MongoDB ベクトル検索 のユースケースと設計パターン

セマンティック検索

MongoDB ベクトル検索 を使用すると、インデックスの作成、更新、クエリの際に選択したモデルを使用してベクトル埋め込みを自動的に生成する 自動埋め込みを使用して、データに対してセマンティック検索をわずか数回クリックするだけで実行できます。

まずは、MongoDB ベクトル検索クイック スタート チュートリアルを参照してください。

検索拡張生成（RAG）

RG を使用すると、応答を生成する前に関連するコンテキストを取得することで、言語モデルと独自のデータを組み合わせることができます。 このパターンにより、カスタム データに基づいてより正確かつドメイン固有の応答を提供するAIアプリケーションを構築できます。

詳細と開始するには、 MongoDBを使用した検索拡張生成（RAG） を参照してください。

また、LDM プロバイダーのAPIキーを必要とせずに、RAM をローカルに実装することもできます。詳細については、MongoDB ベクトル検索を使用してローカル RAG 実装を構築する を参照してください。

AIエージェント

MongoDB は、 AIエージェントを構築するためのいくつかの機能を提供します。ベクトルデータベースとドキュメントデータベースの両方として、 MongoDB はエージェント的 RG のさまざまな検索方法、また、短期間および長期のエージェントメモリのために同じデータベースにエージェントインタラクションを保存します。

詳細と開始方法については、 MongoDBを使用したAIエージェントの構築 を参照してください。

前提条件

これらのページのチュートリアルを完了するには、次のものが必要です。

• 次のいずれかのMongoDBクラスター タイプ

  • MongoDBバージョン6.0.11 、7.0.2 、またはそれ以降を実行中Atlas クラスター。 IPアドレスが Atlas プロジェクトのアクセス リストに含まれていることを確認します。

  • Python と Docker を使用して作成されたローカル Atlas 配置。atlas-local-lib-py (pip install atlas-local-lib-py) をインストールして、ローカル配置をプログラムで作成および管理します。詳細については、atlas-local-lib-py リポジトリを参照してください。

  • Search とベクトル検索がインストールされたMongoDB Community または Enterprise クラスター。

• Project Data Access Admin プロジェクトにアクセスしてMongoDB ベクトル検索インデックスを作成する

• サンプルデータはMongoDBクラスターにロードされます。

• クラスターでクエリを実行するのに必要な mongosh またはサポートされている MongoDB ドライバー。