MongoDB Vector Search 사용 사례 및 디자인 패턴

시맨틱 검색

MongoDB Vector Search를 사용하면 벡터 임베딩으로 변환한 데이터를 인덱싱 하고 검색하여 텍스트, 이미지, 멀티모달 및 기타 데이터 유형에 대해 시맨틱 검색 수행할 수 있습니다.

시작하려면 Atlas 클러스터의 데이터에 대해 시맨틱 검색을 수행하는 방법을 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 제공자의API 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 6.0.11을 실행하는 Atlas 클러스터 7.0.2 또는 그 이상. IP 주소가 Atlas 프로젝트의 액세스 목록에 포함되어 있는지 확인하세요.

  • Atlas CLI 사용하여 생성된 로컬 Atlas 배포서버 입니다. 자세히 학습 로컬 Atlas 배포 만들기를 참조하세요.

  • 검색 및 벡터 검색이 설치된 MongoDB Community 또는 Enterprise 클러스터.

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

• MongoDB cluster 에 로드된 샘플 데이터입니다.

• mongosh 또는 지원되는 MongoDB 드라이버를 사용해 클러스터에서 쿼리를 실행합니다.