关于此任务
创建 Vector Search 索引
在本部分中，您将在加载到集群的示例数据上创建MongoDB Vector Search索引：
运行向量搜索查询
在本节中，您将在索引的嵌入上运行一个向量搜索查询示例。
学习总结
本快速入门重点介绍从集群中检索包含与所提供的查询在语义上相关的文本的文档。但是，您可以在嵌入上创建向量搜索索引，表示您可能写入集群的任何类型的数据，例如图像或视频。
样本数据
向量嵌入
集合和示例查询中的向量嵌入是使用sample_mflix.embedded_movies Voyage AIvoyage-3-large 嵌入模型创建的。您选择的嵌入模型决定了您在向量搜索索引中使用的向量维度和向量相似度函数。您可以使用任何喜欢的 嵌入模型，并且值得尝试不同的模型，因为根据具体使用案例，不同模型的准确性可能会有所不同。
要了解如何创建您自己数据的向量嵌入，请参阅如何创建向量嵌入。
向量索引定义
Vector Search 查询
您在快速入门中运行的查询是一个聚合管道，其中 $vectorSearch 阶段执行近似近邻 (ANN) 搜索，随后 $project 阶段对结果进行细化。要查看向量搜索查询的所有选项，包括使用 精确近邻 (ENN) 或如何使用 filter 选项缩小向量搜索范围，请参阅 运行向量搜索查询。
后续步骤
要了解如何从数据创建嵌入并将其加载到 Atlas 中，请参阅创建嵌入。
要学习；了解如何实现检索增强生成 (RAG)，请参阅使用MongoDB检索增强生成 (RAG)。
要将 MongoDB Vector Search 与流行的 AI 框架和服务集成，请参阅 MongoDB AI 集成。
要使用MongoDB Vector Search构建可投入生产的AI聊天机器人，请参阅MongoDB聊天机器人框架。
要学习；了解如何在不需要 API 密钥或信用的情况下实现 RAG ，请参阅 使用MongoDB Vector Search 构建本地 RAG 实施。