Acerca de esta tarea
Configurar clúster
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 query que se ejecutó en este inicio rápido es una canalización de agregación, en la que la $vectorSearch stage realiza una búsqueda de Neighbor más cercanos aproximados (ANN) seguida de una etapa $project que refina los resultados. Para ver todas las opciones de una búsqueda vectorial, incluido el uso de Exact Nearest Neighbor (ENN) o cómo acotar el alcance de la búsqueda con la opción de filter, consulta 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 MongoDB Vector Search con los marcos y servicios de IA más populares, consulte Integraciones de IA de MongoDB.
Para crear chatbots de IA listos para producción utilizando MongoDB Vector Search, consulta el Marco de Trabajo de Chatbots de MongoDB.
Para aprender a implementar RAG sin la necesidad de API claves o créditos, consulta Cómo compilar una implementación RAG local con MongoDB Vector Search.