Docs 菜单
Docs 主页
/
MongoDB Atlas

Atlas Vector Search 概述

在此页面上

  • 什么是向量搜索？
  • 关键概念
  • Atlas Vector Search 索引
  • Atlas Vector Search 查询
  • 用例
  • AI 集成
  • 后续步骤

您可以使用 Atlas Vector Search 对 Atlas 中的数据执行向量搜索。当您在集合上定义 Atlas Vector Search 索引时，可以无缝地将向量数据与其他数据一起索引，然后对索引字段执行向量搜索查询。

Atlas Vector Search 支持各种搜索用例，包括语义搜索、混合搜索和生成式搜索。通过将向量嵌入与其他数据一起存储在 Atlas 中，您可以筛选集合中其他字段的语义搜索查询，并将语义搜索与全文搜索相结合。通过使用 Atlas 作为矢量数据库，您还可以在 AI 应用程序中利用向量搜索并将其与常用的 AI 框架和服务集成。

对于 ANN 搜索，运行 6.0.11、7.0.2 或更高版本 MongoDB 的 Atlas 集群支持 Atlas Vector Search；对于 ENN 搜索，运行 6.0.16、7.0.10、7.3.2 或更高版本 MongoDB 的 Atlas 集群支持 Atlas Vector Search。

Atlas Vector Search 入门

注意

为了获得最佳性能，我们建议部署 单独的搜索节点，以便隔离工作负载。搜索节点支持并发查询执行，以减少单个查询延迟。要了解更多信息，请参阅查看部署选项。

什么是向量搜索？

向量搜索是一种根据数据语义或潜在含义返回结果的搜索方法。与查找文本匹配的传统全文搜索不同，向量搜索可在多维空间中查找与搜索查询接近的向量。向量越接近您的查询，它们的含义就越相似。

通过解释搜索查询和数据的含义，向量搜索可让您考虑搜索者的意图和搜索上下文，以检索出更相关的结果。

例如，如果您搜索了词语“红色水果”，则全文搜索仅返回显式包含这些关键字的数据。但是，语义搜索可能会返回含义相似的数据，例如苹果或草莓等红色水果。

关键概念

向量

向量是一组数字，代表多个维度的数据。向量可以表示任何类型的数据，包括文本、图像、音频数据以及非结构化数据。通过测量向量之间的距离，可以确定语义相似性。

矢量的维数由创建矢量时使用的嵌入模型决定。此外，矢量的维数等于矢量空间的维数，在矢量空间中绘制矢量图以确定其相似性。

具体来说，Atlas Vector Search 使用密集向量，这是一种有利于更小的存储和语义丰富性的高维向量。与稀疏向量相反，密集向量可以包含更多数据，这使得 Atlas Vector Search 能够捕捉更复杂的关系。

向量嵌入

向量嵌入或向量化是将数据转换为向量的过程。这些嵌入可以捕获数据中有意义的关系，并启用语义搜索和检索等任务。要将 Atlas 用作向量数据库，您可以通过嵌入模型传递数据来创建嵌入，并将这些嵌入作为字段存储在文档中。

Atlas Vector Search 通过确定与查询向量距离最接近的向量嵌入来确定语义相似性。

要了解更多信息，请参阅如何创建向量嵌入。

内嵌模型

嵌入模型是用于将数据转换为向量嵌入的算法。为此，嵌入模型使用 LLM（在大量数据上训练的机器学习模型）来生成捕获数据语义的向量嵌入。

您选择的嵌入模型决定如何配置 Atlas Vector Search 索引，并根据嵌入模型的训练方式影响查询结果。因此，不同的模型根据数据和应用场景提供不同的优势。

要了解更多信息，请参阅选择嵌入式模型。

Atlas Vector Search 索引

要在 Atlas 中对数据执行向量搜索，您必须创建 Atlas Vector Search 索引。Atlas Vector Search 索引独立于其他数据库索引，用于在查询时有效检索包含向量嵌入的文档。在 Atlas Vector Search 索引定义中，您可以为包含嵌入的集合字段建立索引，以便针对这些字段进行向量搜索。Atlas Vector Search 支持长度小于或等于 4096 维的嵌入。

您还可以通过索引集合中要运行 Atlas Vector Search 查询的任何布尔型、日期型、数字型、objectId、字符串型和 UUID 字段来预过滤数据。过滤数据可以缩小搜索范围，并确保某些向量嵌入不会参与比较。

要了解如何为 Atlas Vector Search 编制字段索引，请参阅如何为 Vector Search 编制字段索引。

Atlas Vector Search 查询

Atlas Vector Search 支持使用 Hierarchical Navigable Small Worlds 的近似最近邻 (ANN) 搜索和精确最近邻 (ENN) 搜索。

为了找到最相似的向量， Atlas Vector Search 在不扫描每个向量嵌入的情况下执行 ANN 搜索，而 ENN 搜索则对所有索引向量嵌入进行详尽搜索。要了解更多信息，请参阅 vectorSearch 定义。

Atlas Vector Search 查询由聚合管道阶段组成，其中 $vectorSearch阶段是管道中的第一个阶段。 基本 Atlas Vector Search 查询的过程如下：

  1. 您选择 ANN 或 ENN 搜索，并指定查询向量，后者是表示搜索查询的向量嵌入。

  2. Atlas Vector Search 在您的数据中查找最接近查询向量的向量嵌入。

  3. Atlas Vector Search 返回包含最相似向量的文档。

要自定义向量搜索查询，您可以使用 MQL 匹配表达式和受支持的查询或聚合操作符来预先过滤已建立索引的字段数据，也可以添加额外的聚合阶段来进一步处理和组织结果。

要了解如何创建和运行 Atlas Vector Search 查询，请参阅运行向量搜索查询。

用例

Atlas Vector Search 支持以下类型的向量搜索查询：

通过将 Atlas 用作向量数据库，您可以使用 Atlas Vector Search 为自然语言处理 (NLP)、机器学习 (ML) 和生成式 AI 应用程序提供支持。

具体来说，您可以通过将数据存储在 Atlas 中、使用 Atlas Vector Search 从数据中检索相关文档以及利用 LLM 回答有关数据的问题来实现 检索增强生成 (RAG) 。您可以在本地实施 RAG，也可以将 Atlas Vector Search 与流行的框架和服务集成。要了解更多信息，请参阅使用 Atlas Vector Search 进行检索增强生成 (RAG)。

AI 集成

您可以将 Atlas Vector Search 与 OpenAI、AWS 和 Google 等人工智能提供商的热门聊天和嵌入式模型一起使用。MongoDB 和合作伙伴还提供特定的产品集成，以帮助您在 AI 驱动的应用程序中利用 Atlas Vector Search。这些集成包括内置工具和库，使您能够将 Atlas 用作向量数据库、构建生成式 AI 应用程序，以及从开始到结束执行 RAG。

例如，通过将 Atlas Vector Search 与 LangChain 和 LlamaIndex 等开源框架集成，您可以在流行的 LLM 上构建应用程序，来回答与数据相关的问题。

要了解更多信息并开始使用，请参阅将 Vector Search 与 AI 技术集成。

后续步骤

如果想亲身体验创建 Atlas Vector Search 索引和针对示例数据运行 Atlas Vector Search 查询，请尝试 MongoDB University 的 Atlas Vector Search 课程和以下页面中的教程：