/ /

Referência de query

Página inicial do Docs

Desenvolvimento

Vector Search

Referência de query

Página inicial do Docs

Desenvolvimento

Vector Search

Referência de query

Explique os resultados da Vector Search do MongoDB

Quando você executa uma query do MongoDB Vector Search com o método explain, a query retorna um documentoBSON do contendo plano de query e estatísticas de execução que descrevem como a query foi executada internamente.

Dica

explicar comando

Sintaxe

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>]
       }
     }
   }
])

Detalhamento

O modo Verbosidade controla o comportamento do explain e a quantidade de informações retornadas. O valor pode ser um dos seguintes, em ordem decrescente de verbosidade:

allPlansExecution	Informações sobre o plano de query , incluindo os campos `stats`, que contêm estatísticas de execução da query. Inclui dados de execução parcial capturados durante a seleção do plano.
executionStats	Informações sobre o plano de query, incluindo os campos `stats`, que contêm estatísticas de execução para a query.
queryPlanner (padrão)	Informações sobre o plano de query. Não inclui os campos `stats`, que contêm as estatísticas de execução da query.

Dica

Modos de Verbosidade

Explicação de resultados

O método explain retorna um documento BSON com os seguintes campos.

Opção	Tipo	necessidade	Propósito
`collectors`	documento	Opcional	Descreve as estatísticas de execução do coletor.
`metadata`	documento	Opcional	Contém metadados úteis.
`query`	documento	Opcional	Descreve as estatísticas de execução da query. Isto não está presente no nível superior para `indexPartitionExplain`.
`resultMaterialization`	documento	Opcional	Detalhes relacionados à recuperação de dados por documento após a execução da query. Isto não é devolvido para o modo de verbosidade `queryPlanner` .
`resourceUsage`	documento	Opcional	Detalha o uso de recursos da query quando ela foi executada. Isso não é retornado para o modo de detalhamento `queryPlanner`.
`vectorTracing`	Array de objetos	Opcional	Detalhes de rastreamento, como os seguintes, sobre vetores nos documentos especificados: Se a Vector Search do MongoDB visitou o vetor durante a execução da query, se o vetor apareceu no conjunto de resultados da Vector Search do MongoDB e, se não, por que o vetor foi descartado. Se o vetor é geralmente acessível porque alguns vetores podem não ser acessíveis devido à natureza probabilística do Hierarchical Navigable Small Worlds .
`luceneVectorSegmentStats`	Array de objetos	Opcional	Detalhes do segmento por Lucene da `$vectorSearch` execução da query .

`collectors`

O collectors é um documento BSON com o seguinte campo:

Campo	Tipo	necessidade	Propósito
`allCollectorStats`	documento	Obrigatório	Estatísticas de todos os coletores da query. As estatísticas relatadas representam o valor máximo em todos os coletores usados na query ou uma soma da estatística em todos os subcoletores. As estatísticas de tempo são somadas para refletir o tempo total gasto em todos os coletores para toda a query. Para saber mais, consulte `allCollectorStats`.

`allCollectorStats`

O allCollectorStats é um documento BSON que descreve as estatísticas do coletor em todos os coletores especificados na query. Contém as seguintes chaves:

Campo	Descrição
`collect`	Acompanha a duração e o número de resultados coletados pelo coletor.
`competitiveIterator`	Estatísticas que rastreiam a duração total e o número de vezes que um `competitiveIterator` foi solicitado ao coletor.
`setScorer`	Estatísticas que monitoram a duração total e o número de vezes que um pontuador foi configurado no coletor.

`metadata`

O metadata contém metadados úteis, como os seguintes:

Campo	Tipo	necessidade	Propósito
`mongotVersion`	String	Opcional	Versão atual de `mongot`.
`mongotHostName`	String	Opcional	Etiqueta legível por humanos que identifica o host `mongot`.
`indexName`	String	Opcional	Índice de Vector Search do MongoDB usado na query.
`cursorOptions`	Documento	Opcional	Opções de cursor dadas a `mongot`.
`totalLuceneDocs`	Inteiro	Opcional	Número total de documentos no índice, incluindo documentos excluídos.

`query`

A resposta explain é um documento BSON com chaves e valores que descrevem a estatística de execução da query. O documento explain no conjunto de resultados contém os seguintes campos:

Campo	Tipo	necessidade	Propósito
`path`	string	Opcional	Caminho para o campo de incorporação da consulta, somente se não for a raiz.
`type`	string	Obrigatório	Nome do tipo de query de pesquisa vetorial . Consulte `query` para mais informações.
`args`	documento	Obrigatório	Informações sobre a query de pesquisa vetorial. Consulte `query` para mais informações.
`stats`	documento	Opcional	`stats` para a query se `explain` foi executado com o detalhamento `executionStats` ou `allPlansExecution`.

`args`

A resposta de explicação contém informações como a query foi executada internamente. O campo args inclui os seguintes detalhes:

Tipo de query
Um exemplo de resumo estruturado para cada tipo de query
Opções de query no resumo estruturado

As seções a seguir descrevem os tipos de query e os campos nos resumos estruturados:

WrappedKnnQuery

Uma query wrapper usada para pesquisa vetorial de ANN que combina múltiplas queries. O resumo estruturado inclui detalhes sobre a seguinte opção:

Campo	Tipo	necessidade	Descrição
`query`	Array	Obrigatório	Array de subqueries usadas na pesquisa vetorial, normalmente contendo `KnnFloatVectorQuery` e `DocAndScoreQuery`.

KnnFloatVectorQuery

Um tipo de query específico para a pesquisa ANN em vetores flutuantes. O resumo estruturado inclui detalhes sobre as seguintes opções:

Campo	Tipo	necessidade	Descrição
`field`	String	Obrigatório	O caminho do campo vetorial que está sendo pesquisado.
`k`	Inteiro	Obrigatório	Número de vizinhos mais próximos a serem recuperados.

DocAndScoreQuery: Um tipo de query que lida com a correspondência e a pontuação de documento . O resumo estruturado normalmente inclui estatísticas sobre a execução da query.

ExactVectorSearchQuery

Um tipo de query para pesquisas de vetor ENN. O resumo estruturado inclui detalhes sobre as seguintes opções:

Campo	Tipo	necessidade	Descrição
`field`	String	Obrigatório	O caminho do campo vetorial que está sendo pesquisado.
`similarityFunction`	String	Obrigatório	A função de similaridade utilizada (`dotProduct`, `cosine` ou `euclidean`).
`filter`	Documento	Opcional	Query pré-filtro que limita o escopo da pesquisa vetorial.

BooleanQuery: Se você usar um pré-filtro em sua query de pesquisa vetorial, seus resultados de explicação incluirão o tipo BooleanQuery . Para saber mais sobre os campos deste tipo e de outros tipos de query específicos para sua query pré-filtro, consulte os Tipos de Query na Página Explicação da Pesquisa do MongoDB.

DefaultQuery

As queries que não são explicitamente definidas por outra query são serializadas usando a query padrão. O resumo estruturado inclui detalhes sobre a seguinte opção:

Campo	Tipo	necessidade	Descrição
`queryType`	String	Obrigatório	Tipo de query.

`stats`

A resposta explain para os modos de detalhamento executionStats e allPlansExecution inclui um campo stats que contém informações sobre quanto tempo uma query gasta em vários estágios de sua execução.

Detalhamento do tempo

O detalhamento do tempo descreve as estatísticas de execução pertinentes a áreas de execução da query. Os campos a seguir mostram o detalhamento do tempo:

Campo	Tipo	Descrição
`millisElapsed`	Long	O tempo aproximado do relógio na parede decorrido executando tarefas nessa área, incluindo a quantidade de tempo que os filhos da query gastaram nessa área. O valor é o número aproximado de milissegundos decorridos durante a execução de tarefas nesta área.
`invocationCounts`	Documento	Número de invocações de tarefas incluídas nesta área. O valor é um mapa de nomes de tarefas para sua contagem de invocação.

Áreas de query

As estatísticas estão disponíveis para as seguintes áreas de query:

Opção

Descrição

context

Estatísticas relacionadas à execução da query de pesquisa vetorial . Há duas tarefas cujas contagens de invocação estão enumeradas nesta área:

`createScorer`	O Scorer itera sobre os documentos e gera uma pontuação para cada documento. Invocações de `createScorer` criam o objeto responsável pela pontuação. Observe que o tempo associado a essa tarefa não é o tempo gasto na classificação de documentos. A contagem inclui o número de invocações `scorerSupplier` .
`createWeight`	O estado das lojas de peso associado a uma query e `IndexSearcher`. A contagem inclui o número de invocações `createWeight` .

O tempo gasto nessa área está relacionado à estrutura da query e não é baseado no número de resultados que são iterados e pontuados.

Por exemplo:

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

match

Estatísticas relacionadas à iteração e à correspondência de documentos de resultados. Essa estatística mostra o tempo necessário para determinar qual documento é a próxima correspondência. O tempo gasto na correspondência de resultados pode variar significativamente, dependendo da natureza da query. Há duas tarefas cujas contagens de invocação são enumeradas nesta área:

nextDoc

Solicitações para avançar para o próximo documento do conjunto de resultados. Isso envolve identificar e mover saltos anteriores, ou outras tarefas necessárias para encontrar a próxima correspondência. A contagem inclui o número de invocações nextDoc e advance .

refineRoughMatch

Executa uma correspondência mais completa. Algumas query são executadas em um processo de duas fases, em que um documento é primeiro correspondido "aproximadamente" e é verificado com uma segunda fase, mais completa, somente depois de satisfazer a primeira correspondência aproximada. A tarefa refineRoughMatch é a segunda fase do processo de duas fases. A contagem inclui o número de invocações refineRoughMatch .

Por exemplo:

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

score

Estatísticas relacionadas à pontuação de documentos no conjunto de resultados. Há duas tarefas cujas contagens de invocação são enumeradas nesta área:

`score`	Classifica cada documento no conjunto de resultados. A contagem inclui o número de invocações `score` .
`setMinCompetitiveScore`	Ignora documentos cuja pontuação é menor que o valor fornecido. Indica que uma query pode ter sido capaz de reduzir o número de operações de pontuação realizadas ignorando documentos com pontuações abaixo de um limite não concorrência. A contagem inclui o número de invocações `setMinCompetitiveScore` .

Por exemplo:

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

`resourceUsage`

O documento resourceUsage mostra o recurso utilizado para executar a query. Ele contém os seguintes campos:

Campo	Tipo	necessidade	Propósito
`majorFaults`	Long	Obrigatório	Número de falhas de página principais, que ocorrem quando o sistema não consegue encontrar os dados necessários na memória, resultando na leitura do armazenamento de apoio, como disco, durante a execução da query.
`minorFaults`	Long	Obrigatório	Número de falhas de página menores, que ocorrem quando os dados estão no cache de página, mas ainda não foram mapeados para a tabela de páginas do processo.
`userTimeMs`	Long	Obrigatório	Tempo da CPU, em milissegundos, gasto no espaço do usuário.
`systemTimeMs`	Long	Obrigatório	Tempo da CPU, em milissegundos, gasto no espaço do sistema.
`maxReportingThreads`	Inteiro	Obrigatório	Número máximo de threads que `mongot` utilizou durante a execução da query em todos os lotes. Para consultas de explicação não concorrentes, o valor é `1`.
`numBatches`	Inteiro	Obrigatório	Número total de lotes que `mongot` foi solicitado ao processar a query.

`vectorTracing`

A array vectorTracing contém uma lista de objetos, um por documento, que possui os seguintes detalhes sobre os vetores no documento:

Campo	Tipo	necessidade	Propósito
`visited`	Boolean	Obrigatório	Sinalizador que especifica se o vetor rastreado foi visitado durante a execução da query.
`dropReason`	String	Condicional	Motivo para descartar o vetor. Isto está presente somente se o vetor foi visitado e descartado dos resultados. O valor pode ser: `Merge` `NonCompetitiveScore` `Filter` `Rescoring`
`vectorSearchScore`	Double	Condicional	Pontuação associada ao vetor. Isto está presente apenas se o vetor foi visitado
`luceneSegment`	Inteiro	Obrigatório	Número do segmento Lucene ao qual o vetor pertence. Para saber mais,`luceneVectorSegmentStats` consulte.
`unreachable`	Boolean	Condicional	Sinalizador que especifica se o vetor é inacessível. Está presente apenas se o vetor não estiver acessível.

`luceneVectorSegmentStats`

A luceneVectorSegmentStats array de objetos contém detalhamento por segmento Lucene da $vectorSearch execução da query. Cada segmento é identificado por um número e inclui os parâmetros que descrevem os detalhes de execução da 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	necessidade	Propósito
`executionType`	String	Obrigatório	A estratégia de execução. O valor pode ser um dos seguintes: `Approximate` `Exact` `ApproximateToExactFallback`
`approximateStage`	Float	Condicional	Tempo (em milissegundos) para a fase aproximada. Isso é retornado apenas para os tipos de execução `Approximate` e `ApproximateFallbackToExact`.
`exactStage`	Float	Condicional	Tempo (em milissegundos) para a fase Exata. Isso é retornado apenas para os tipos de execução `Exact` e `ApproximateFallbackToExact`.
`filterMatchedDocsCount`	Inteiro	Opcional	O número de documentos que corresponderam ao filtro de consulta se você especificou um pré-filtro na consulta.
`docCount`	Inteiro	Obrigatório	Número total de documentos no segmento.

Exemplos

Os exemplos a seguir usam o método explain em amostras de queries ANN e ENN. Se você deseja executar os exemplos a seguir em seu próprio ambiente, você deve primeiro concluir o Início Rápido da Vector Search MongoDB usando mongosh.

`allPlansExecution`

O exemplo a seguir executa o método explain em uma query de pesquisa vetorial de ANN e ENN para o campo plot_embedding_voyage_3_large com o modo de verbosidade 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`

O exemplo a seguir executa o método explain em uma query de pesquisa vetorial de ANN e ENN para o campo plot_embedding_voyage_3_large com o modo de verbosidade 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`

O exemplo a seguir executa o método explain em uma query de pesquisa vetorial de ANN e ENN para o campo plot_embedding_voyage_3_large com o modo de verbosidade 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 })
}

Voltar

Referência de query

Usar visualizações compatíveis

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	}