MongoDB Vector Search | MongoDB

借助 MongoDB 中现有的实时操作数据，使用向量搜索、混合搜索和生成式人工智能构建智能应用程序。
生成式人工智能使用向量对非结构化数据（文本、图像和音频）进行智能语义搜索。向量对于构建推荐引擎、异常检测和对话式人工智能至关重要。MongoDB 的原生功能使得广泛的应用场景得以实现，并提供了变革性的用户体验。
避免同步负担。有了 MongoDB Vector Search，您的操作数据和向量数据就可以保存在同一个地方，无需独立的数据库，也无需同步数据。
通过自动嵌入，您只需为实时操作数据定义索引，MongoDB 就会随着数据的变化自动生成和同步向量嵌入。 使用自然语言搜索。选择适合您工作负载的质量-成本-延迟要求的 Voyage AI 嵌入模型。MongoDB Atlas 在幕后管理模型推理、扩展和同步。
轻松地将向量查询与元数据、图形查找、聚合管道、地理空间搜索和词法搜索的过滤条件相结合，在单一数据库中实现强大的混合搜索使用案例。
与其他解决方案不同，MongoDB 的分布式架构可以独立于核心数据库扩展向量搜索功能。这使向量查询能够实现真正的工作负载隔离和优化，从而在大规模应用中达到卓越的性能表现。
安全性和高可用性是内置的特性。由于向量数据与您的业务数据一同直接存储在 Atlas 中，您可以安心，您的工作负载在运行时将享有 MongoDB 所著称的企业级安全性和可用性。
无需离开 MongoDB 查询引擎，即可利用 Voyage AI 同类最佳的重排序模型即刻提高检索准确性。借助 MongoDB 原生重排序功能，只有最相关的结果才会发送到您的 LLM，从而降低智能体与多步检索管道的词元费用和延迟。
不仅要解读用户键入的内容，还要解读他们搜索的原因，从而揭示含义和用户意图，以便提供更准确和更有针对性的搜索结果。
通过将 Atlas Vector Search 您所选择的大型语言模型 (LLM) 相结合，您可以在生成式人工智能应用程序中实现检索增强生成 (RAG)。
结合向量搜索，为代理系统提供相关的上下文信息和语义理解能力，使其能够更高效、更可靠地运作。
了解如何利用先进的搜索与生成式人工智能技术获得实用视角，并学习如何重新定义策略以获得最佳成果。
探索如何将检索增强生成 (RAG) 集成到企业工作流程中，技术融入企业工作流程，以支持除简单聊天机器人之外的更多有影响力的应用场景。
通过包含构建 MongoDB AI 应用所需技术内容在内的三条自定进度学习路径，探索我们的 AI 学习中心资源。
僵化的旧版系统并非为 AI 构建。它们会带来阻力、消耗预算，并阻碍创新。停止一味集成，开始真正创新。
向量是数据的数学表示，表示为捕获特定功能或属性的数字数组。在机器学习和人工智能中，向量嵌入是指这些数字表示，通常用于将文本、图像或音频等复杂数据编码为计算机可以理解和处理的格式。嵌入旨在保留数据内的关系和模式，例如相似性或上下文含义。例如，在自然语言处理中，具有相似含义的单词用向量空间中彼此接近的嵌入来表示。这种方法可实现高效搜索、推荐系统和其他机器学习任务。
自动嵌入是直接在 MongoDB 中为数据生成向量嵌入的功能。当您在向量搜索索引中定义自动嵌入字段时，MongoDB 会在摄取、更新和查询时自动使用 Voyage AI 模型创建嵌入，从而使向量与您的文档同步，而无需外部管道。
MongoDB Vector Search 支持根据向量中捕获的语义来搜索数据，而 MongoDB 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 是向量数据库。Atlas 是完全托管的、AI 就绪的智能数据平台，具有丰富的功能，包括文本或词汇和向量搜索。不同于使用独立或附加的向量数据库，我们平台的多功能性使用户能够存储其操作数据、元数据和向量嵌入，并无缝使用向量搜索进行索引、检索和构建高性能的生成式人工智能应用程序。MongoDB Vector Search 也适用于 MongoDB Enterprise Advanced，这是在本地和私有云生产中运行 MongoDB 的最灵活的方式。它也可用于 MongoDB Community Edition。
MongoDB 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。
自动嵌入支持 Voyage AI 模型系列，所有这些都托管在 Atlas 安全边界内，具有输出维度和量化输出的配置。
我们支持对嵌入提供商提供的标量和二进制量化向量嵌入进行摄取、索引和查询。我们还提供了在 MongoDB 中实现全保真向量的自动标量和二进制量化的选项。
您可以引入来自任何提供商的自己的嵌入，而 MongoDB Vector Search 将始终与之配合使用。
在使用“自动嵌入”时，推理、身份验证、扩展、重试和同步由 MongoDB 进行管理。无需预配外部嵌入服务，无需轮换密钥，也无需操作同步基础架构。嵌入模型将根据您的实际令牌用量计费。
在使用“自带嵌入”时，您负责引入来自您选择的提供程序的生成向量嵌入。所有相关操作（计费、费率限制、API 密钥管理）均需要由您处理。
KNN 是“K-最近邻”的缩写，是一种常用于查找相邻向量的算法。
ANN 是“近似最近邻”的缩写，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 是“精确最近邻”的缩写，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 (ENN) 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。
使用自动嵌入，您可以选择标量、浮点、二进制（使用浮点向量进行重新评分）和不带任何重新评分的二进制。
通过自带嵌入，我们支持从嵌入提供商摄取、索引和查询标量和二进制量化向量。我们还提供在 MongoDB 中实现全保真向量的自动标量和二进制量化的选项。
是的，MongoDB Vector Search 可以查询任何可以转化为向量嵌入的数据。document model 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。
原生重排序 ($rerank) 通过将 Voyage AI 的顶级重排序模型直接集成到 MongoDB 查询引擎中，瞬间提高了检索精度。MongoDB 原生重排序允许用户确保仅将高度相关的数据传送到 LLM，从而优化词元开销并提高准确性。
MongoDB 中的混合搜索将词汇搜索和向量搜索结合在单个查询中，以便应用程序可以利用关键字精度和语义相关性。在 MongoDB 中，混合搜索直接在实时操作数据上运行，这有助于团队改善检索，而无需添加单独的搜索系统进行同步和维护。MongoDB 支持用于混合检索的原生融合阶段，为团队提供了一种在单个查询中结合词汇和矢量结果的更简单方法。MongoDB 支持用于混合检索的原生融合阶段，为团队提供了一种在单个查询中结合词汇和矢量结果的更简单方法。