Vector Search

语义搜索是根据数据的含义而不是数据本身进行搜索的做法。

向量是数据和关联上下文的数字表示，可以使用高级算法进行高效搜索。

Atlas Vector Search 支持根据向量中捕获的语义来搜索数据，而 Atlas Search 则支持关键字搜索（即基于实际文本和任何定义的同义词映射）。

可以，MongoDB Atlas 是一个矢量数据库。Atlas 是一个完全托管的多云开发者数据平台，具有丰富的功能，包括文本或词汇和矢量搜索。不同于使用独立或附加的矢量数据库，我们平台的多功能性使用户能够将其操作数据、元数据和矢量嵌入存储在 Atlas 上，并无缝使用 Atlas Vector Search 进行索引、检索和构建高性能的生成式人工智能应用程序。

KNN，或 K 最近邻，是一种常用于查找相邻向量的算法。

ANN，或近似最近邻，是一种寻找相似向量的途径，以牺牲准确性为代价来提升性能。这是用于支持 Atlas Vector Search 的核心算法之一。我们的近似最近邻搜索算法使用分层可导航小世界 (HNSW) 图来有效地索引和查询数百万个向量。

ENN（精确最近邻）是一种查找相似向量的方法，以牺牲一些性能来换取准确性。此方法返回与查询向量最接近的向量，向量数量由变量限制指定。精确向量搜索查询执行可以为最多 10,000 个文档的未筛选查询保持亚秒级延迟。它还可以为高度选择性的过滤器提供低延迟响应，将大量文档限制为 10,000 个或更少，并按向量相关性排序。

$vectorSearch 是 MongoDB Atlas 中的一个聚合阶段，可让您使用 MongoDB Query API 过滤（例如“$eq”或“$gte”）执行近似最近邻 (ANN) 或精确最近邻 (ENN) 查询。Atlas 集群 6.0 及更高版本支持该阶段。Atlas Search 中的 knnVector 字段类型和 $search 中的 knnBeta 操作符现已弃用。

Search Nodes 为 Atlas Search 和 Vector Search 工作负载提供专用基础架构，使您能够优化计算资源，并独立于数据库全面扩展搜索需求。Search Nodes 可提供更高的性能，实现工作负载隔离、更高的可用性，并能更好地优化资源使用。

Atlas Vector Search 支持来自在服务的 4096 维限制内的任何提供程序的嵌入。目前，我们支持对您所选择的提供商提供的标量量化向量嵌入进行摄取、索引和查询。我们即将在 Atlas 中添加对二进制量化向量摄取以及自动标量和二进制量化的支持，并在不影响准确性的情况下实现成本和存储效率。

适用，Atlas Vector Search 可以查询任何可以转化为嵌入的数据。文档模型的好处之一是您可以将嵌入与丰富的数据一起存储在文档中。