MongoDB Vector Search 使用案例和设计模式

语义搜索

MongoDB Vector Search 允许您对已转换为向量嵌入的数据进行索引和搜索，从而对文本、图像、多模式和其他数据类型执行语义搜索搜索。

要开始使用，请参阅如何对Atlas集群中的数据执行语义搜索。

检索增强生成 (RAG)

RAG 允许您在生成响应之前检索相关上下文，从而将语言模型与自己的数据相结合。这种模式允许您构建AI应用程序，提供基于自定义数据的更准确和针对特定领域的响应。

要学习；了解更多信息并开始使用，请参阅使用MongoDB进行检索增强生成 (RAG)。

您还可以在本地实现RAG，而无需从 LLM 提供商处获取 API密钥。要学习；了解更多信息，请参阅使用MongoDB Vector Search 构建本地 RAG 实施。

AI 代理

MongoDB提供了多种用于构建AI代理的功能。作为向量和文档数据库， MongoDB支持代理 RAG 的各种搜索方法，以及将代理交互存储在同一数据库中以进行短期和长期代理内存。

要学习；了解更多信息并开始使用，请参阅使用MongoDB构建AI助手。

先决条件

要完成这些页面上的教程，您必须具备以下条件：

• 以下MongoDB 集群类型之一：

  • 一个 Atlas 集群，运行 MongoDB 6.0.11、7.0.2 或更高版本。请确保您的 IP 地址包含在 Atlas 项目的访问列表中。

  • 使用Atlas CLI创建的本地Atlas部署。要学习；了解详情，请参阅创建本地Atlas部署。

  • 安装了Search 和 Vector Search的MongoDB Community或 Enterprise集群。

• Project Data Access Admin 访问权限用于创建MongoDB Vector Search 索引的项目。

• 示例数据已加载到MongoDB 集群。

• mongosh 或支持的 MongoDB 驱动程序以在您的集群上运行查询。