MongoDB Vector Search查询采用 聚合管道 的形式，该管道使用 $vectorSearch 作为第一阶段。本页介绍了 $vectorSearch 阶段的语法、选项和行为。
支持的客户端
语法
字段
$vectorSearch 阶段采用包含以下字段的文档：
向量搜索类型
定义 $vectorSearch 阶段时，可以使用 exact字段指定运行近似最近邻 (ANN) 搜索还是 精确最近邻 (ENN)搜索。
对于近似最近邻 (ANN)搜索， MongoDB 向量搜索 会根据向量嵌入在多维空间中的接近度以及所考虑的邻域数量，在您的数据中查找与查询中的向量嵌入最接近的向量嵌入。它使用Hierarchical Navigable Small Worlds算法，找到与查询中的向量嵌入最相似的向量嵌入，而无需扫描每个向量。因此，近似最近邻 (ANN)搜索非常适合查询大型数据集，而无需进行大量过滤器。
注意
ANN搜索的最佳召回率通常被认为是与 9095ENN搜索的结果重叠约 - %，但延迟要低得多。这在准确性和性能之间提供了良好的平衡。要使用MongoDB Vector Search 实现此目的，请在查询时调整 numCandidates 参数。
numCandidates 选择
您必须指定 numCandidates字段才能运行近似最近邻 (ANN)搜索。该字段确定 MongoDB 向量搜索 在搜索过程中考虑的最近邻数量。
我们建议您指定的 numCandidates 数字至少比要返回的文档数量 (limit) 高 20 倍，以提高准确性并减少 精确最近邻 (ENN) 和 近似最近邻 (ANN) 查询结果之间的差异。示例，如果将 limit设立为 5 结果，则可以考虑将 numCandidates 设置为 100 作为点。要学习；了解详情，请参阅如何衡量查询结果的准确性。
这种过度请求模式是在近似最近邻 (ANN) 搜索中平衡延迟和召回的推荐方法。不过，我们建议根据特定数据集大小和查询要求调整 numCandidates 参数。为确保获得准确的结果，请考虑以下变量：
行为
$vectorSearch 必须是其所在的任何管道中的第一阶段。
限制
$vectorSearch 不能用于视图定义和后续管道阶段：
| [1] | 您可以将 $vectorSearch 的结果传递给此阶段。 |
MongoDB Vector Search 索引
要学习；了解有关这些MongoDB Vector Search字段类型的更多信息，请参阅如何为向量搜索的字段创建索引。
MongoDB Vector Search 评分
MongoDB Vector Search 为其返回的每个文档分配一个分数，该分数在 0 到 1 之间的固定范围内（其中 0 表示低相似度，1 表示高相似度）。
注意
对数据进行预筛选不会影响MongoDB Vector Search 使用 vectorSearchScore 进行$vectorSearch 查询返回的分数。
MongoDB Vector Search 预过滤
重要
筛选后的查询通常比其他等效的未筛选查询慢。
过滤器注意事项
MongoDB Vector Search 支持
$eq的简写形式。在简写形式中，您无需在查询中指定$eq。例如，考虑以下带有
$eq的过滤器："filter": { "_id": { "$eq": ObjectId("5a9427648b0beebeb69537a5") } 这相当于以下过滤器，它使用
$eq的简写形式："filter": { "_id": ObjectId("5a9427648b0beebeb69537a5") } 您可以使用
$andMQL 操作符在单个查询中指定过滤器数组。例如，考虑以下预过滤器，用于
genres字段等于Action和year字段值为1999、2000或2001的文档："filter": { "$and": [ { "genres": "Action" }, { "year": { "$in": [ 1999, 2000, 2001 ] } } ] } 对于模糊搜索、短语匹配、位置筛选和其他分析文本等高级筛选功能，请在 阶段使用 vectorSearch
$search操作符。
示例
先决条件
在运行这些示例之前，请执行以下操作：
为集合创建MongoDB Vector Search 索引。有关说明，请参阅“创建MongoDB Vector Search 索引”过程，并以所需语言复制 ANN 和 ENN 示例的配置。