每一个构建 AI 代理的团队都会发现一个基本事实：如果没有正确的信息，代理就无法可靠地回答问题或采取正确的操作。
随着大型语言模型上下文窗口的扩大，人们很容易认为，只需为代理提供更多信息就能提高其准确性。实际上，更多的上下文会使代理变得更慢、成本更高，同时也会将有用的信号埋在不相关的信息中，从而降低准确性。
这就是为什么代理的成功现在依赖于 上下文工程，这是一项旨在选择、组织和向代理提供完成任务所需的信息的实践，以实现有效执行。
而这项工作的核心在于检索。问题不在于您能在上下文中容纳多少内容。而在于您从一千万个项目中选择哪十个。
MongoDB 的智能数据平台将 Voyage AI 一流的嵌入和重排模型与构建、操作和演进复杂检索系统的平台结合在一起。随着今天在聚合管道中引入 Rerank 3 系列和 $rerank，开发者可以在其操作数据所在的同一系统中提高检索上下文的质量和顺序。其结果是一种构建检索系统的更简单方法，该系统为代理提供采取操作所需的上下文。
检索堆栈
有效的检索需要一个协同系统来查找有用的信息，确定什么是最重要的，并将其高效地交付给代理。
策略决定了系统如何搜索其数据。关键词搜索可以呈现出精确的术语，而向量搜索则能找到概念相似的内容。过滤器和混合方法增加了精度和控制力，确保只检索到相关内容。
模型决定了您的数据的相关性。更强大的嵌入模型可以通过理解概念相似性和查询意图来帮助向量搜索识别出更好的候选对象。重排序器允许第一阶段检索针对召回率进行优化，然后从候选集中分离出匹配度最高的项目。
合适的引擎将这些不同的技术结合在一起，在系统运行过程中保持数据更新和查询高效。
如果没有一个统一的平台来管理检索，这项工作很快就会变得复杂。您可能会使用一个提供商进行嵌入，另一个提供商进行重排序，并使用多个数据库供应商来处理您的运营、搜索和向量数据。这意味着需要维护更多的集成、同步作业和 API 调用。它还可能造成静默问题：您的向量搜索索引可能使用了一个嵌入模型版本，而您的应用程序使用了另一个版本，这会影响相关性，且不会产生明确的错误。
图 1.断开连接的检索管道。
MongoDB 将这些部分整合到一个平台上。它支持开发者需要的搜索策略，包括文本、向量、混合和过滤器检索，并将其与 Voyage AI 最先进的嵌入模型和重排器配对。自动化嵌入随着数据的变化使向量保持同步，而原生重排让开发者可以在同一个聚合管道中优化结果。其结果是可以通过单个查询搜索操作数据、应用正确的检索策略、重新排列结果并返回代理所需的上下文。
图 2. 由 MongoDB 提供支持的统一检索管道。
模型
如今推出的 rerank-3 和 rerank-3-lite 在所有任务中都提高了准确性，长文档和代码的提升最大。rerank-3 的整体性能优于 Cohere Rerank v4.0 Pro 2.72% 和 Qwen3-Reranker-8B 3.02%。如果你使用的是 rerank-2.5，升级只需要更改一行模型名称。相同的 API，相同的价格。
无论初始候选集合如何检索，rerank-3 都可以提高相关性。下表显示了几种常见的第一阶段检索方法在准确性方面的提升。
表 1。准确性比较。
引擎
MongoDB 是这之后的操作检索引擎，每种策略都针对您的应用程序已经写入的相同数据原生运行。词法搜索捕获标识符、错误代码和确切的产品名称。向量搜索捕获概念和释义。混合检索将它们结合在一起，而元数据过滤器使候选集保持足够小以保持快速。不需要将数据移动到单独的系统中或保留两个副本进行同步。
自动嵌入处理通常会中断的部分。向量以近乎实时的速度在字段层面生成和刷新，令牌消耗和索引运行状况在 Atlas 用户界面中可见。无需负责任何嵌入作业，也不会出现索引构建所基于的模型版本与查询所运行的模型版本发生分割的情况。
$rerank 现已可用，它将最后一步排序步骤添加到同一管道中。这是一个无索引阶段，可以提取上一个阶段生成的任何候选集，并使用 rerank-3 或 rerank-3-lite 对其进行重新评分。没有单独的供应商，没有外部 API 调用，没有应用程序代码中的重组步骤——当代理每个任务进行多个检索调用而不是一个时，这很重要。
图 3. $rerank 的实际操作。
.png)
引力：当这种方法奏效时，它是什么样子的
Gravity 正在构建一个广告网络，为 AI 时代优化广告。相关性在那里并非锦上添花；它就是产品。他们的问题不是召回率。早期的嵌入和重排模型返回的相关性得分聚集得太紧密，因此 Gravity 无法自信地将强匹配与弱匹配区分开来。
“我们在基准测试中发现的最大能力是 Voyage AI 能够辨别出不匹配的候选者，并真正推荐那些匹配的候选者，”Gravity 联合创始人兼 CTO Leo Martinez 说。随着请求量的增加，切换到 Voyage AI 将检索延迟降低了大约 50%，并提高了准确性。
弥合鸿沟
检索质量是 MongoDB 为代理运行而构建的一层。MongoDB 9.0 和 Atlas Infinite 是性能和弹性扩展层，吸收了代理工作负载产生的突发流量。Atlas 代理引擎 是内存和管理层，通过会话为代理提供持久的上下文和护栏；检索由 Atlas Vector Search 和 Voyage AI 提供支持。代理在决定做什么之前先决定检索什么。糟糕的检索速度越快，意味着更早地处理错误的事情。
实现正确的检索不再需要复杂的架构。自动化嵌入处理嵌入，$rerank 处理排序，并且两者都直接针对 MongoDB 中的操作数据运行。这些模型还可通过 Atlas Embedding and Reranking API 独立运行的实例提供。