/ /

Explique los resultados de la búsqueda vectorial de MongoDB

Cuando ejecutas una query de MongoDB Vector Search con el método explain, la query devuelve un documento BSON que contiene el plan del query y estadísticas de ejecución que describen cómo se ejecutó la query internamente.

Tip

comando explain

Sintaxis

db.<myCollection>.explain("<verbosity>").aggregate([
   {
     "$vectorSearch": {
       "exact": true | false,
       "filter": {<filter-specification>},
       "index": "<index-name>",
       "limit": <number-of-results>,
       "numCandidates": <number-of-candidates>,
       "path": "<field-to-search>",
       "queryVector": [<array-of-numbers>],
       "explainOptions": {
         "traceDocumentIds": [<array-of-document-IDs>]
       }
     }
   }
])

nivel de verbosidad

El nivel de verbosidad controla el comportamiento de explain y la cantidad de información devuelta. El valor puede ser uno de los siguientes, en orden de menor a mayor nivel de verbosidad:

allPlansExecution	Información sobre el plan del query, incluyendo los campos `stats`, que contienen estadísticas de ejecución para la query. Incluye datos de ejecución parcial capturados durante la selección del plan.
executionStats	Información sobre el plan del query, incluidos los campos `stats`, que contienen estadísticas de ejecución para la consulta.
queryPlanner (por defecto)	Información sobre el plan del query. No incluye los campos `stats`, que contienen estadísticas de ejecución para la query.

Tip

Modas de nivel de verbosidad

Explique los resultados

El método explain devuelve un documento BSON con los siguientes campos.

Opción	Tipo	Necesidad	Propósito
`collectors`	Documento	Opcional	Describe las estadísticas de ejecución para el recopilador.
`metadata`	Documento	Opcional	Contiene metadatos útiles.
`query`	Documento	Opcional	Describe las estadísticas de ejecución de la query. Esto no está presente en el nivel superior para `indexPartitionExplain`.
`resultMaterialization`	Documento	Opcional	Detalles relacionados con la recuperación de datos por documento después de la ejecución de la query. Esto no se devuelve para el `queryPlanner` nivel de verbosidad.
`resourceUsage`	Documento	Opcional	Detalla el uso de recursos de la query cuando se ejecutó. Esto no se devuelve para el nivel de verbosidad`queryPlanner` .
`vectorTracing`	Arreglo de objetos	Opcional	Detalles de rastreo, tales como los siguientes, acerca de los vectores en los documentos especificados: Si MongoDB Vector Search visitó el vector durante la ejecución de la query, si el vector apareció en el conjunto de resultados de MongoDB Vector Search, y si no, por qué el vector fue descartado. Si el vector es, en general, alcanzable porque algunos vectores podrían no serlo debido a la estructura jerárquica navegable de pequeños mundos naturaleza probabilística.
`luceneVectorSegmentStats`	Arreglo de objetos	Opcional	Detalles por segmento de Lucene de la ejecución de la query `$vectorSearch`.

`collectors`

El collectors es un documento BSON con el siguiente campo:

Campo	Tipo	Necesidad	Propósito
`allCollectorStats`	Documento	Requerido	Estadísticas de todos los recolectores de la consulta. Las estadísticas que se muestran representan el valor máximo de todos los recolectores utilizados en la consulta o la suma de las estadísticas de todos los subrecolectores. Las estadísticas de tiempo se suman para reflejar el tiempo total empleado en todos los recolectores para toda la consulta. Para obtener más información, consulte `allCollectorStats`.

`allCollectorStats`

El allCollectorStats es un documento BSON que describe las estadísticas de los colectores en todos los colectores especificados en la query. Contiene las siguientes claves:

Campo	Descripción
`collect`	Rastrea la duración y el número de resultados recogidos por el recolector.
`competitiveIterator`	Estadísticas que rastrean la duración total y el número de veces que se solicitó un `competitiveIterator` al recopilador.
`setScorer`	Estadísticas que rastrean la duración total y la cantidad de veces que un anotador fue configurado en el recolector.

`metadata`

El metadata contiene metadatos útiles, como los siguientes:

Campo	Tipo	Necesidad	Propósito
`mongotVersion`	String	Opcional	Versión actual de `mongot`.
`mongotHostName`	String	Opcional	Etiqueta legible por humanos que identifica el `mongot` host.
`indexName`	String	Opcional	Índice de búsqueda vectorial MongoDB utilizado en la query.
`cursorOptions`	Documento	Opcional	Opciones de cursor otorgadas a `mongot`.
`totalLuceneDocs`	entero	Opcional	Número total de documentos en el índice, incluidos los documentos eliminados.

`query`

La respuesta explain es un documento BSON con claves y valores que describen las estadísticas de ejecución de la consulta. El documento explain en el conjunto de resultados contiene los siguientes campos:

Campo	Tipo	Necesidad	Propósito
`path`	string	Opcional	Ruta al campo de incrustación consultado, solo si no es el raíz.
`type`	string	Requerido	Nombre del tipo de query de búsqueda vectorial. Consulta `query` para obtener más información.
`args`	Documento	Requerido	Información de la query de búsqueda vectorial. Consulta `query` para obtener más información.
`stats`	Documento	Opcional	`stats` para la consulta si `explain` se ejecutó con `executionStats` o `allPlansExecution` verbosidad.

`args`

La respuesta de explicación contiene información sobre cómo se ejecutó internamente la consulta. El campo args incluye los siguientes detalles:

Tipo de query
Un ejemplo de resumen estructurado para cada tipo de query
Opciones de consulta en el resumen estructurado

Las secciones siguientes describen los tipos de query y los campos de los resúmenes estructurados:

WrappedKnnQuery

Una consulta contenedor utilizada para la búsqueda vectorial ANN que combina varias consultas. El resumen estructurado incluye detalles sobre las siguientes opciones:

Campo	Tipo	Necesidad	Descripción
`query`	Arreglo	Requerido	Arreglo de subconsultas utilizadas en la búsqueda vectorial, que suelen contener `KnnFloatVectorQuery` y `DocAndScoreQuery`.

KnnFloatVectorQuery

Un tipo de query específico para la búsqueda ANN en vectores de punto flotante. El resumen estructurado incluye detalles sobre las siguientes opciones:

Campo	Tipo	Necesidad	Descripción
`field`	String	Requerido	La ruta de campo vectorial que se está buscando.
`k`	entero	Requerido	Número de vecinos más cercanos para recuperar.

DocAndScoreQuery: Un tipo de query que gestiona la coincidencia y puntuación de documentos. El resumen estructurado generalmente incluye estadísticas sobre la ejecución de la query.

ExactVectorSearchQuery

Un tipo de query para búsquedas de vectores ENN. El resumen estructurado incluye detalles sobre las siguientes opciones:

Campo	Tipo	Necesidad	Descripción
`field`	String	Requerido	La ruta de campo vectorial que se está buscando.
`similarityFunction`	String	Requerido	La función de similitud utilizada (`dotProduct`, `cosine` o `euclidean`).
`filter`	Documento	Opcional	query previa que limita el alcance de la búsqueda vectorial.

BooleanQuery: Si utiliza un prefiltro en su consulta de búsqueda vectorial, los resultados de la explicación incluirán el tipo BooleanQuery. Para obtener más información sobre los campos de este tipo y otros tipos de consulta específicos de su consulta con prefiltro, consulte la sección Tipos de consulta en la página Explicación de búsqueda de MongoDB.

DefaultQuery

Las consultas que no están definidas explícitamente por otra consulta se serializan utilizando la consulta por defecto. El resumen estructurado incluye detalles sobre la siguiente opción:

Campo	Tipo	Necesidad	Descripción
`queryType`	String	Requerido	Tipo de query.

`stats`

La respuesta explain para los modos de verbosidad executionStats y allPlansExecution incluye un campo stats que contiene información sobre cuánto tiempo pasa una consulta en las distintas etapas de la ejecución de la consulta.

Desglose por tiempo

El desglose de temporización describe estadísticas de ejecución pertinentes a una áreas de query ejecución. Los siguientes campos muestran el desglose temporal:

Campo	Tipo	Descripción
`millisElapsed`	Long	Tiempo aproximado transcurrido en tiempo real al realizar tareas en esta área, incluyendo el tiempo que los procesos secundarios de la consulta permanecieron en ella. El valor representa el número aproximado de milisegundos transcurridos durante la ejecución de las tareas en esta área.
`invocationCounts`	Documento	Número de invocaciones de las tareas incluidas en esta área. El valor es un mapa que relaciona los nombres de las tareas con su número de invocaciones.

Áreas de Consulta

Las estadísticas están disponibles para las siguientes áreas de query:

Opción

Descripción

context

Estadísticas relacionadas con la ejecución de la query de búsqueda vectorial. Hay dos tareas cuyos recuentos de convocación se enumeran en esta área:

`createScorer`	El evaluador itera sobre los documentos y genera una puntuación para cada documento. Las invocaciones de `createScorer` crean el objeto responsable de la puntuación. Observa que el tiempo asociado a esta tarea no es tiempo dedicado realmente a puntuar documentos. El recuento incluye el número de invocaciones de `scorerSupplier`.
`createWeight`	Weight almacena el estado asociado con una query y `IndexSearcher`. El recuento incluye el número de invocaciones `createWeight`.

El tiempo empleado en esta área está relacionado con la estructura de la consulta y no se basa en la cantidad de resultados que se procesan y puntúan.

Por ejemplo:

"context" : {
  "millisElapsed" : NumberDouble(4.934751),
  "invocationCounts" : {
    "createWeight" : NumberLong(1),
    "createScorer" : NumberLong(10)
  }
}

match

Estadísticas relacionadas con la iteración y la coincidencia de documentos de resultados. Esta estadística muestra el tiempo que requiere determinar qué documento es la siguiente coincidencia. El tiempo dedicado a comparar resultados puede variar significativamente dependiendo de la naturaleza de la query. En esta área se enumeran dos tareas cuyos recuentos de invocación son:

nextDoc

Solicitudes para avanzar al siguiente documento del conjunto de resultados. Esto implica identificar y superar omisiones u otras tareas necesarias para encontrar la siguiente coincidencia. El conteo incluye el número de invocaciones de nextDoc y advance.

refineRoughMatch

Realiza una coincidencia más exhaustiva. Algunas queries se ejecutan en un proceso de dos fases en el que un documento se "empareja" primero de manera aproximada y, después de cumplir con este primer emparejamiento, se verifica en una segunda fase más exhaustiva. La tarea refineRoughMatch es la segunda fase del proceso de dos fases. El recuento incluye el número de invocaciones de refineRoughMatch.

Por ejemplo:

"match" : {
  "millisElapsed" : NumberDouble(4.901597),
  "invocationCounts" : {
    "nextDoc" : NumberLong(541),
    "refineRoughMatch" : NumberLong(0)
  }
}

score

Estadísticas relacionadas con la puntuación de los documentos en el conjunto de resultados. Hay dos tareas cuyos recuentos de invocación se enumeran en esta área:

`score`	Califica cada documento en el conjunto de resultados. El conteo incluye el número de invocaciones de `score`.
`setMinCompetitiveScore`	Ignora los documentos cuya puntuación es inferior al valor dado. Indica que una query puede haber podido reducir el número de operaciones de puntuación realizadas al ignorar los documentos con puntuaciones por debajo de algún umbral no competitivo. El conteo incluye el número de invocaciones `setMinCompetitiveScore` .

Por ejemplo:

"score" : {
  "millisElapsed" : NumberDouble(3.931312),
  "invocationCounts" : {
    "score" : NumberLong(536),
    "setMinCompetitiveScore" : NumberLong(0)
  }
}

`resourceUsage`

El documento resourceUsage muestra el recurso utilizado para ejecutar la query. Contiene los siguientes campos:

Campo	Tipo	Necesidad	Propósito
`majorFaults`	Long	Requerido	Número de fallos de página mayores, que ocurren cuando el sistema no puede encontrar los datos requeridos en la memoria, lo que resulta en la lectura desde el almacén de respaldo, como el disco, durante la ejecución de la query.
`minorFaults`	Long	Requerido	Número de fallos menores de página, que ocurren cuando los datos están en la caché de páginas, pero aún no se han mapeado a la tabla de páginas del proceso.
`userTimeMs`	Long	Requerido	Cantidad de tiempo de CPU, en milisegundos, pasado en espacio de usuario.
`systemTimeMs`	Long	Requerido	Cantidad de tiempo de CPU, en milisegundos, utilizado en el espacio del sistema.
`maxReportingThreads`	entero	Requerido	Número máximo de hilos que `mongot` usó durante la ejecución de la query en todos los lotes. Para consultas Explain no concurrentes, el valor es `1`.
`numBatches`	entero	Requerido	Cantidad total de lotes que se solicitaron `mongot` al realizar el procesamiento de la query.

`vectorTracing`

El arreglo vectorTracing contiene una lista de objetos, uno por documento, que tiene la siguiente información sobre los vectores en el documento:

Campo	Tipo	Necesidad	Propósito
`visited`	Booleano	Requerido	Indicador que especifica si el vector rastreado fue visitado durante la ejecución de la query.
`dropReason`	String	Condicional	Razón para dejar caer el vector. Esto solo está presente si el vector fue visitado y descartado de los resultados. El valor puede ser: `Merge` `NonCompetitiveScore` `Filter` `Rescoring`
`vectorSearchScore`	Double	Condicional	Puntuación asociada al vector. Esto está presente solo si se visitó el vector
`luceneSegment`	entero	Requerido	Número de segmento de Lucene al que pertenece el vector. Para obtener más información, consulte `luceneVectorSegmentStats`.
`unreachable`	Booleano	Condicional	Indicador que especifica si el vector es inalcanzable. Esto solo está presente si el vector es inalcanzable.

`luceneVectorSegmentStats`

El luceneVectorSegmentStats arreglo de objetos contiene el desglose por segmento de Lucene de la ejecución de la query $vectorSearch. Cada segmento se identifica con un número e incluye los parámetros que describen los detalles de ejecución de la query.

{
  "0": {
    "executionType": "Approximate",
    "approximateTimeMillis": 0.10825,
    "filterMatchedDocsCount": 0,
    "docCount": 100
  },
  "1": {
    "executionType": "Exact",
    "exactTimeMillis": 0.10825,
    "filterMatchedDocsCount": 0,
    "docCount": 55
  },
  "2": {
    "executionType": "ApproximateToExactFallback",
    "approximateTimeMillis": 0.10825,
    "exactTimeMillis": 0.10825,
    "filterMatchedDocsCount": 0,
    "docCount": 55
  }
}

Campo	Tipo	Necesidad	Propósito
`executionType`	String	Requerido	La estrategia de ejecución. El valor puede ser uno de los siguientes: `Approximate` `Exact` `ApproximateToExactFallback`
`approximateStage`	Float	Condicional	Tiempo (en milisegundos) para la fase aproximada. Esto solo se devuelve para los tipos de ejecución `Approximate` y `ApproximateFallbackToExact`.
`exactStage`	Float	Condicional	Tiempo (en milisegundos) para la fase Exacta. Esto solo se devuelve para los tipos de ejecución `Exact` y `ApproximateFallbackToExact`.
`filterMatchedDocsCount`	entero	Opcional	El número de documentos que coinciden con el filtro de la query si se ha especificado un prefiltro en la query.
`docCount`	entero	Requerido	Número total de documentos en el segmento.

Ejemplos

Los siguientes ejemplos utilizan el método explain en consultas ANN y ENN de muestra. Si desea ejecutar los siguientes ejemplos en su propio entorno, primero debe completar la Guía de inicio rápido de búsqueda vectorial de MongoDB utilizando mongosh.

`allPlansExecution`

El siguiente ejemplo ejecuta el método explain en una consulta de búsqueda vectorial ANN y ENN para el campo plot_embedding_voyage_3_large con el modo de verbosidad allPlansExecution.

db.embedded_movies.explain("allPlansExecution").aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "plot_embedding_voyage_3_large",
      "queryVector": QUERY_EMBEDDING,
      "numCandidates": 150,
      "limit": 10
    }
  }
])

1 {
2   explainVersion: '1',
3   stages: [
4     {
5       '$vectorSearch': {
6         index: 'vector_index',
7         path: 'plot_embedding_voyage_3_large',
8         queryVector: 'redacted',
9         numCandidates: 150,
10         limit: 10,
11         explain: {
12           query: {
13             type: 'WrappedKnnQuery',
14             args: {
15               query: [
16                 {
17                   type: 'InstrumentableKnnFloatVectorQuery',
18                   args: {
19                     field: '$type:knnVector/plot_embedding_voyage_3_large',
20                     k: 150
21                   },
22                   stats: {
23                     context: { millisElapsed: 0 },
24                     match: { millisElapsed: 0 },
25                     score: { millisElapsed: 0 }
26                   }
27                 },
28                 {
29                   type: 'DocAndScoreQuery',
30                   args: {},
31                   stats: {
32                     context: {
33                       millisElapsed: 1.378949,
34                       invocationCounts: {
35                         createWeight: Long('1'),
36                         createScorer: Long('4')
37                       }
38                     },
39                     match: {
40                       millisElapsed: 0.341389,
41                       invocationCounts: { nextDoc: Long('152') }
42                     },
43                     score: {
44                       millisElapsed: 0.205415,
45                       invocationCounts: {
46                         score: Long('150'),
47                         setMinCompetitiveScore: Long('26')
48                       }
49                     }
50                   }
51                 }
52               ]
53             },
54             stats: {
55               context: {
56                 millisElapsed: 57.285674,
57                 invocationCounts: {
58                   vectorExecution: Long('1'),
59                   createWeight: Long('1'),
60                   createScorer: Long('4')
61                 }
62               },
63               match: {
64                 millisElapsed: 0.341389,
65                 invocationCounts: { nextDoc: Long('152') }
66               },
67               score: {
68                 millisElapsed: 0.205415,
69                 invocationCounts: {
70                   score: Long('150'),
71                   setMinCompetitiveScore: Long('26')
72                 }
73               }
74             }
75           },
76           collectors: {
77             allCollectorStats: {
78               millisElapsed: 0.840381,
79               invocationCounts: {
80                 collect: Long('150'),
81                 competitiveIterator: Long('2'),
82                 setScorer: Long('2')
83               }
84             }
85           },
86           metadata: {
87             mongotVersion: '1.54.0',
88             mongotHostName: '<hostname>.mongodb.net',
89             indexName: 'vector_index',
90             lucene: { totalSegments: 2, totalDocs: 3483 }
91           },
92           resourceUsage: {
93             majorFaults: Long('0'),
94             minorFaults: Long('0'),
95             userTimeMs: Long('0'),
96             systemTimeMs: Long('0'),
97             maxReportingThreads: 1,
98             numBatches: 1
99           },
100           luceneVectorSegmentStats: [
101             {
102               id: '_0',
103               executionType: 'Approximate',
104               docCount: 1952,
105               approximateStage: { millisElapsed: 32.916505 }
106             },
107             {
108               id: '_1',
109               executionType: 'Approximate',
110               docCount: 1531,
111               approximateStage: { millisElapsed: 8.661519 }
112             }
113           ]
114         }
115       },
116       nReturned: Long('10'),
117       executionTimeMillisEstimate: Long('256')
118     },
119     {
120       '$_internalSearchIdLookup': {
121         limit: Long('10'),
122         subPipeline: [
123           { '$match': { _id: { '$eq': '_id placeholder' } } }
124         ],
125         totalDocsExamined: Long('10'),
126         totalKeysExamined: Long('10'),
127         numDocsFilteredByIdLookup: Long('0')
128       },
129       nReturned: Long('10'),
130       executionTimeMillisEstimate: Long('256')
131     }
132   ],
133   queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
134   serverInfo: {
135     host: '<hostname>.mongodb.net',
136     port: 27017,
137     version: '8.2.1-rc1',
138     gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
139   },
140   serverParameters: {
141     internalQueryFacetBufferSizeBytes: 104857600,
142     internalQueryFacetMaxOutputDocSizeBytes: 104857600,
143     internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
144     internalDocumentSourceGroupMaxMemoryBytes: 104857600,
145     internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
146     internalQueryProhibitBlockingMergeOnMongoS: 0,
147     internalQueryMaxAddToSetBytes: 104857600,
148     internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
149     internalQueryFrameworkControl: 'trySbeRestricted',
150     internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
151   },
152   command: {
153     aggregate: 'embedded_movies',
154     pipeline: [
155       {
156         '$vectorSearch': {
157           index: 'vector_index',
158           path: 'plot_embedding_voyage_3_large',
159           queryVector: [
160             -0.034731735,  0.008558298,   -0.0153717, -0.029912498,  0.011549547,
161             ...,
162             -0.006688767,  0.047527634,  0.040714234
163           ],
164           numCandidates: 150,
165           limit: 10
166         }
167       }
168     ],
169     cursor: {},
170     '$db': 'sample_mflix'
171   },
172   ok: 1,
173   '$clusterTime': {
174     clusterTime: Timestamp({ t: 1759341228, i: 32 }),
175     signature: {
176       hash: Binary.createFromBase64('BsaUr/khHU1Fyl5/g8htqoavlU8=', 0),
177       keyId: Long('7553982574624768005')
178     }
179   },
180   operationTime: Timestamp({ t: 1759341228, i: 32 })
181 }

db.embedded_movies.explain("allPlansExecution").aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "plot_embedding_voyage_3_large",
      "queryVector": QUERY_EMBEDDING,
      "exact": true,
      "limit": 10
    }
  }
])

{
  explainVersion: '1',
  stages: [
    {
      '$vectorSearch': {
        index: 'vector_index',
        path: 'plot_embedding_voyage_3_large',
        queryVector: 'redacted',
        exact: true,
        limit: 10,
        explain: {
          query: {
            type: 'ExactVectorSearchQuery',
            args: {
              field: '$type:knnVector/plot_embedding_voyage_3_large',
              similarityFunction: 'dotProduct',
              filter: {
                type: 'DefaultQuery',
                args: { queryType: 'FieldExistsQuery' },
                stats: {
                  context: {
                    millisElapsed: 0.756254,
                    invocationCounts: {
                      createWeight: Long('1'),
                      createScorer: Long('4')
                    }
                  },
                  match: {
                    millisElapsed: 3.835071,
                    invocationCounts: { nextDoc: Long('3405') }
                  },
                  score: { millisElapsed: 0 }
                }
              }
            },
            stats: {
              context: {
                millisElapsed: 1.271846,
                invocationCounts: { createWeight: Long('1'), createScorer: Long('4') }
              },
              match: {
                millisElapsed: 7.699638,
                invocationCounts: { nextDoc: Long('3405') }
              },
              score: {
                millisElapsed: 139.077653,
                invocationCounts: {
                  score: Long('3403'),
                  setMinCompetitiveScore: Long('63')
                }
              }
            }
          },
          collectors: {
            allCollectorStats: {
              millisElapsed: 146.798572,
              invocationCounts: {
                collect: Long('3403'),
                competitiveIterator: Long('2'),
                setScorer: Long('2')
              }
            }
          },
          metadata: {
            mongotVersion: '1.54.0',
            mongotHostName: '<hostname>.mongodb.net',
            indexName: 'vector_index',
            lucene: { totalSegments: 2, totalDocs: 3483 }
          },
          resourceUsage: {
            majorFaults: Long('0'),
            minorFaults: Long('0'),
            userTimeMs: Long('0'),
            systemTimeMs: Long('0'),
            maxReportingThreads: 1,
            numBatches: 1
          }
        }
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('208')
    },
    {
      '$_internalSearchIdLookup': {
        limit: Long('10'),
        subPipeline: [
          { '$match': { _id: { '$eq': '_id placeholder' } } }
        ],
        totalDocsExamined: Long('10'),
        totalKeysExamined: Long('10'),
        numDocsFilteredByIdLookup: Long('0')
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('208')
    }
  ],
  queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
  serverInfo: {
    host: '<hostname>.mongodb.net',
    port: 27017,
    version: '8.2.1-rc1',
    gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
  },
  serverParameters: {
    internalQueryFacetBufferSizeBytes: 104857600,
    internalQueryFacetMaxOutputDocSizeBytes: 104857600,
    internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
    internalDocumentSourceGroupMaxMemoryBytes: 104857600,
    internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
    internalQueryProhibitBlockingMergeOnMongoS: 0,
    internalQueryMaxAddToSetBytes: 104857600,
    internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
    internalQueryFrameworkControl: 'trySbeRestricted',
    internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
  },
  command: {
    aggregate: 'embedded_movies',
    pipeline: [
      {
        '$vectorSearch': {
          index: 'vector_index',
          path: 'plot_embedding_voyage_3_large',
          queryVector: [
            -0.034731735,  0.008558298,   -0.0153717, -0.029912498,  0.011549547,
            ...,
            -0.006688767,  0.047527634,  0.040714234
          ],
          exact: true,
          limit: 10
        }
      }
    ],
    cursor: {},
    '$db': 'sample_mflix'
  },
  ok: 1,
  '$clusterTime': {
    clusterTime: Timestamp({ t: 1759341655, i: 1 }),
    signature: {
      hash: Binary.createFromBase64('/pUN/IbVV/OKyakbZcIug8HRS8M=', 0),
      keyId: Long('7553982574624768005')
    }
  },
  operationTime: Timestamp({ t: 1759341655, i: 1 })
}

`queryPlanner`

El siguiente ejemplo ejecuta el método explain en una consulta de búsqueda vectorial ANN y ENN para el campo plot_embedding_voyage_3_large con el modo de verbosidad queryPlanner.

db.embedded_movies.explain("queryPlanner").aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "plot_embedding_voyage_3_large",
      "queryVector": QUERY_EMBEDDING,
      "numCandidates": 150,
      "limit": 10
    }
  }
])

{
  explainVersion: '1',
  stages: [
    {
      '$vectorSearch': {
        index: 'vector_index',
        path: 'plot_embedding_voyage_3_large',
        queryVector: 'redacted',
        numCandidates: 150,
        limit: 10,
        explain: {
          query: {
            type: 'WrappedKnnQuery',
            args: {
              query: [
                {
                  type: 'InstrumentableKnnFloatVectorQuery',
                  args: {
                    field: '$type:knnVector/plot_embedding_voyage_3_large',
                    k: 150
                  }
                },
                { type: 'DocAndScoreQuery', args: {} }
              ]
            }
          },
          metadata: {
            mongotVersion: '1.54.0',
            mongotHostName: '<hostname>.mongodb.net',
            indexName: 'vector_index',
            lucene: { totalSegments: 2, totalDocs: 3483 }
          }
        }
      }
    },
    {
      '$_internalSearchIdLookup': {
        limit: Long('10'),
        subPipeline: [
          { '$match': { _id: { '$eq': '_id placeholder' } } }
        ]
      }
    }
  ],
  queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
  serverInfo: {
    host: '<hostname>.mongodb.net',
    port: 27017,
    version: '8.2.1-rc1',
    gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
  },
  serverParameters: {
    internalQueryFacetBufferSizeBytes: 104857600,
    internalQueryFacetMaxOutputDocSizeBytes: 104857600,
    internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
    internalDocumentSourceGroupMaxMemoryBytes: 104857600,
    internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
    internalQueryProhibitBlockingMergeOnMongoS: 0,
    internalQueryMaxAddToSetBytes: 104857600,
    internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
    internalQueryFrameworkControl: 'trySbeRestricted',
    internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
  },
  command: {
    aggregate: 'embedded_movies',
    pipeline: [
      {
        '$vectorSearch': {
          index: 'vector_index',
          path: 'plot_embedding_voyage_3_large',
          queryVector: [
            -0.034731735,  0.008558298,   -0.0153717, -0.029912498,  0.011549547,
            ...,
            -0.006688767,  0.047527634,  0.040714234
          ],
          numCandidates: 150,
          limit: 10
        }
      }
    ],
    cursor: {},
    '$db': 'sample_mflix'
  },
  ok: 1,
  '$clusterTime': {
    clusterTime: Timestamp({ t: 1759341765, i: 1 }),
    signature: {
      hash: Binary.createFromBase64('rPjwbtfbjVrbcvkkN0ct/b1UYa8=', 0),
      keyId: Long('7553982574624768005')
    }
  },
  operationTime: Timestamp({ t: 1759341765, i: 1 })
}

db.embedded_movies.explain("queryPlanner").aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "plot_embedding_voyage_3_large",
      "queryVector": QUERY_EMBEDDING,
      "exact": true,
      "limit": 10
    }
  }
])

{
  explainVersion: '1',
  stages: [
    {
      '$vectorSearch': {
        index: 'vector_index',
        path: 'plot_embedding_voyage_3_large',
        queryVector: 'redacted',
        exact: true,
        limit: 10,
        explain: {
          query: {
            type: 'ExactVectorSearchQuery',
            args: {
              field: '$type:knnVector/plot_embedding_voyage_3_large',
              similarityFunction: 'dotProduct',
              filter: {
                type: 'DefaultQuery',
                args: { queryType: 'FieldExistsQuery' }
              }
            }
          },
          metadata: {
            mongotVersion: '1.54.0',
            mongotHostName: '<hostname>.mongodb.net',
            indexName: 'vector_index',
            lucene: { totalSegments: 2, totalDocs: 3483 }
          }
        }
      }
    },
    {
      '$_internalSearchIdLookup': {
        limit: Long('10'),
        subPipeline: [
          { '$match': { _id: { '$eq': '_id placeholder' } } }
        ]
      }
    }
  ],
  queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
  serverInfo: {
    host: '<hostname>.mongodb.net',
    port: 27017,
    version: '8.2.1-rc1',
    gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
  },
  serverParameters: {
    internalQueryFacetBufferSizeBytes: 104857600,
    internalQueryFacetMaxOutputDocSizeBytes: 104857600,
    internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
    internalDocumentSourceGroupMaxMemoryBytes: 104857600,
    internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
    internalQueryProhibitBlockingMergeOnMongoS: 0,
    internalQueryMaxAddToSetBytes: 104857600,
    internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
    internalQueryFrameworkControl: 'trySbeRestricted',
    internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
  },
  command: {
    aggregate: 'embedded_movies',
    pipeline: [
      {
        '$vectorSearch': {
          index: 'vector_index',
          path: 'plot_embedding_voyage_3_large',
          queryVector: [
            -0.034731735,  0.008558298,   -0.0153717, -0.029912498,  0.011549547,
            ...,
            -0.006688767,  0.047527634,  0.040714234
          ],
          exact: true,
          limit: 10
        }
      }
    ],
    cursor: {},
    '$db': 'sample_mflix'
  },
  ok: 1,
  '$clusterTime': {
    clusterTime: Timestamp({ t: 1759342075, i: 1 }),
    signature: {
      hash: Binary.createFromBase64('jQiwcAMEmfzFnVU/pyb29TnYu0w=', 0),
      keyId: Long('7553982574624768005')
    }
  },
  operationTime: Timestamp({ t: 1759342075, i: 1 })
}

`executionStats`

El siguiente ejemplo ejecuta el método explain en una consulta de búsqueda vectorial ANN y ENN para el campo plot_embedding_voyage_3_large con el modo de verbosidad executionStats.

db.embedded_movies.explain("executionStats").aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "plot_embedding_voyage_3_large",
      "queryVector": QUERY_EMBEDDING,
      "numCandidates": 150,
      "limit": 10
    }
  }
])

{
  explainVersion: '1',
  stages: [
    {
      '$vectorSearch': {
        index: 'vector_index',
        path: 'plot_embedding_voyage_3_large',
        queryVector: 'redacted',
        numCandidates: 150,
        limit: 10,
        explain: {
          query: {
            type: 'WrappedKnnQuery',
            args: {
              query: [
                {
                  type: 'InstrumentableKnnFloatVectorQuery',
                  args: {
                    field: '$type:knnVector/plot_embedding_voyage_3_large',
                    k: 150
                  },
                  stats: {
                    context: { millisElapsed: 0 },
                    match: { millisElapsed: 0 },
                    score: { millisElapsed: 0 }
                  }
                },
                {
                  type: 'DocAndScoreQuery',
                  args: {},
                  stats: {
                    context: {
                      millisElapsed: 0.013013,
                      invocationCounts: {
                        createWeight: Long('1'),
                        createScorer: Long('4')
                      }
                    },
                    match: {
                      millisElapsed: 0.459619,
                      invocationCounts: { nextDoc: Long('152') }
                    },
                    score: {
                      millisElapsed: 0.179147,
                      invocationCounts: {
                        score: Long('150'),
                        setMinCompetitiveScore: Long('26')
                      }
                    }
                  }
                }
              ]
            },
            stats: {
              context: {
                millisElapsed: 7.113224,
                invocationCounts: {
                  vectorExecution: Long('1'),
                  createWeight: Long('1'),
                  createScorer: Long('4')
                }
              },
              match: {
                millisElapsed: 0.459619,
                invocationCounts: { nextDoc: Long('152') }
              },
              score: {
                millisElapsed: 0.179147,
                invocationCounts: {
                  score: Long('150'),
                  setMinCompetitiveScore: Long('26')
                }
              }
            }
          },
          collectors: {
            allCollectorStats: {
              millisElapsed: 0.868815,
              invocationCounts: {
                collect: Long('150'),
                competitiveIterator: Long('2'),
                setScorer: Long('2')
              }
            }
          },
          metadata: {
            mongotVersion: '1.54.0',
            mongotHostName: '<hostname>.mongodb.net',
            indexName: 'vector_index',
            lucene: { totalSegments: 2, totalDocs: 3483 }
          },
          resourceUsage: {
            majorFaults: Long('0'),
            minorFaults: Long('0'),
            userTimeMs: Long('0'),
            systemTimeMs: Long('0'),
            maxReportingThreads: 1,
            numBatches: 1
          },
          luceneVectorSegmentStats: [
            {
              id: '_1',
              executionType: 'Approximate',
              docCount: 1531,
              approximateStage: { millisElapsed: 2.58089 }
            },
            {
              id: '_0',
              executionType: 'Approximate',
              docCount: 1952,
              approximateStage: { millisElapsed: 3.483542 }
            }
          ]
        }
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('29')
    },
    {
      '$_internalSearchIdLookup': {
        limit: Long('10'),
        subPipeline: [
          { '$match': { _id: { '$eq': '_id placeholder' } } }
        ],
        totalDocsExamined: Long('10'),
        totalKeysExamined: Long('10'),
        numDocsFilteredByIdLookup: Long('0')
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('30')
    }
  ],
  queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
  serverInfo: {
    host: '<hostname>.mongodb.net',
    port: 27017,
    version: '8.2.1-rc1',
    gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
  },
  serverParameters: {
    internalQueryFacetBufferSizeBytes: 104857600,
    internalQueryFacetMaxOutputDocSizeBytes: 104857600,
    internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
    internalDocumentSourceGroupMaxMemoryBytes: 104857600,
    internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
    internalQueryProhibitBlockingMergeOnMongoS: 0,
    internalQueryMaxAddToSetBytes: 104857600,
    internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
    internalQueryFrameworkControl: 'trySbeRestricted',
    internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
  },
  command: {
    aggregate: 'embedded_movies',
    pipeline: [
      {
        '$vectorSearch': {
          index: 'vector_index',
          path: 'plot_embedding_voyage_3_large',
          queryVector: [
            -0.034731735,  0.008558298,   -0.0153717, -0.029912498,  0.011549547,
            ...,
            -0.006688767,  0.047527634,  0.040714234
          ],
          numCandidates: 150,
          limit: 10
        }
      }
    ],
    cursor: {},
    '$db': 'sample_mflix'
  },
  ok: 1,
  '$clusterTime': {
    clusterTime: Timestamp({ t: 1759342175, i: 1 }),
    signature: {
      hash: Binary.createFromBase64('AZZrjVPfyyBofyQq/gzs9UBL+/Q=', 0),
      keyId: Long('7553982574624768005')
    }
  },
  operationTime: Timestamp({ t: 1759342175, i: 1 })
}

db.embedded_movies.explain("executionStats").aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "plot_embedding_voyage_3_large",
      "queryVector": QUERY_EMBEDDING,
      "exact": true,
      "limit": 10
    }
  }
])

{
  explainVersion: '1',
  stages: [
    {
      '$vectorSearch': {
        index: 'vector_index',
        path: 'plot_embedding_voyage_3_large',
        queryVector: 'redacted',
        exact: true,
        limit: 10,
        explain: {
          query: {
            type: 'ExactVectorSearchQuery',
            args: {
              field: '$type:knnVector/plot_embedding_voyage_3_large',
              similarityFunction: 'dotProduct',
              filter: {
                type: 'DefaultQuery',
                args: { queryType: 'FieldExistsQuery' },
                stats: {
                  context: {
                    millisElapsed: 0.037129,
                    invocationCounts: {
                      createWeight: Long('1'),
                      createScorer: Long('4')
                    }
                  },
                  match: {
                    millisElapsed: 1.128957,
                    invocationCounts: { nextDoc: Long('3405') }
                  },
                  score: { millisElapsed: 0 }
                }
              }
            },
            stats: {
              context: {
                millisElapsed: 0.061268,
                invocationCounts: { createWeight: Long('1'), createScorer: Long('4') }
              },
              match: {
                millisElapsed: 2.531393,
                invocationCounts: { nextDoc: Long('3405') }
              },
              score: {
                millisElapsed: 7.956341,
                invocationCounts: {
                  score: Long('3403'),
                  setMinCompetitiveScore: Long('63')
                }
              }
            }
          },
          collectors: {
            allCollectorStats: {
              millisElapsed: 10.004281,
              invocationCounts: {
                collect: Long('3403'),
                competitiveIterator: Long('2'),
                setScorer: Long('2')
              }
            }
          },
          metadata: {
            mongotVersion: '1.54.0',
            mongotHostName: '<hostname>.mongodb.net',
            indexName: 'vector_index',
            lucene: { totalSegments: 2, totalDocs: 3483 }
          },
          resourceUsage: {
            majorFaults: Long('0'),
            minorFaults: Long('0'),
            userTimeMs: Long('0'),
            systemTimeMs: Long('0'),
            maxReportingThreads: 1,
            numBatches: 1
          }
        }
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('25')
    },
    {
      '$_internalSearchIdLookup': {
        limit: Long('10'),
        subPipeline: [
          { '$match': { _id: { '$eq': '_id placeholder' } } }
        ],
        totalDocsExamined: Long('10'),
        totalKeysExamined: Long('10'),
        numDocsFilteredByIdLookup: Long('0')
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('26')
    }
  ],
  queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
  serverInfo: {
    host: '<hostname>.mongodb.net',
    port: 27017,
    version: '8.2.1-rc1',
    gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
  },
  serverParameters: {
    internalQueryFacetBufferSizeBytes: 104857600,
    internalQueryFacetMaxOutputDocSizeBytes: 104857600,
    internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
    internalDocumentSourceGroupMaxMemoryBytes: 104857600,
    internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
    internalQueryProhibitBlockingMergeOnMongoS: 0,
    internalQueryMaxAddToSetBytes: 104857600,
    internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
    internalQueryFrameworkControl: 'trySbeRestricted',
    internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
  },
  command: {
    aggregate: 'embedded_movies',
    pipeline: [
      {
        '$vectorSearch': {
          index: 'vector_index',
          path: 'plot_embedding_voyage_3_large',
          queryVector: [
            -0.034731735,  0.008558298,   -0.0153717, -0.029912498,  0.011549547,
            ...,
            -0.006688767,  0.047527634,  0.040714234
          ],
          exact: true,
          limit: 10
        }
      }
    ],
    cursor: {},
    '$db': 'sample_mflix'
  },
  ok: 1,
  '$clusterTime': {
    clusterTime: Timestamp({ t: 1759342255, i: 1 }),
    signature: {
      hash: Binary.createFromBase64('sHuAxj9o8MbGe4iRz0Pv1PSi+UY=', 0),
      keyId: Long('7553982574624768005')
    }
  },
  operationTime: Timestamp({ t: 1759342255, i: 1 })
}

db.embedded_movies.explain("executionStats").aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "plot_embedding_voyage_3_large",
      "queryVector": QUERY_EMBEDDING,
      "numCandidates": 150,
      "limit": 10,
      "explainOptions": {
        "traceDocumentIds": [
          ObjectId('573a13d8f29313caabda6557'), ObjectId('573a1398f29313caabce98d9'), ObjectId('573a1391f29313caabcd8319'), ObjectId('573a1398f29313caabceb500'), ObjectId('573a1397f29313caabce780e')
        ]
      }
    }
  }
])

{
  explainVersion: '1',
  stages: [
    {
      '$vectorSearch': {
        index: 'vector_index',
        path: 'plot_embedding_voyage_3_large',
        queryVector: 'redacted',
        numCandidates: 150,
        limit: 10,
        explainOptions: {
          traceDocumentIds: [
            ObjectId('573a13d8f29313caabda6557'),
            ObjectId('573a1398f29313caabce98d9'),
            ObjectId('573a1391f29313caabcd8319'),
            ObjectId('573a1398f29313caabceb500'),
            ObjectId('573a1397f29313caabce780e')
          ]
        },
        explain: {
          query: {
            type: 'WrappedKnnQuery',
            args: {
              query: [
                {
                  type: 'InstrumentableKnnFloatVectorQuery',
                  args: {
                    field: '$type:knnVector/plot_embedding_voyage_3_large',
                    k: 150
                  },
                  stats: {
                    context: { millisElapsed: 0 },
                    match: { millisElapsed: 0 },
                    score: { millisElapsed: 0 }
                  }
                },
                {
                  type: 'DocAndScoreQuery',
                  args: {},
                  stats: {
                    context: {
                      millisElapsed: 0.010987,
                      invocationCounts: {
                        createWeight: Long('1'),
                        createScorer: Long('4')
                      }
                    },
                    match: {
                      millisElapsed: 0.009977,
                      invocationCounts: { nextDoc: Long('152') }
                    },
                    score: {
                      millisElapsed: 0.018875,
                      invocationCounts: {
                        score: Long('150'),
                        setMinCompetitiveScore: Long('26')
                      }
                    }
                  }
                }
              ]
            },
            stats: {
              context: {
                millisElapsed: 7.55246,
                invocationCounts: {
                  vectorExecution: Long('1'),
                  createWeight: Long('1'),
                  createScorer: Long('4')
                }
              },
              match: {
                millisElapsed: 0.009977,
                invocationCounts: { nextDoc: Long('152') }
              },
              score: {
                millisElapsed: 0.018875,
                invocationCounts: {
                  score: Long('150'),
                  setMinCompetitiveScore: Long('26')
                }
              }
            }
          },
          collectors: {
            allCollectorStats: {
              millisElapsed: 0.148807,
              invocationCounts: {
                collect: Long('150'),
                competitiveIterator: Long('2'),
                setScorer: Long('2')
              }
            }
          },
          metadata: {
            mongotVersion: '1.54.0',
            mongotHostName: '<hostname>.mongodb.net',
            indexName: 'vector_index',
            lucene: { totalSegments: 2, totalDocs: 3483 }
          },
          resourceUsage: {
            majorFaults: Long('0'),
            minorFaults: Long('0'),
            userTimeMs: Long('0'),
            systemTimeMs: Long('0'),
            maxReportingThreads: 1,
            numBatches: 1
          },
          vectorTracing: [
            {
              documentId: ObjectId('573a1391f29313caabcd8319'),
              visited: false,
              luceneSegment: '_0'
            },
            {
              documentId: ObjectId('573a1397f29313caabce780e'),
              visited: true,
              vectorSearchScore: 0.7469133734703064,
              luceneSegment: '_0'
            },
            {
              documentId: ObjectId('573a1398f29313caabce98d9'),
              visited: false,
              luceneSegment: '_0'
            },
            {
              documentId: ObjectId('573a1398f29313caabceb500'),
              visited: true,
              vectorSearchScore: 0.7521393895149231,
              luceneSegment: '_0'
            },
            {
              documentId: ObjectId('573a13d8f29313caabda6557'),
              visited: true,
              vectorSearchScore: 0.7710106372833252,
              luceneSegment: '_1'
            }
          ],
          luceneVectorSegmentStats: [
            {
              id: '_1',
              executionType: 'Approximate',
              docCount: 1531,
              approximateStage: { millisElapsed: 2.73042 }
            },
            {
              id: '_0',
              executionType: 'Approximate',
              docCount: 1952,
              approximateStage: { millisElapsed: 4.136979 }
            }
          ]
        }
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('21')
    },
    {
      '$_internalSearchIdLookup': {
        limit: Long('10'),
        subPipeline: [
          { '$match': { _id: { '$eq': '_id placeholder' } } }
        ],
        totalDocsExamined: Long('10'),
        totalKeysExamined: Long('10'),
        numDocsFilteredByIdLookup: Long('0')
      },
      nReturned: Long('10'),
      executionTimeMillisEstimate: Long('22')
    }
  ],
  queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
  serverInfo: {
    host: '<hostname>.mongodb.net',
    port: 27017,
    version: '8.2.1-rc1',
    gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
  },
  serverParameters: {
    internalQueryFacetBufferSizeBytes: 104857600,
    internalQueryFacetMaxOutputDocSizeBytes: 104857600,
    internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
    internalDocumentSourceGroupMaxMemoryBytes: 104857600,
    internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
    internalQueryProhibitBlockingMergeOnMongoS: 0,
    internalQueryMaxAddToSetBytes: 104857600,
    internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
    internalQueryFrameworkControl: 'trySbeRestricted',
    internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
  },
  command: {
    aggregate: 'embedded_movies',
    pipeline: [
      {
        '$vectorSearch': {
          index: 'vector_index',
          path: 'plot_embedding_voyage_3_large',
          queryVector: [
            -0.034731735,  0.008558298,   -0.0153717, -0.029912498,  0.011549547,
            ...,
            -0.006688767,  0.047527634,  0.040714234
          ],
          numCandidates: 150,
          limit: 10,
          explainOptions: {
            traceDocumentIds: [
              ObjectId('573a13d8f29313caabda6557'),
              ObjectId('573a1398f29313caabce98d9'),
              ObjectId('573a1391f29313caabcd8319'),
              ObjectId('573a1398f29313caabceb500'),
              ObjectId('573a1397f29313caabce780e')
            ]
          }
        }
      }
    ],
    cursor: {},
    '$db': 'sample_mflix'
  },
  ok: 1,
  '$clusterTime': {
    clusterTime: Timestamp({ t: 1759343038, i: 1 }),
    signature: {
      hash: Binary.createFromBase64('E3FSIwLHavtFVMsmuqJM5reQc4I=', 0),
      keyId: Long('7553982574624768005')
    }
  },
  operationTime: Timestamp({ t: 1759343038, i: 1 })
}

Volver

Referencia de query

Utilice vistas compatibles

1	{
2	explainVersion: '1',
3	stages: [
4	{
5	'$vectorSearch': {
6	index: 'vector_index',
7	path: 'plot_embedding_voyage_3_large',
8	queryVector: 'redacted',
9	numCandidates: 150,
10	limit: 10,
11	explain: {
12	query: {
13	type: 'WrappedKnnQuery',
14	args: {
15	query: [
16	{
17	type: 'InstrumentableKnnFloatVectorQuery',
18	args: {
19	field: '$type:knnVector/plot_embedding_voyage_3_large',
20	k: 150
21	},
22	stats: {
23	context: { millisElapsed: 0 },
24	match: { millisElapsed: 0 },
25	score: { millisElapsed: 0 }
26	}
27	},
28	{
29	type: 'DocAndScoreQuery',
30	args: {},
31	stats: {
32	context: {
33	millisElapsed: 1.378949,
34	invocationCounts: {
35	createWeight: Long('1'),
36	createScorer: Long('4')
37	}
38	},
39	match: {
40	millisElapsed: 0.341389,
41	invocationCounts: { nextDoc: Long('152') }
42	},
43	score: {
44	millisElapsed: 0.205415,
45	invocationCounts: {
46	score: Long('150'),
47	setMinCompetitiveScore: Long('26')
48	}
49	}
50	}
51	}
52	]
53	},
54	stats: {
55	context: {
56	millisElapsed: 57.285674,
57	invocationCounts: {
58	vectorExecution: Long('1'),
59	createWeight: Long('1'),
60	createScorer: Long('4')
61	}
62	},
63	match: {
64	millisElapsed: 0.341389,
65	invocationCounts: { nextDoc: Long('152') }
66	},
67	score: {
68	millisElapsed: 0.205415,
69	invocationCounts: {
70	score: Long('150'),
71	setMinCompetitiveScore: Long('26')
72	}
73	}
74	}
75	},
76	collectors: {
77	allCollectorStats: {
78	millisElapsed: 0.840381,
79	invocationCounts: {
80	collect: Long('150'),
81	competitiveIterator: Long('2'),
82	setScorer: Long('2')
83	}
84	}
85	},
86	metadata: {
87	mongotVersion: '1.54.0',
88	mongotHostName: '<hostname>.mongodb.net',
89	indexName: 'vector_index',
90	lucene: { totalSegments: 2, totalDocs: 3483 }
91	},
92	resourceUsage: {
93	majorFaults: Long('0'),
94	minorFaults: Long('0'),
95	userTimeMs: Long('0'),
96	systemTimeMs: Long('0'),
97	maxReportingThreads: 1,
98	numBatches: 1
99	},
100	luceneVectorSegmentStats: [
101	{
102	id: '_0',
103	executionType: 'Approximate',
104	docCount: 1952,
105	approximateStage: { millisElapsed: 32.916505 }
106	},
107	{
108	id: '_1',
109	executionType: 'Approximate',
110	docCount: 1531,
111	approximateStage: { millisElapsed: 8.661519 }
112	}
113	]
114	}
115	},
116	nReturned: Long('10'),
117	executionTimeMillisEstimate: Long('256')
118	},
119	{
120	'$_internalSearchIdLookup': {
121	limit: Long('10'),
122	subPipeline: [
123	{ '$match': { _id: { '$eq': '_id placeholder' } } }
124	],
125	totalDocsExamined: Long('10'),
126	totalKeysExamined: Long('10'),
127	numDocsFilteredByIdLookup: Long('0')
128	},
129	nReturned: Long('10'),
130	executionTimeMillisEstimate: Long('256')
131	}
132	],
133	queryShapeHash: '2E39BED257F2B59D3F8652E1A81A18B1140602C4E253DED9FE208D584EA00083',
134	serverInfo: {
135	host: '<hostname>.mongodb.net',
136	port: 27017,
137	version: '8.2.1-rc1',
138	gitVersion: '3312bdcf28aa65f5930005e21c2cb130f648b8c3'
139	},
140	serverParameters: {
141	internalQueryFacetBufferSizeBytes: 104857600,
142	internalQueryFacetMaxOutputDocSizeBytes: 104857600,
143	internalLookupStageIntermediateDocumentMaxSizeBytes: 104857600,
144	internalDocumentSourceGroupMaxMemoryBytes: 104857600,
145	internalQueryMaxBlockingSortMemoryUsageBytes: 104857600,
146	internalQueryProhibitBlockingMergeOnMongoS: 0,
147	internalQueryMaxAddToSetBytes: 104857600,
148	internalDocumentSourceSetWindowFieldsMaxMemoryBytes: 104857600,
149	internalQueryFrameworkControl: 'trySbeRestricted',
150	internalQueryPlannerIgnoreIndexWithCollationForRegex: 1
151	},
152	command: {
153	aggregate: 'embedded_movies',
154	pipeline: [
155	{
156	'$vectorSearch': {
157	index: 'vector_index',
158	path: 'plot_embedding_voyage_3_large',
159	queryVector: [
160	-0.034731735, 0.008558298, -0.0153717, -0.029912498, 0.011549547,
161	...,
162	-0.006688767, 0.047527634, 0.040714234
163	],
164	numCandidates: 150,
165	limit: 10
166	}
167	}
168	],
169	cursor: {},
170	'$db': 'sample_mflix'
171	},
172	ok: 1,
173	'$clusterTime': {
174	clusterTime: Timestamp({ t: 1759341228, i: 32 }),
175	signature: {
176	hash: Binary.createFromBase64('BsaUr/khHU1Fyl5/g8htqoavlU8=', 0),
177	keyId: Long('7553982574624768005')
178	}
179	},
180	operationTime: Timestamp({ t: 1759341228, i: 32 })
181	}