MongoDB 搜索 和 MongoDB Vector 搜索索引

MongoDB Search 索引模型

要创建MongoDB Search索引，您必须构造一个设置索引规范的 CreateSearchIndexModel实例。

CreateSearchIndexModel 类具有以下属性：

以下示例创建一个 CreateSearchIndexModel实例，为名为 search_idx 的索引提供规范。该代码指定了 title 和 released 字段的静态映射：

var def = new BsonDocument {
  { "mappings", new BsonDocument {
      { "dynamic", false },
      { "fields", new BsonDocument {
        { "title", new BsonDocument { {"type", "string" } } },
        { "released", new BsonDocument { { "type", "date" } } } } }
  } }
};
var indexModel = new CreateSearchIndexModel(
  "search_idx",
  SearchIndexType.Search,
  def
);

要学习；了解有关MongoDB Search字段映射的更多信息，请参阅Atlas文档中的定义字段映射。

MongoDB Vector Search 索引模型

要创建MongoDB Vector Search索引，您必须构造一个设置索引规范的 CreateVectorSearchIndexModel实例。

CreateVectorSearchIndexModel 类继承 CreateSearchIndexModel 类，并具有以下附加属性：

以下示例创建一个 CreateVectorSearchIndexModel实例，为名为 vs_idx 的索引提供规范。该代码将嵌入路径指定为 PlotEmbedding，这是一个类属性，对应于MongoDB中的 plot_embedding字段。它还为 1536 维度建立索引，并使用 Euclidean 向量相似度函数。

var model = new CreateVectorSearchIndexModel<Movie> (
  model => model.PlotEmbedding,
  "vs_idx",
  VectorSimilarity.Euclidean,
  1536);

要了解有关定义 MongoDB 向量搜索 搜索索引的更多信息，请参阅 Atlas 文档中的 如何为向量搜索字段编制索引。

MongoDB自动嵌入搜索索引模型

您可以使用 CreateAutoEmbeddingVectorSearchIndexModel索引模型创建MongoDB Vector Search索引，该索引会自动为文本字段生成向量嵌入。

CreateAutoEmbeddingVectorSearchIndexModel 具有以下属性：

以下示例创建一个 CreateAutoEmbeddingVectorSearchIndexModel实例，为名为 auto_embedded_index 的索引提供规范。此索引使用 "voyage-4" 嵌入模型自动生成 plot字段的向量嵌入，还包括 runtime 和 year 字段的可选筛选器：

var model = new CreateAutoEmbeddingVectorSearchIndexModel<EmbeddedMovie>(
  m => m.Plot,
  "auto_embedding_index",
  "voyage-4",
  m => m.Runtime, m => m.Year  // Optional filter fields
);

例子

以下示例在 embedded_movies集合上创建MongoDB搜索索引。该代码创建一个 CreateSearchIndexModel，用于设置索引名称并启用动态映射。然后，代码将 CreateSearchIndexModel 实例传递给 SearchIndexes.CreateOne() 方法以创建 MongoDB 搜索索引：

var indexModel = new CreateSearchIndexModel(
  "example_index",
  SearchIndexType.Search,
  new BsonDocument {
    { "mappings", new BsonDocument {
      { "dynamic", true },
    } }
  }
);
var result = movieCollection.SearchIndexes.CreateOne(indexModel);
Console.WriteLine("Created MongoDB Search index:\n{0}", result);

Created MongoDB Search index:
"example_index"

例子

此示例将执行以下动作：

1. 创建一个 CreateSearchIndexModel实例，该实例指定名为 as_idx的 MongoDB搜索索引

2. 创建一个 CreateVectorSearchIndexModel实例，该实例指定名为 vs_idx 的MongoDB Vector Search索引

3. 将 CreateSearchIndexModel 和 CreateVectorSearchIndexModel 实例的 List 传递给 SearchIndexes.CreateMany() 方法

4. 在 embedded_movies 集合上创建 MongoDB 搜索搜索索引 和 MongoDB Vector 搜索搜索索引

var searchModel = new CreateSearchIndexModel(
  "as_idx",
  SearchIndexType.Search,
  new BsonDocument {
    { "mappings", new BsonDocument {
      { "dynamic", true },
    } }
  }
);
var vectorModel = new CreateVectorSearchIndexModel<Movie>(
  m => m.PlotEmbedding,
  "vs_idx",
  VectorSimilarity.Euclidean,
  1536);
var models = new List<CreateSearchIndexModel> { searchModel, vectorModel };
var indexes = movieCollection.SearchIndexes.CreateMany(models);
Console.WriteLine("Created Search indexes:\n{0} {1}", indexes.ToArray());

Created Search indexes:
as_idx vs_idx

例子

The following example accesses information about the MongoDB Search and MongoDB Vector Search indexes created in the Create Multiple Search Indexes section of this page. The code calls the SearchIndexes.List() method and prints a list of the MongoDB Search and MongoDB Vector Search indexes on the collection:

var indexesList = movieCollection.SearchIndexes.List().ToList();
foreach (var i in indexesList)
{
  Console.WriteLine(i);
}

{ "id": "...", "name": "as_idx", "status": "READY", "queryable":
true, "latestDefinitionVersion": {...}, "latestDefinition": {
"mappings": { "dynamic": true } }, "statusDetail": [...] }
{ "id": "...", "name": "vs_idx", "type": "vectorSearch", "status":
"READY", "queryable": true, ..., "latestDefinition": { "fields": [{
"type": "vector", "path": "plot_embedding", "numDimensions": 1536,
"similarity": "euclidean" }] }, "statusDetail": [...] }

例子

The following example updates the Vector Search index named vs_index created in the Create Multiple Search Indexes section of this page. The code creates a new index definition document that instructs the index to use "dotProduct" as the vector similarity function. Then, the code calls the SearchIndexes.Update() method to update the index:

var updatedDef = new BsonDocument
{
    { "fields", new BsonArray
        {
            new BsonDocument
            {
                { "type", "vector" },
                { "path", "plot_embedding" },
                { "numDimensions", 1536 },
                { "similarity", "dotProduct" }
            }
        }
    }
};
movieCollection.SearchIndexes.Update("vs_index", updatedDef);

例子

The following example deletes the MongoDB Search index named example_index created in the Create a Search Index section of this page. The code passes the index name to the SearchIndexes.DropOne() method to delete the index:

movieCollection.SearchIndexes.DropOne("example_index");

API 文档

要进一步了解本指南所提及的方法和类型，请参阅以下 API 文档：

• CreateSearchIndexModel

• SearchIndexType

• CreateOne()

• CreateMany()

• List()

• Update()

• DropOne()