson.conversions.Bson; 11 12 import java.util.Arrays; 13 import java.util.Collections; 14 import java.util.List; 15 16 public class VectorIndex { 17 18 public static void main(String[] args) { 19 20 // Replace the placeholder with your Atlas connection string 21 String uri = "<connectionString>"; 22 23 // Connect to your Atlas cluster 24 try (MongoClient mongoClient = MongoClients.create(uri)) { 25 26 // Set the namespace 27 MongoDatabase database = mongoClient.getDatabase("<databaseName>"); 28 MongoCollection<Document> collection = database.getCollection("<collectionName>"); 29 30 // Define the index details 31 String indexName = "<indexName>"; 32 Bson definition = new Document( 33 "fields", 34 Arrays.asList( 35 new Document("type", "vector") 36 .append("path", "<fieldToIndex>") 37 .append("numDimensions", <numberOfDimensions>) 38 .append("similarity", "euclidean | cosine | dotProduct"), 39 new Document("type", "filter") 40 .append("path", "<fieldToIndex>"), 41 ... 42 ) 43 ); 44 45 // Define the index model 46 SearchIndexModel indexModel = new SearchIndexModel( 47 indexName, 48 definition, 49 SearchIndexType.vectorSearch() 50 ); 51 52 // Create the index 53 try { 54 List<String> result = collection.createSearchIndexes(Collections.singletonList(indexModel)); 55 System.out.println("New search index named " + result.get(0) + " is building."); 56 } catch (Exception e) { 57 throw new RuntimeException("Error creating index: " + e); 58 } 59 60 61 // Wait for Atlas to build the index 62 System.out.println("Polling to check if the index is ready. This may take up to a minute."); 63 64 ListSearchIndexesIterable<Document> searchIndexes = collection.listSearchIndexes(); 65 Document doc = null; 66 while (doc == null) { 67 try (MongoCursor<Document> cursor = searchIndexes.iterator()) { 68 if (!cursor.hasNext()) { 69 break; 70 } 71 Document current = cursor.next(); 72 String name = current.getString("name"); 73 // When the index completes building, it becomes `queryable` 74 boolean queryable = current.getBoolean("queryable"); 75 if (name.equals(indexName) && queryable) { 76 doc = current; 77 } else { 78 Thread.sleep(500); 79 } 80 } catch (Exception e) { 81 throw new RuntimeException("Failed to list search indexes: " + e); 82 mongoClient.close(); 83 } 84 } 85 System.out.println(indexName + " is ready for querying."); 86 87 } catch (Exception e) { 88 throw new RuntimeException("Error connecting to MongoDB: " + e); 89 } 90 } 91 }
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하면 Atlas Search에서 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
다음은 인덱스 정의 예시입니다.
Atlas Vector Search 인덱스에서
plot_embedding
필드 를vector
유형으로,genres
및year
필드를filter
유형으로 인덱싱합니다.plot_embedding
필드를 OpenAI의text-embedding-ada-002
임베딩 모델을 사용하여 만든 임베딩을 포함하는 벡터 임베딩 필드로 지정합니다.1536
벡터 차원을 지정하고dotProduct
함수를 사용하여 유사성을 측정합니다.
이 인덱스 정의는 벡터 임베딩 필드 (plot_embedding
)만 인덱싱하여 벡터 검색을 수행합니다.
복사하여 만든 파일에 다음을 붙여넣고 <connectionString>
자리 표시자 값을 바꿉니다.
1 import com.mongodb.client.ListSearchIndexesIterable; 2 import com.mongodb.client.MongoClient; 3 import com.mongodb.client.MongoClients; 4 import com.mongodb.client.MongoCollection; 5 import com.mongodb.client.MongoCursor; 6 import com.mongodb.client.MongoDatabase; 7 import com.mongodb.client.model.SearchIndexModel; 8 import com.mongodb.client.model.SearchIndexType; 9 import org.bson.Document; 10 import org.bson.conversions.Bson; 11 12 import java.util.Collections; 13 import java.util.List; 14 15 public class VectorIndex { 16 17 public static void main(String[] args) { 18 19 // Replace the placeholder with your Atlas connection string 20 String uri = "<connectionString>"; 21 22 // Connect to your Atlas cluster 23 try (MongoClient mongoClient = MongoClients.create(uri)) { 24 25 // Set the namespace 26 MongoDatabase database = mongoClient.getDatabase("sample_mflix"); 27 MongoCollection<Document> collection = database.getCollection("embedded_movies"); 28 29 // Define the index details 30 String indexName = "vector_index"; 31 Bson definition = new Document( 32 "fields", 33 Collections.singletonList( 34 new Document("type", "vector") 35 .append("path", "plot_embedding") 36 .append("numDimensions", 1536) 37 .append("similarity", "dotProduct"))); 38 39 // Define the index model 40 SearchIndexModel indexModel = new SearchIndexModel( 41 indexName, 42 definition, 43 SearchIndexType.vectorSearch()); 44 45 // Create the index 46 try { 47 List<String> result = collection.createSearchIndexes(Collections.singletonList(indexModel)); 48 System.out.println("New search index named " + result.get(0) + " is building."); 49 } catch (Exception e) { 50 throw new RuntimeException("Error creating index: " + e); 51 } 52 53 // Wait for Atlas to build the index 54 System.out.println("Polling to check if the index is ready. This may take up to a minute."); 55 56 ListSearchIndexesIterable<Document> searchIndexes = collection.listSearchIndexes(); 57 Document doc = null; 58 while (doc == null) { 59 try (MongoCursor<Document> cursor = searchIndexes.iterator()) { 60 if (!cursor.hasNext()) { 61 break; 62 } 63 Document current = cursor.next(); 64 String name = current.getString("name"); 65 // When the index completes building, it becomes `queryable` 66 boolean queryable = current.getBoolean("queryable"); 67 if (name.equals(indexName) && queryable) { 68 doc = current; 69 } else { 70 Thread.sleep(500); 71 } 72 } catch (Exception e) { 73 throw new RuntimeException("Failed to list search indexes: " + e); 74 } 75 } 76 System.out.println(indexName + " is ready for querying."); 77 78 } catch (Exception e) { 79 throw new RuntimeException("Error connecting to MongoDB: " + e); 80 } 81 } 82 }
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
복사하여 만든 파일에 다음을 붙여넣고 <connectionString>
자리 표시자 값을 바꿉니다.
1 import com.mongodb.client.ListSearchIndexesIterable; 2 import com.mongodb.client.MongoClient; 3 import com.mongodb.client.MongoClients; 4 import com.mongodb.client.MongoCollection; 5 import com.mongodb.client.MongoCursor; 6 import com.mongodb.client.MongoDatabase; 7 import com.mongodb.client.model.SearchIndexModel; 8 import com.mongodb.client.model.SearchIndexType; 9 import org.bson.Document; 10 import org.bson.conversions.Bson; 11 12 import java.util.Arrays; 13 import java.util.Collections; 14 import java.util.List; 15 16 public class VectorIndex { 17 18 public static void main(String[] args) { 19 20 // Replace the placeholder with your Atlas connection string 21 String uri = "<connectionString>"; 22 23 // Connect to your Atlas cluster 24 try (MongoClient mongoClient = MongoClients.create(uri)) { 25 26 // Set the namespace 27 MongoDatabase database = mongoClient.getDatabase("sample_mflix"); 28 MongoCollection<Document> collection = database.getCollection("embedded_movies"); 29 30 // Define the index details with the filter fields 31 String indexName = "vector_index"; 32 Bson definition = new Document( 33 "fields", 34 Arrays.asList( 35 new Document("type", "vector") 36 .append("path", "plot_embedding") 37 .append("numDimensions", 1536) 38 .append("similarity", "dotProduct"), 39 new Document("type", "filter") 40 .append("path", "genres"), 41 new Document("type", "filter") 42 .append("path", "year"))); 43 44 // Define the index model 45 SearchIndexModel indexModel = new SearchIndexModel( 46 indexName, 47 definition, 48 SearchIndexType.vectorSearch()); 49 50 // Create the filtered index 51 try { 52 List<String> result = collection.createSearchIndexes(Collections.singletonList(indexModel)); 53 System.out.println("New search index named " + result.get(0) + " is building."); 54 } catch (Exception e) { 55 throw new RuntimeException("Error creating index: " + e); 56 } 57 58 // Wait for Atlas to build the index 59 System.out.println("Polling to check if the index is ready. This may take up to a minute."); 60 61 ListSearchIndexesIterable<Document> searchIndexes = collection.listSearchIndexes(); 62 Document doc = null; 63 while (doc == null) { 64 try (MongoCursor<Document> cursor = searchIndexes.iterator()) { 65 if (!cursor.hasNext()) { 66 break; 67 } 68 Document current = cursor.next(); 69 String name = current.getString("name"); 70 // When the index completes building, it becomes `queryable` 71 boolean queryable = current.getBoolean("queryable"); 72 if (name.equals(indexName) && queryable) { 73 doc = current; 74 } else { 75 Thread.sleep(500); 76 } 77 } catch (Exception e) { 78 throw new RuntimeException("Failed to list search indexes: " + e); 79 mongoClient.close(); 80 } 81 } 82 System.out.println(indexName + " is ready for querying."); 83 84 } catch (Exception e) { 85 throw new RuntimeException("Error connecting to MongoDB: " + e); 86 } 87 } 88 }
MongoDB Node 드라이버 v6.6.0 이상을 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스를 만들려면 다음 단계를 수행하세요.
.js
파일을 만들고 해당 파일에 인덱스를 정의합니다.
1 const { MongoClient } = require("mongodb"); 2 3 // connect to your Atlas deployment 4 const uri = "<connectionString>"; 5 6 const client = new MongoClient(uri); 7 8 async function run() { 9 try { 10 const database = client.db("<databaseName>"); 11 const collection = database.collection("<collectionName>"); 12 13 // define your Atlas Vector Search index 14 const index = { 15 name: "<indexName>", 16 type: "vectorSearch", 17 definition: { 18 "fields": [ 19 { 20 "type": "vector", 21 "numDimensions": <numberOfDimensions>, 22 "path": "<fieldToIndex>", 23 "similarity": "euclidean | cosine | dotProduct" 24 }, 25 { 26 "type": "filter", 27 "path": "<fieldToIndex>" 28 }, 29 ... 30 ] 31 } 32 } 33 34 // run the helper method 35 const result = await collection.createSearchIndex(index); 36 console.log(`New search index named ${result} is building.`); 37 // wait for the index to be ready to query 38 console.log("Polling to check if the index is ready. This may take up to a minute.") 39 let isQueryable = false; 40 while (!isQueryable) { 41 const cursor = collection.listSearchIndexes(); 42 for await (const index of cursor) { 43 if (index.name === result) { 44 if (index.queryable) { 45 console.log(`${result} is ready for querying.`); 46 isQueryable = true; 47 } else { 48 await new Promise(resolve => setTimeout(resolve, 5000)); 49 } 50 } 51 } 52 } 53 } finally { 54 await client.close(); 55 } 56 } 57 run().catch(console.dir);
예시
vector-index.js
이라는 파일을 만듭니다.
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하면 Atlas Search에서 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
예시
다음을 복사하여 vector-index.js
파일 에 붙여넣고 <connectionString>
자리 표시자 값을 바꿉니다. 다음 인덱스 정의는 Atlas Vector Search 인덱스 에서 plot_embedding
필드 를 vector
유형으로, genres
및 year
필드를 filter
유형으로 인덱싱합니다. plot_embedding
필드 에는 OpenAI의 text-embedding-ada-002
임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1536
벡터 차원을 지정하고 dotProduct
함수를 사용하여 유사성을 측정합니다.
다음 인덱스 정의는 벡터 Atlas Search를 수행하기 위해 벡터 임베딩 필드(plot_embedding
)만 인덱싱합니다.
1 const { MongoClient } = require("mongodb"); 2 3 // connect to your Atlas deployment 4 const uri = "<connectionString>"; 5 6 const client = new MongoClient(uri); 7 8 async function run() { 9 try { 10 const database = client.db("sample_mflix"); 11 const collection = database.collection("embedded_movies"); 12 13 // define your Atlas Vector Search index 14 const index = { 15 name: "vector_index", 16 type: "vectorSearch", 17 definition: { 18 "fields": [ 19 { 20 "type": "vector", 21 "numDimensions": 1536, 22 "path": "plot_embedding", 23 "similarity": "dotProduct" 24 } 25 ] 26 } 27 } 28 29 // run the helper method 30 const result = await collection.createSearchIndex(index); 31 console.log(`New search index named ${result} is building.`); 32 33 // wait for the index to be ready to query 34 console.log("Polling to check if the index is ready. This may take up to a minute.") 35 let isQueryable = false; 36 while (!isQueryable) { 37 const cursor = collection.listSearchIndexes(); 38 for await (const index of cursor) { 39 if (index.name === result) { 40 if (index.queryable) { 41 console.log(`${result} is ready for querying.`); 42 isQueryable = true; 43 } else { 44 await new Promise(resolve => setTimeout(resolve, 5000)); 45 } 46 } 47 } 48 } 49 } finally { 50 await client.close(); 51 } 52 } 53 run().catch(console.dir);
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
1 const { MongoClient } = require("mongodb"); 2 3 // connect to your Atlas deployment 4 const uri = "<connectionString>"; 5 6 const client = new MongoClient(uri); 7 8 async function run() { 9 try { 10 const database = client.db("sample_mflix"); 11 const collection = database.collection("embedded_movies"); 12 13 // define your Atlas Vector Search index 14 const index = { 15 name: "vector_index", 16 type: "vectorSearch", 17 definition: { 18 "fields": [ 19 { 20 "type": "vector", 21 "numDimensions": 1536, 22 "path": "plot_embedding", 23 "similarity": "dotProduct" 24 }, 25 { 26 "type": "filter", 27 "path": "genres" 28 }, 29 { 30 "type": "filter", 31 "path": "year" 32 } 33 ] 34 } 35 } 36 37 // run the helper method 38 const result = await collection.createSearchIndex(index); 39 console.log(`New search index named ${result} is building.`); 40 41 // wait for the index to be ready to query 42 console.log("Polling to check if the index is ready. This may take up to a minute.") 43 let isQueryable = false; 44 while (!isQueryable) { 45 const cursor = collection.listSearchIndexes(); 46 for await (const index of cursor) { 47 if (index.name === result) { 48 if (index.queryable) { 49 console.log(`${result} is ready for querying.`); 50 isQueryable = true; 51 } else { 52 await new Promise(resolve => setTimeout(resolve, 5000)); 53 } 54 } 55 } 56 } 57 } finally { 58 await client.close(); 59 } 60 } 61 run().catch(console.dir);
PyMongo 드라이버 v4.7 이상을 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스를 만들려면 다음 단계를 수행하세요.
.py
파일을 만들고 해당 파일에 인덱스를 정의합니다.
1 import pymongo 2 from pymongo.mongo_client import MongoClient 3 from pymongo.operations import SearchIndexModel 4 5 # Connect to your Atlas deployment 6 uri = "<connectionString>" 7 client = MongoClient(uri) 8 9 # Access your database and collection 10 database = client["<databaseName>"] 11 collection = database["<collectionName>"] 12 13 # Create your index model, then create the search index 14 search_index_model = SearchIndexModel( 15 definition={ 16 "fields": [ 17 { 18 "type": "vector", 19 "numDimensions": <numberofDimensions>, 20 "path": "<fieldToIndex>", 21 "similarity": "euclidean | cosine | dotProduct" 22 }, 23 { 24 "type": "filter", 25 "path": "<fieldToIndex>" 26 }, 27 ... 28 ] 29 }, 30 name="<indexName>", 31 type="vectorSearch", 32 ) 33 34 result = collection.create_search_index(model=search_index_model) 35 print("New search index named " + result + " is building.") 36 37 # Wait for initial sync to complete 38 print("Polling to check if the index is ready. This may take up to a minute.") 39 predicate=None 40 if predicate is None: 41 predicate = lambda index: index.get("queryable") is True 42 43 while True: 44 indices = list(collection.list_search_indexes(result)) 45 if len(indices) and predicate(indices[0]): 46 break 47 time.sleep(5) 48 print(result + " is ready for querying.") 49 50 client.close()
자세한 내용은 create_search_index() 메서드.
1 from pymongo.mongo_client import MongoClient 2 from pymongo.operations import SearchIndexModel 3 4 def create_indexes(): 5 # Connect to your Atlas deployment 6 uri = "<connectionString>" 7 client = MongoClient(uri) 8 9 # Access your database and collection 10 database = client["<databaseName>"] 11 collection = database["<collectionName>"] 12 13 # Create your index models and add them to an array 14 first_model = SearchIndexModel( 15 definition={ 16 "fields": [ 17 { 18 "type": "vector", 19 "numDimensions": <numberOfDimensions>, 20 "path": "<fieldToIndex>", 21 "similarity": "euclidean | cosine | dotProduct" 22 }, 23 { 24 "type": "filter", 25 "path": "<fieldToIndex>" 26 }, 27 ... 28 ] 29 }, 30 name="<indexName>", 31 type="vectorSearch", 32 ) 33 34 second_model = SearchIndexModel( 35 definition={ 36 "fields": [ 37 { 38 "type": "vector", 39 "numDimensions": <numberOfDimensions>, 40 "path": "<fieldToIndex>", 41 "similarity": "euclidean | cosine | dotProduct" 42 }, 43 { 44 "type": "filter", 45 "path": "<fieldToIndex>" 46 }, 47 ... 48 ] 49 }, 50 name="<index name>", 51 type="vectorSearch", 52 ) 53 54 ... 55 56 idx_models = [first_model, second_model, ...] 57 58 # Create the search indexes 59 result = collection.create_search_indexes(models=idx_models) 60 print(result) 61 62 client.close()
자세한 내용은 create_search_indexes() 메서드.
예시
vector-index.py
이라는 파일을 만듭니다.
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하면 Atlas Search에서 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
예시
다음을 복사하여 vector-index.py
에 붙여넣고 <connectionString>
자리 표시자 값을 바꿉니다. 다음 인덱스 정의는 Atlas Vector Search 인덱스 에서 plot_embedding
필드 를 vector
유형으로, genres
및 year
필드를 filter
유형으로 인덱싱합니다. plot_embedding
필드 에는 OpenAI의 text-embedding-ada-002
임베딩 모델을 사용하여 생성된 임베딩이 포함되어 있습니다. 인덱스 정의는 1536
벡터 차원을 지정하고 dotProduct
함수를 사용하여 유사성을 측정합니다.
다음 인덱스 정의는 벡터 Atlas Search를 수행하기 위해 벡터 임베딩 필드(plot_embedding
)만 인덱싱합니다.
1 from pymongo.mongo_client import MongoClient 2 from pymongo.operations import SearchIndexModel 3 import time 4 5 # Connect to your Atlas deployment 6 uri = "<connectionString>" 7 client = MongoClient(uri) 8 9 # Access your database and collection 10 database = client["sample_mflix"] 11 collection = database["embedded_movies"] 12 13 # Create your index model, then create the search index 14 search_index_model = SearchIndexModel( 15 definition={ 16 "fields": [ 17 { 18 "type": "vector", 19 "path": "plot_embedding", 20 "numDimensions": 1536, 21 "similarity": "dotProduct" 22 } 23 ] 24 }, 25 name="vector_index", 26 type="vectorSearch", 27 ) 28 29 result = collection.create_search_index(model=search_index_model) 30 print("New search index named " + result + " is building.") 31 # Wait for initial sync to complete 32 print("Polling to check if the index is ready. This may take up to a minute.") 33 predicate=None 34 if predicate is None: 35 predicate = lambda index: index.get("queryable") is True 36 37 while True: 38 indices = list(collection.list_search_indexes(name)) 39 if len(indices) and predicate(indices[0]): 40 break 41 time.sleep(5) 42 print(result + " is ready for querying.") 43 44 client.close()
이 인덱스 정의는 다음 필드를 인덱싱합니다:
데이터를 사전 필터링하기 위한 문자열 필드(
genres
) 및 숫자 필드(year
).사전 필터링된 데이터에 대해 벡터 Atlas Search를 수행하기 위한 벡터 임베딩 필드(
plot_embedding
)입니다.
1 from pymongo.mongo_client import MongoClient 2 from pymongo.operations import SearchIndexModel 3 import time 4 5 # Connect to your Atlas deployment 6 uri = "<connectionString>" 7 client = MongoClient(uri) 8 9 # Access your database and collection 10 database = client["sample_mflix"] 11 collection = database["embedded_movies"] 12 13 # Create your index model, then create the search index 14 search_index_model = SearchIndexModel( 15 definition={ 16 "fields": [ 17 { 18 "type": "vector", 19 "path": "plot_embedding", 20 "numDimensions": 1536, 21 "similarity": "dotProduct" 22 }, 23 { 24 "type": "filter", 25 "path": "genres" 26 }, 27 { 28 "type": "filter", 29 "path": "year" 30 } 31 ] 32 }, 33 name="vector_index", 34 type="vectorSearch", 35 ) 36 37 result = collection.create_search_index(model=search_index_model) 38 print("New search index named " + result + " is building.") 39 # Wait for initial sync to complete 40 print("Polling to check if the index is ready. This may take up to a minute.") 41 predicate=None 42 if predicate is None: 43 predicate = lambda index: index.get("queryable") is True 44 45 while True: 46 indices = list(collection.list_search_indexes(result)) 47 if len(indices) and predicate(indices[0]): 48 break 49 time.sleep(5) 50 print(result + " is ready for querying.") 51 52 client.close()
Atlas Vector Search 인덱스 보기
Atlas UI, Atlas 관리 API, Atlas CLI, mongosh
또는 지원되는 MongoDB 드라이버에서 모든 컬렉션에 대한 Atlas Vector Search 인덱스를 확인할 수 있습니다.
필요한 액세스 권한
Atlas Vector Search 검색 인덱스를 보려면 Project Search Index Editor
이상의 역할이 필요합니다.
참고
명령 또는 운전자 헬퍼 메서드를 사용하여 모든 Atlas cluster 계층에서 Atlas Search 인덱스를 조회 할 수 있습니다.mongosh
지원되는 운전자 버전 목록은 지원되는 클라이언트를 참조하세요.
절차
➤ 언어 선택 드롭다운 메뉴를 사용하여 이 섹션에 있는 예시의 언어를 설정합니다.
Atlas 관리 API를 사용하여 컬렉션의 모든 Atlas Vector Search 인덱스를 검색하려면 데이터베이스와 컬렉션 이름을 포함하여 Atlas 검색 indexes
엔드포인트에 GET
요청을 보내세요.
1 curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest \ 2 --header "Accept: application/json" \ 3 --include \ 4 --request GET "https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes/{databaseName}/{collectionName}"
엔드포인트의 구문과 파라미터에 대해 자세히 알아보려면 하나의 컬렉션에 대해 모든 Atlas Search 인덱스 반환을 참조하세요.
Atlas 관리 API를 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스 한 개를 조회하려면 조회할 인덱스의 고유 ID 또는 이름(4 행)과 함께 Atlas Search indexes
엔드포인트에 GET
요청을 보내세요.
1 curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest \ 2 --header "Accept: application/json" \ 3 --include \ 4 --request GET "https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes/{indexId} | https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes/{databaseName}/{collectionName}/{indexName|indexId}"
엔드포인트의 구문 및 매개변수에 대한 자세한 내용은 이름으로 하나씩 가져오기 및 ID로 하나씩 가져오기를 참조하세요.
Atlas CLI를 사용하여 컬렉션의 Atlas Vector Search 인덱스를 반환하려면 다음 단계를 수행하세요.
다음 명령을 실행하여 컬렉션의 인덱스를 조회합니다.
atlas clusters search indexes list --clusterName [cluster_name] --db <db-name> --collection <collection-name>
명령에서 다음 자리 표시자 값을 바꿉니다.
cluster-name
- 인덱싱된 컬렉션을 포함하는 Atlas 클러스터의 이름입니다.db-name
- 인덱스를 조회하려는 컬렉션이 포함된 데이터베이스의 이름입니다.collection-name
- 인덱스를 검색하려는 컬렉션의 이름입니다.
명령 구문 및 매개변수에 대해 자세히 알아보려면 Atlas 클러스터 검색 인덱스 목록 명령에 대한 Atlas CLI 문서를 참조하세요.
AtlasGo Atlas 에서 프로젝트 의 Clusters 페이지로 고 (Go) 합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Organizations 메뉴에서 원하는 프로젝트가 포함된 조직을 선택합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Projects 메뉴에서 원하는 프로젝트를 선택합니다.
아직 표시되지 않은 경우 사이드바에서 Clusters를 클릭합니다.
Clusters(클러스터) 페이지가 표시됩니다.
클러스터의 Atlas Search 페이지로 이동합니다.
사이드바, Data Explorer 또는 클러스터 세부 정보 페이지에서 Atlas Search 페이지로 이동할 수 있습니다.
사이드바에서 Services 제목 아래의 Atlas Search를 클릭합니다.
Select data source 드롭다운에서 클러스터를 선택하고 Go to Atlas Search를 클릭합니다.
Atlas Search 페이지가 표시됩니다.
cluster의 Browse Collections 버튼을 클릭합니다.
데이터베이스를 확장하고 컬렉션을 선택합니다.
컬렉션의 Search Indexes 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
클러스터 이름을 클릭합니다.
Atlas Search 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
이 페이지에는 페이지의 인덱스에 대한 다음과 같은 세부 정보가 표시됩니다.
이름 | 인덱스를 식별하는 레이블입니다. |
인덱스 유형 | Atlas Search 또는 Atlas Vector Search 인덱스를 나타내는 레이블입니다. 값에는 다음이 포함됩니다.
|
인덱스 필드 | 이 인덱스가 인덱싱하는 필드가 포함된 목록입니다. |
상태 | 클러스터 의 프라이머리 노드 에 있는 인덱스 의 현재 상태 입니다. 유효한 값은 인덱스 상태를 참조하세요. |
size | 프라이머리 노드에 있는 인덱스의 크기입니다. |
문서 | collection의 총 문서 수 중 인덱스된 문서 수입니다. |
작업 | 인덱스에 대해 수행할 수 있는 조치입니다. 다음을 수행할 수 있습니다. 유형의 인덱스에 대해서는 Search Tester UI 에서 쿼리를 실행 |
mongosh
를 사용하여 컬렉션의 Atlas Vector Search 인덱스를 보려면 다음 단계를 수행하세요.
mongosh
를 사용하여 Atlas 클러스터에 연결합니다.
자세한 내용은 mongosh
를 통한 연결을 참조하세요.
db.collection.getSearchIndexes()
메서드를 실행합니다.
db.collection.getSearchIndexes()
메서드의 구문은 다음과 같습니다.
1 db.<collectionName>.getSearchIndexes( "<index-name>" );
MongoDB Go 드라이버 v1.16.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 보려면 다음 단계를 수행하세요.
.go
파일을 만들고 SearchIndexes().List()
메서드를 사용하여 인덱스를 조회합니다.
1 package main 2 3 import ( 4 "context" 5 "encoding/json" 6 "fmt" 7 "log" 8 9 "go.mongodb.org/mongo-driver/bson" 10 "go.mongodb.org/mongo-driver/mongo" 11 "go.mongodb.org/mongo-driver/mongo/options" 12 ) 13 14 func main() { 15 ctx := context.Background() 16 17 // Replace the placeholder with your Atlas connection string 18 const uri = "<connectionString>" 19 20 // Connect to your Atlas cluster 21 clientOptions := options.Client().ApplyURI(uri) 22 client, err := mongo.Connect(ctx, clientOptions) 23 if err != nil { 24 log.Fatalf("failed to connect to the server: %v", err) 25 } 26 defer func() { _ = client.Disconnect(ctx) }() 27 28 // Set the namespace 29 coll := client.Database("<databaseName>").Collection("<collectionName>") 30 31 // Specify the options for the index to retrieve 32 indexName := "<indexName>" 33 opts := options.SearchIndexes().SetName(indexName) 34 35 // Get the index 36 cursor, err := coll.SearchIndexes().List(ctx, opts) 37 if err != nil { 38 log.Fatalf("failed to get the index: %v", err) 39 } 40 41 // Print the index details to the console as JSON 42 var results []bson.M 43 if err := cursor.All(ctx, &results); err != nil { 44 log.Fatalf("failed to unmarshal results to bson: %v", err) 45 } 46 res, err := json.Marshal(results) 47 if err != nil { 48 log.Fatalf("failed to marshal results to json: %v", err) 49 } 50 fmt.Println(string(res)) 51 }
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 검색하려는 컬렉션입니다. |
| 특정 인덱스를 검색하려는 경우 인덱스의 이름입니다. 컬렉션의 모든 인덱스를 반환하려면 이 값을 생략합니다. |
MongoDB Java 드라이버 v5.2.0 이상을 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스를 보려면 다음 단계를 수행하십시오.
.java
파일을 만들고 listSearchIndexes()
메서드를 사용하여 인덱스를 조회합니다.
1 import com.mongodb.client.MongoClient; 2 import com.mongodb.client.MongoClients; 3 import com.mongodb.client.MongoCollection; 4 import com.mongodb.client.MongoDatabase; 5 import org.bson.Document; 6 7 public class ViewVectorIndex { 8 9 public static void main(String[] args) { 10 11 // Replace the placeholder with your Atlas connection string 12 String uri = "<connectionString>"; 13 14 // Connect to your Atlas cluster 15 try (MongoClient mongoClient = MongoClients.create(uri)) { 16 17 // Set the namespace 18 MongoDatabase database = mongoClient.getDatabase("<databaseName>"); 19 MongoCollection<Document> collection = database.getCollection("<collectionName>"); 20 21 // Specify the options for the index to retrieve 22 String indexName = "<indexName>"; 23 24 // Get the index and print details to the console as JSON 25 try { 26 Document listSearchIndex = collection.listSearchIndexes().name(indexName).first(); 27 if (listSearchIndex != null) { 28 System.out.println("Index found: " + listSearchIndex.toJson()); 29 } else { 30 System.out.println("Index not found."); 31 } 32 } catch (Exception e) { 33 throw new RuntimeException("Error finding index: " + e); 34 } 35 36 } catch (Exception e) { 37 throw new RuntimeException("Error connecting to MongoDB: " + e); 38 } 39 } 40 }
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 검색하려는 컬렉션입니다. |
| 특정 인덱스를 검색하려는 경우 인덱스의 이름입니다. 컬렉션의 모든 인덱스를 반환하려면 이 값을 생략합니다. |
MongoDB Node driver v6.6.0 이상을 사용하여 컬렉션의 Atlas 벡터 검색 인덱스를 보려면 다음 단계를 수행하세요.
.js
파일을 만들고 listSearchIndexes()
메서드를 사용하여 인덱스를 조회합니다.
1 const { MongoClient } = require("mongodb"); 2 3 // connect to your Atlas deployment 4 const uri = "<connectionString>"; 5 6 const client = new MongoClient(uri); 7 8 async function run() { 9 try { 10 const database = client.db("<databaseName>"); 11 const collection = database.collection("<collectionName>"); 12 13 // run the helper method 14 const result = await collection.listSearchIndexes("<indexName>").toArray(); 15 console.log(result); 16 } finally { 17 await client.close(); 18 } 19 } 20 run().catch(console.dir);
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 검색하려는 컬렉션입니다. |
| 특정 인덱스를 검색하려는 경우 인덱스의 이름입니다. 컬렉션의 모든 인덱스를 반환하려면 이 값을 생략합니다. |
PyMongo 드라이버 v4.7 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 보려면 다음 단계를 수행하세요.
.py
파일을 만들고 list_search_indexes()
메서드를 사용하여 컬렉션의 인덱스를 조회합니다.
1 from pymongo.mongo_client import MongoClient 2 3 # Connect to your Atlas deployment 4 uri = "<connectionString>" 5 client = MongoClient(uri) 6 7 # Access your database and collection 8 database = client["<databaseName>"] 9 collection = database["<collectionName>"] 10 11 # Get a list of the collection's search indexes and print them 12 cursor = collection.list_search_indexes() 13 for index in cursor: 14 print(index)
자세한 내용은 list_search_indexes() 메서드를 참조하세요.
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 컬렉션이 포함된 데이터베이스의 이름입니다. |
| 컬렉션의 이름입니다. |
Atlas Vector Search 인덱스 편집
기존 Atlas Vector Search 인덱스의 인덱스 정의는 Atlas UI, Atlas 관리 API, Atlas CLI, mongosh
또는 지원되는 MongoDB 드라이버 에서 변경할 수 있습니다. 인덱스 이름을 바꾸거나 인덱스 유형을 변경할 수 없습니다. 인덱스 이름이나 유형을 변경해야 하는 경우 새 인덱스를 만들고 이전 인덱스를 삭제해야 합니다.
중요
인덱스를 편집한 후, Atlas Vector Search는 인덱스를 다시 빌드합니다. 인덱스가 다시 빌드되는 동안, 이전 인덱스 정의를 사용하여 벡터 검색 쿼리를 계속 실행할 수 있습니다. 인덱스가 재구성되면 이전 인덱스는 자동으로 교체됩니다. 이 과정은 표준 Atlas Search 인덱스와 동일한 과정을 따릅니다.
자세한 내용은 Atlas Search 인덱스 생성 및 업데이트를 참조하세요.
필요한 액세스 권한
Atlas Vector Search 인덱스를 편집하려면 Project Search Index Editor
이상의 역할이 있어야 합니다.
참고
명령 또는 운전자 헬퍼 메서드를 사용하여 모든 Atlas cluster 계층에서 Atlas Search 인덱스를 편집할 수 있습니다.mongosh
지원되는 운전자 버전 목록은 지원되는 클라이언트를 참조하세요.
절차
➤ 언어 선택 드롭다운 메뉴를 사용하여 인덱스 편집에 사용할 클라이언트를 선택합니다.
Atlas 관리 API를 사용하여 컬렉션의 Atlas Vector Search 인덱스를 편집하려면 편집할 인덱스의 고유 ID 또는 이름(4 행)과 함께 Atlas Search indexes
엔드포인트에 PATCH
요청을 보냅니다.
1 curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest --include \ 2 --header "Accept: application/json" \ 3 --header "Content-Type: application/json" \ 4 --request PATCH "https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes/{indexId} | https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes/{databaseName}/{collectionName}/{indexName|indexId}" \ 5 --data' 6 { 7 "database": "<name-of-database>", 8 "collectionName": "<name-of-collection>", 9 "type": "vectorSearch", 10 "name": "<index-name>", 11 "definition": { 12 "fields":[ 13 { 14 "type": "vector", 15 "path": <field-to-index>, 16 "numDimensions": <number-of-dimensions>, 17 "similarity": "euclidean | cosine | dotProduct" 18 }, 19 { 20 "type": "filter", 21 "path": "<field-to-index>" 22 }, 23 ... 24 } 25 ] 26 }'
엔드포인트의 구문 및 매개변수에 대한 자세한 내용은 이름으로 하나씩 업데이트 및 ID로 하나씩 업데이트를 참조하세요.
Atlas CLI를 사용하여 컬렉션의 Atlas Vector Search 인덱스를 편집하려면 다음 단계를 수행하세요.
.json
파일을 만들고 해당 파일의 인덱스에 대한 변경 사항을 정의합니다.
인덱스 정의는 다음 형식과 유사해야 합니다.
1 { 2 "database": "<name-of-database>", 3 "collectionName": "<name-of-collection>", 4 "type": "vectorSearch", 5 "name": "<index-name>", 6 "fields":[ 7 { 8 "type": "vector", 9 "path": "<field-to-index>", 10 "numDimensions": <number-of-dimensions>, 11 "similarity": "euclidean | cosine | dotProduct" 12 }, 13 { 14 "type": "filter", 15 "path": "<field-to-index>" 16 }, 17 ... 18 ] 19 }
다음 자리 표시자 값을 바꾸고 파일을 저장합니다.
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하는 경우 Atlas Vector Search는 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
다음 명령을 실행하여 인덱스를 업데이트합니다.
atlas clusters search indexes update <indexId> --clusterName [cluster_name] --file [vector-_index].json
명령에서 다음 자리 표시자 값을 바꿉니다.
cluster_name
- 업데이트하려는 인덱스를 포함하는 컬렉션이 있는 Atlas 클러스터의 이름입니다.vector_index
- Atlas Vector Search 인덱스에 대한 수정된 인덱스 정의를 포함하는 JSON 파일의 이름입니다.
명령 구문과 매개 변수에 관한 자세한 내용은 Atlas CLI 설명서의 Atlas 클러스터 검색 인덱스 업데이트를 참조하세요.
AtlasGo Atlas 에서 프로젝트 의 Clusters 페이지로 고 (Go) 합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Organizations 메뉴에서 원하는 프로젝트가 포함된 조직을 선택합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Projects 메뉴에서 원하는 프로젝트를 선택합니다.
아직 표시되지 않은 경우 사이드바에서 Clusters를 클릭합니다.
Clusters(클러스터) 페이지가 표시됩니다.
클러스터의 Atlas Search 페이지로 이동합니다.
사이드바, Data Explorer 또는 클러스터 세부 정보 페이지에서 Atlas Search 페이지로 이동할 수 있습니다.
사이드바에서 Services 제목 아래의 Atlas Search를 클릭합니다.
Select data source 드롭다운에서 클러스터를 선택하고 Go to Atlas Search를 클릭합니다.
Atlas Search 페이지가 표시됩니다.
cluster의 Browse Collections 버튼을 클릭합니다.
데이터베이스를 확장하고 컬렉션을 선택합니다.
컬렉션의 Search Indexes 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
클러스터 이름을 클릭합니다.
Atlas Search 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
인덱스를 편집합니다.
편집할
vectorSearch
유형 인덱스를 찾습니다.해당 인덱스의 Actions 드롭다운에서 Edit Index를 클릭합니다.
현재 구성 설정을 검토하고 필요에 따라 편집합니다.
Atlas Vector Search 인덱스의 필드에 대해 자세히 알아보려면 벡터 검색을 위한 필드 인덱싱 방법을 참조하세요.
Save를 클릭하여 변경 사항을 적용하세요.
인덱스의 상태가 Active에서 Building으로 변경됩니다. 이 상태에서는 업데이트된 인덱스를 사용할 준비가 될 때까지 Atlas Vector Search가 이전 인덱스를 삭제하지 않으므로, 이전 인덱스를 계속 사용할 수 있습니다. 상태가 Active로 돌아가면 수정된 인덱스를 사용할 준비가 된 것입니다.
mongosh
를 사용하여 컬렉션의 Atlas Vector Search 인덱스를 편집하려면 다음 단계를 수행하세요.
mongosh
를 사용하여 Atlas 클러스터에 연결합니다.
자세한 내용은 mongosh
를 통한 연결을 참조하세요.
db.collection.updateSearchIndex()
메서드를 실행합니다.
db.collection.updateSearchIndex()
메서드의 구문은 다음과 같습니다.
1 db.<collectionName>.updateSearchIndex( 2 "<index-name>", 3 { 4 fields: [ 5 { 6 "type": "vector", 7 "numDimensions": <number-of-dimensions>, 8 "path": "<field-to-index>", 9 "similarity": "euclidean | cosine | dotProduct" 10 }, 11 { 12 "type": "filter", 13 "path": "<field-to-index>" 14 }, 15 ... 16 ] 17 } 18 );
MongoDB Go 드라이버 v1.16.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 업데이트하려면 다음 단계를 수행하세요.
go
파일을 만들고 해당 파일의 인덱스 변경 사항을 정의합니다.
1 package main 2 3 import ( 4 "context" 5 "fmt" 6 "log" 7 8 "go.mongodb.org/mongo-driver/mongo" 9 "go.mongodb.org/mongo-driver/mongo/options" 10 ) 11 12 func main() { 13 ctx := context.Background() 14 15 // Replace the placeholder with your Atlas connection string 16 const uri = "<connection-string>" 17 18 // Connect to your Atlas cluster 19 clientOptions := options.Client().ApplyURI(uri) 20 client, err := mongo.Connect(ctx, clientOptions) 21 if err != nil { 22 log.Fatalf("failed to connect to the server: %v", err) 23 } 24 defer func() { _ = client.Disconnect(ctx) }() 25 26 // Set the namespace 27 coll := client.Database("<databaseName>").Collection("<collectionName>") 28 indexName := "<indexName>" 29 30 type vectorDefinitionField struct { 31 Type string `bson:"type"` 32 Path string `bson:"path"` 33 NumDimensions int `bson:"numDimensions"` 34 Similarity string `bson:"similarity"` 35 } 36 37 type vectorDefinition struct { 38 Fields []vectorDefinitionField `bson:"fields"` 39 } 40 41 definition := vectorDefinition{ 42 Fields: []vectorDefinitionField{{ 43 Type: "vector", 44 Path: "<fieldToIndex>", 45 NumDimensions: <numberOfDimensions>, 46 Similarity: "euclidean | cosine | dotProduct"}}, 47 } 48 err = coll.SearchIndexes().UpdateOne(ctx, indexName, definition) 49 50 if err != nil { 51 log.Fatalf("failed to update the index: %v", err) 52 } 53 54 fmt.Println("Successfully updated the search index") 55 }
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하면 Atlas Search에서 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
MongoDB Java 드라이버 v5.2.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 편집하려면 다음 단계를 수행하세요.
.java
파일을 만들고 해당 파일의 인덱스 변경 사항을 정의합니다.
1 import com.mongodb.client.MongoClient; 2 import com.mongodb.client.MongoClients; 3 import com.mongodb.client.MongoCollection; 4 import com.mongodb.client.MongoDatabase; 5 import org.bson.Document; 6 import org.bson.conversions.Bson; 7 8 import java.util.Collections; 9 10 public class EditVectorIndex { 11 12 public static void main(String[] args) { 13 14 // Replace the placeholder with your Atlas connection string 15 String uri = "<connectionString>"; 16 17 // Connect to your Atlas cluster 18 try (MongoClient mongoClient = MongoClients.create(uri)) { 19 20 // Set the namespace 21 MongoDatabase database = mongoClient.getDatabase("<databaseName>"); 22 MongoCollection<Document> collection = database.getCollection("<collectionName>"); 23 24 // Define the index changes 25 String indexName = "<indexName>"; 26 Bson definition = new Document( 27 "fields", 28 Collections.singletonList( 29 new Document("type", "vector") 30 .append("path", "<fieldToIndex>") 31 .append("numDimensions", <numberOfDimensions>) 32 .append("similarity", "euclidean | cosine | dotProduct") 33 ) 34 ); 35 36 // Update the index 37 try { 38 collection.updateSearchIndex(indexName, definition); 39 System.out.println("Successfully updated the index"); 40 } catch (Exception e) { 41 throw new RuntimeException("Error creating index: " + e); 42 mongoClient.close(); 43 } 44 45 } catch (Exception e) { 46 throw new RuntimeException("Error connecting to MongoDB: " + e); 47 } 48 } 49 }
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하면 Atlas Search에서 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
MongoDB Node 드라이버 v6.6.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 업데이트하려면 다음 단계를 수행하세요.
.js
파일을 만들고 해당 파일의 인덱스 변경 사항을 정의합니다.
1 const { MongoClient } = require("mongodb"); 2 3 // connect to your Atlas deployment 4 const uri = "<connection-string>"; 5 6 const client = new MongoClient(uri); 7 8 async function run() { 9 try { 10 const database = client.db("<databaseName>"); 11 const collection = database.collection("<collectionName>"); 12 13 // define your Atlas Search index 14 const index = { 15 name: "<indexName>", 16 type: "vectorSearch", 17 //updated search index definition 18 definition: { 19 "fields": [ 20 { 21 "type": "vector", 22 "numDimensions": <numberOfDimensions>, 23 "path": "<field-to-index>", 24 "similarity": "euclidean | cosine | dotProduct" 25 }, 26 { 27 "type": "filter", 28 "path": "<fieldToIndex>" 29 }, 30 ... 31 ] 32 } 33 } 34 35 // run the helper method 36 await collection.updateSearchIndex("<index-name>", index); 37 } finally { 38 await client.close(); 39 } 40 } 41 run().catch(console.dir);
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하면 Atlas Search에서 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
PyMongo 드라이버 v4.7 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 업데이트하려면 다음 단계를 수행하세요.
.py
파일을 만들고 해당 파일의 인덱스 변경 사항을 정의합니다.
1 from pymongo.mongo_client import MongoClient 2 3 # Connect to your Atlas deployment 4 uri = "<connectionString>" 5 client = MongoClient(uri) 6 7 # Access your database and collection 8 database = client["<databaseName>"] 9 collection = database["<collectionName>"] 10 11 definition = { 12 "fields": [ 13 { 14 "type": "vector", 15 "numDimensions": <numberofDimensions>, 16 "path": "<fieldToIndex>", 17 "similarity": "euclidean | cosine | dotProduct" 18 }, 19 { 20 "type": "filter", 21 "path": "<fieldToIndex>" 22 }, 23 ... 24 ] 25 } 26 27 # Update your search index 28 collection.update_search_index("<indexName>", definition)
자세한 내용은 update_search_index() 메서드를 참조하세요.
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 string. 자세한 내용은 드라이버를 통한 연결을 참조하세요. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스 이름. 인덱스 이름을 생략하는 경우 Atlas Search는 인덱스 이름을 |
| Atlas Vector Search가 인덱스 타임 및 쿼리 타임에 시행하는 벡터 차원의 수입니다. |
| 인덱싱할 벡터 및 필터 필드입니다. |
Atlas Vector Search 인덱스 삭제
Atlas UI, Atlas 관리 API, Atlas CLI, mongosh
또는 지원되는 MongoDB 드라이버에서 언제든지 Atlas Vector Search 인덱스를 삭제할 수 있습니다.
필요한 액세스 권한
Atlas Vector Search 인덱스를 삭제하려면 Project Search Index Editor
이상의 역할이 있어야 합니다.
참고
명령 또는 운전자 헬퍼 메서드를 사용하여 모든 Atlas cluster 계층에서 Atlas Search 인덱스를 삭제 수 있습니다.mongosh
지원되는 운전자 버전 목록은 지원되는 클라이언트를 참조하세요.
절차
➤ 언어 선택 드롭다운 메뉴를 사용하여 인덱스를 삭제하는 데 사용할 클라이언트를 선택합니다.
Atlas 관리 API를 사용해 컬렉션에 대한 Atlas Vector Search 인덱스를 삭제하려면 삭제할 인덱스의 고유 ID 또는 이름으로 Atlas Search indexes
엔드포인트에 DELETE
요청을 전송하세요.
1 curl --user "{PUBLIC-KEY}:{PRIVATE-KEY}" --digest \ 2 --header "Accept: application/json" \ 3 --include \ 4 --request DELETE "https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes/{indexId} | https://cloud.mongodb.com/api/atlas/v2/groups/{groupId}/clusters/{clusterName}/search/indexes/{databaseName}/{collectionName}/{indexName|indexId}"
엔드포인트의 구문 및 매개변수에 대해 자세히 알아보려면 이름으로 1개의 검색 인덱스 제거 및 ID로 1개의 검색 인덱스 제거를 참조하세요.
Atlas CLI를 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스를 삭제하려면 다음 단계를 수행합니다.
명령을 실행하여 인덱스를 삭제 합니다.
atlas clusters search indexes delete <indexId> [options]
명령에서 indexId
자리 표시자 값을 삭제할 인덱스의 고유 식별자로 바꿉니다.
명령 구문 및 매개변수에 대한 자세한 내용은 Atlas CLI 문서에서 Atlas 클러스터 검색 인덱스 삭제 명령을 참조하세요.
AtlasGo Atlas 에서 프로젝트 의 Clusters 페이지로 고 (Go) 합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Organizations 메뉴에서 원하는 프로젝트가 포함된 조직을 선택합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Projects 메뉴에서 원하는 프로젝트를 선택합니다.
아직 표시되지 않은 경우 사이드바에서 Clusters를 클릭합니다.
Clusters(클러스터) 페이지가 표시됩니다.
클러스터의 Atlas Search 페이지로 이동합니다.
사이드바, Data Explorer 또는 클러스터 세부 정보 페이지에서 Atlas Search 페이지로 이동할 수 있습니다.
사이드바에서 Services 제목 아래의 Atlas Search를 클릭합니다.
Select data source 드롭다운에서 클러스터를 선택하고 Go to Atlas Search를 클릭합니다.
Atlas Search 페이지가 표시됩니다.
cluster의 Browse Collections 버튼을 클릭합니다.
데이터베이스를 확장하고 컬렉션을 선택합니다.
컬렉션의 Search Indexes 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
클러스터 이름을 클릭합니다.
Atlas Search 탭을 클릭합니다.
Atlas Search 페이지가 표시됩니다.
mongosh
를 사용하여 컬렉션의 Atlas Vector Search 인덱스를 삭제하려면 다음 단계를 수행하세요.
mongosh
를 사용하여 Atlas 클러스터에 연결합니다.
자세한 내용은 mongosh
를 통한 연결을 참조하세요.
db.collection.dropSearchIndex()
메서드를 실행합니다.
db.collection.dropSearchIndex()
메서드의 구문은 다음과 같습니다.
1 db.<collectionName>.dropSearchIndex( "<index-name>" );
MongoDB Go 드라이버 v1.16.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 삭제하려면 다음 단계를 수행하세요.
.go
파일을 만들고 SearchIndexes().DropOne()
메서드를 사용하여 인덱스를 삭제합니다.
1 package main 2 3 import ( 4 "context" 5 "fmt" 6 "log" 7 8 "go.mongodb.org/mongo-driver/mongo" 9 "go.mongodb.org/mongo-driver/mongo/options" 10 ) 11 12 func main() { 13 ctx := context.Background() 14 15 // Replace the placeholder with your Atlas connection string 16 const uri = "<connectionString>" 17 18 // Connect to your Atlas cluster 19 clientOptions := options.Client().ApplyURI(uri) 20 client, err := mongo.Connect(ctx, clientOptions) 21 if err != nil { 22 log.Fatalf("failed to connect to the server: %v", err) 23 } 24 defer func() { _ = client.Disconnect(ctx) }() 25 26 // Set the namespace 27 coll := client.Database("<databaseName>").Collection("<collectionName>") 28 indexName := "<indexName>" 29 30 err = coll.SearchIndexes().DropOne(ctx, indexName) 31 if err != nil { 32 log.Fatalf("failed to delete the index: %v", err) 33 } 34 35 fmt.Println("Successfully deleted the Vector Search index") 36 }
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하는 경우 Atlas Search는 인덱스 이름을 |
MongoDB Java 드라이버 v5.2.0 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 삭제하려면 다음 단계를 수행하세요.
.java
파일을 만들고 collection.dropSearchIndex()
메서드를 사용하여 인덱스를 삭제합니다.
1 import com.mongodb.client.MongoClient; 2 import com.mongodb.client.MongoClients; 3 import com.mongodb.client.MongoCollection; 4 import com.mongodb.client.MongoDatabase; 5 import org.bson.Document; 6 7 public class DeleteIndex { 8 9 public static void main(String[] args) { 10 11 // Replace the placeholder with your Atlas connection string 12 String uri = "<connectionString>"; 13 14 // Connect to your Atlas cluster 15 try (MongoClient mongoClient = MongoClients.create(uri)) { 16 17 // Set the namespace 18 MongoDatabase database = mongoClient.getDatabase("<databaseName>"); 19 MongoCollection<Document> collection = database.getCollection("<collectionName>"); 20 21 // Specify the index to delete 22 String indexName = "<indexName>"; 23 24 try { 25 collection.dropSearchIndex(indexName); 26 } catch (Exception e) { 27 throw new RuntimeException("Error deleting index: " + e); 28 } 29 30 } catch (Exception e) { 31 throw new RuntimeException("Error connecting to MongoDB: " + e); 32 } 33 } 34 }
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하는 경우 Atlas Search는 인덱스 이름을 |
MongoDB Node 드라이버 v6.6.0 이상을 사용하여 컬렉션에 대한 Atlas Vector Search 인덱스를 삭제하려면 다음 단계를 수행하세요.
.js
파일을 만들고 dropSearchIndex()
메서드를 사용하여 인덱스를 삭제합니다.
1 const { MongoClient } = require("mongodb"); 2 3 // connect to your Atlas deployment 4 const uri = "<connectionString>"; 5 6 const client = new MongoClient(uri); 7 8 async function run() { 9 try { 10 const database = client.db("<databaseName>"); 11 const collection = database.collection("<collectionName>"); 12 13 // run the helper method 14 await collection.dropSearchIndex("<indexName>"); 15 16 } finally { 17 await client.close(); 18 } 19 } 20 run().catch(console.dir);
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 인덱스를 생성하려는 컬렉션이 포함된 데이터베이스입니다. |
| 인덱스를 생성하려는 컬렉션입니다. |
| 인덱스의 이름입니다. 인덱스 이름을 생략하는 경우 Atlas Search는 인덱스 이름을 |
PyMongo 드라이버 v4.7 이상을 사용하여 컬렉션의 Atlas Vector Search 인덱스를 삭제하려면 다음 단계를 수행하세요.
.py
파일을 만들고 drop_search_index()
메서드를 사용하여 인덱스를 삭제합니다.
1 from pymongo.mongo_client import MongoClient 2 3 # Connect to your Atlas deployment 4 uri = "<connectionString>" 5 client = MongoClient(uri) 6 7 # Access your database and collection 8 database = client["<databaseName>"] 9 collection = database["<collectionName>"] 10 11 # Delete your search index 12 collection.drop_search_index("<indexName>")
자세한 내용은 drop_search_index() 메서드를 참조하세요.
다음 값을 바꾸고 파일을 저장합니다.
| Atlas 연결 문자열입니다. 자세한 사항은 드라이버를 통해 연결을 참조하십시오. |
| 컬렉션이 포함된 데이터베이스의 이름입니다. |
| 컬렉션의 이름입니다. |
| 삭제할 인덱스의 이름입니다. |
인덱스 상태
Atlas Vector Search 인덱스를 생성하면 Status 열에 클러스터의 프라이머리 노드에 있는 인덱스의 현재 상태가 표시됩니다. 상태 아래에 있는 View status details 링크를 클릭하면 클러스터의 모든 노드에 있는 인덱스 상태를 볼 수 있습니다.
Status 열이 Active로 표시되면 인덱스가 사용할 준비가 된 것입니다. 다른 상태에서는 인덱스에 대한 쿼리가 불완전한 결과를 반환할 수 있습니다.
상태 | 설명 |
---|---|
시작되지 않음 | Atlas가 아직 인덱스 빌드를 시작하지 않았습니다. |
초기 동기화 | Atlas가 인덱스를 작성하거나 편집 후 인덱스를 다시 작성하고 있습니다. 인덱스가 이 상태인 경우 다음과 같습니다:
|
활성 | 인덱스를 사용할 준비가 되었습니다. |
복구 중 | 복제에 오류가 발생했습니다. 이 상태는 일반적으로 |
실패하였습니다. | Atlas에서 인덱스를 작성할 수 없습니다. View status details 모달 창의 오류를 사용하여 문제를 해결하세요. 자세한 내용은 Atlas Search 문제 해결을 참조하세요. |
삭제 진행 중 | Atlas가 클러스터 노드에서 인덱스를 삭제하는 중입니다. |
Atlas가 인덱스를 빌드하는 동안 그리고 빌드가 완료된 후 Documents 열에 인덱싱된 문서의 백분율과 개수가 표시됩니다. 이 열에는 컬렉션의 총 문서 수도 표시됩니다.