Acerca de esta tarea
Crear un índice de búsqueda vectorial
En esta sección, se crea un índice MongoDB Vector Search en datos de ejemplo que se cargan en el clúster:
Ejecutar una consulta de búsqueda vectorial
En esta sección, ejecutas una consulta de búsqueda vectorial de muestra sobre tus embeddings indexadas.
Resumen de aprendizaje.
Este inicio rápido se centró en recuperar documentos del clúster que contienen texto relacionado semánticamente con una query realizada. Sin embargo, se puede crear un índice de búsqueda vectorial sobre incrustaciones que representen cualquier tipo de datos que se puede guardar en el clúster, como imágenes o videos.
Datos de muestra
Vector Embeddings
Definición de índice vectorial
Query de búsqueda vectorial
La consulta que ejecutó en este inicio rápido es una canalización de agregación, en la que $vectorSearch el escenario realiza una Búsqueda por vecino más cercano aproximado (RNA) seguida de una $project etapa que refina los resultados. Para ver todas las opciones de una consulta de búsqueda vectorial, incluyendo el uso de vecino más cercano exacto (ENN) o cómo limitar el alcance de la búsqueda vectorial con la filter opción, consulte Ejecutar consultas de búsqueda vectorial.
Próximos pasos
Para aprender a crear embeddings a partir de datos y cargarlas en Atlas, consulte Crear incrustaciones.
Para aprender a implementar la generación de recuperación aumentada (RAG), consulte generación de recuperación aumentada (RAG) con MongoDB.
Para integrar la búsqueda vectorial de MongoDB con marcos y servicios de IA populares, consulta Integraciones de IA de MongoDB.
Para crear chatbots de IA listos para producción utilizando MongoDB Vector Search, consulte MongoDB Chatbot Framework.
Para aprender a implementar RAG sin necesidad de claves API o créditos, consulte Construir una implementación de RAG local con MongoDB Vector Search.