MongoDB Vector Search 사용 사례 및 디자인 패턴

시맨틱 검색

MongoDB 벡터 검색을 사용하면 선택한 모델을 사용하여 인덱싱, 업데이트 및 쿼리 시 자동으로 벡터 임베딩을 생성하는 자동 임베딩 을 사용하여 몇 번의 클릭만으로 데이터에 대한 시맨틱 검색을 수행할 수 있습니다.

시작하려면 MongoDB 벡터 검색 신속 시작 튜토리얼을 참조하세요.

검색 증강 생성(RAG)

RAG를 사용하면 응답을 생성하기 전에 관련 컨텍스트를 검색하여 언어 모델을 자체 데이터와 결합할 수 있습니다. 이 패턴 사용하면 사용자 지정 데이터를 기반으로 보다 정확하고 도메인별 응답을 제공하는 AI 애플리케이션을 빌드 할 수 있습니다.

자세히 학습 시작하려면 MongoDB 사용한 RAG(검색 보강 생성)를 참조하세요.

LLM 제공자의 API 키 없이 로컬에서 RAG를 구현 수도 있습니다. 자세한 학습은 MongoDB Vector Search를 사용하여 로컬 RAG 구현 구축을 참조하세요.

AI 에이전트

MongoDB AI 에이전트 구축을 위한 몇 가지 기능을 제공합니다. 벡터 및 문서 데이터베이스 인 MongoDB 에이전트 RAG에 대한 다양한 검색 방법을 지원하며, 장단기 에이전트 메모리를 위해 에이전트 상호 작용을 동일한 데이터베이스 에 저장합니다.

자세한 내용을 학습 시작하려면 MongoDB 로 AI 에이전트 빌드하기를 참조하세요.

전제 조건

이 페이지의 튜토리얼을 완료하려면 다음이 필요합니다.

• 다음 MongoDB cluster 유형 중 하나입니다.

  • MongoDB 버전 6.0.11, 7.0.2 이상을 실행 Atlas cluster . 사용자의 IP 주소 가 Atlas 프로젝트의 액세스 목록에 포함되어 있는지 확인하세요.

  • Python과 Docker를 사용하여 만든 로컬 Atlas 배포서버입니다. atlas-local-lib-py (pip install atlas-local-lib-py)를 설치하여 로컬 배포서버를 프로그래밍으로 만들고 관리할 수 있습니다. 자세한 내용은 atlas-local-lib-py 리포지토리를 참조하십시오.

  • A MongoDB Community or Enterprise cluster with Search and Vector Search installed.

• Project Data Access Admin 프로젝트 에 액세스 MongoDB Vector Search 인덱스를 생성합니다.

• The sample data loaded into your MongoDB cluster.

• mongosh or a supported MongoDB Driver to run queries on your cluster.