/ /

/ /

运行Atlas Vector Search查询

Overview

您可以将 MongoDB 向量搜索与 EF Core 提供商一起使用，对存储在 Atlas 中的数据执行语义搜索。向量搜索基于语义含义而非关键字匹配来查询数据，从而可以检索到更相关的结果。您可以使用 MongoDB 向量搜索来支持语义搜索、混合搜索和检索增强生成 (RAG)等使用案例。

要学习；了解有关MongoDB Vector Search 的更多信息，请参阅Atlas文档中的MongoDB Vector Search 概述。

样本数据

本指南中的示例使用 sample_mflix数据库中的 embedded_movies集合。此集合中的文档使用以下 Movie 类作为模型：

public class Movie
{
    public ObjectId Id { get; set; }
    public string Title { get; set; } = null!;
    public string Plot { get; set; } = null!;
    public float[] PlotEmbedding { get; set; } = null!;
}

embedded_movies 集合是 Atlas 提供的示例数据集的一部分。要设置集群并加载此示例数据，请参阅快速入门指南。

模型定义

要将 MongoDB 向量搜索与 EF Core 提供商一起使用，请在实体类上定义向量字段。使用 IsVectorIndex() 流畅 API 方法在该字段上配置向量索引。

以下示例定义了一个具有名为 PlotEmbedding 的向量字段的 Movie 实体，并在该字段上配置了向量索引。

public class MoviesDbContext : DbContext
{
    public DbSet<Movie> Movies { get; init; } = null!;
    public MoviesDbContext(DbContextOptions options) : base(options) { }
    protected override void OnModelCreating(ModelBuilder modelBuilder)
    {
        modelBuilder.Entity<Movie>(entity =>
        {
            entity.ToCollection("embedded_movies");
            entity.Property(m => m.Title).HasElementName("title");
            entity.Property(m => m.Plot).HasElementName("plot");
            entity.Property(m => m.PlotEmbedding).HasElementName("plot_embedding")
                .HasBinaryVectorDataType(BinaryVectorDataType.Float32);
            entity.HasIndex(m => m.PlotEmbedding, "vector_index")
                .IsVectorIndex(VectorSimilarity.Cosine, 1536);
        });
    }
}

注意

创建索引后，您不能使用 EF Core 提供商更改或删除索引。要更改或删除索引，请使用 .NET/C# 驱动程序。要了解更多信息，请参阅 .NET/C# 驱动程序文档中的 MongoDB Search 和 MongoDB 向量搜索索引指南。

支持的向量嵌入类型

EF Core 提供商支持以下类型的向量嵌入：

数组表示

EF Core 提供商支持以下数组类型作为向量嵌入：

float[]
double[]
Memory<float> 和 ReadOnlyMemory<float>
Memory<double> 和 ReadOnlyMemory<double>

二进制表示

EF Core 提供商支持以下二进制向量类型，与数组类型相比，这些类型可以减少存储并提高查询性能：

BinaryVectorFloat32 — 全精度 32 位浮点
BinaryVectorInt8 — 8 位量化整数
BinaryVectorPackedBit — 1位打包二进制值

.NET/C# 驱动程序的 MongoDB.Driver 命名空间包含用于配置二进制向量索引的 VectorQuantization 和 VectorSimilarity 枚举。

向量搜索查询示例

您可以使用 VectorSearch() 方法运行向量搜索查询。以下示例查询 embedded_movies 集合中具有与 "时间旅行冒险" 在语义上相似的 PlotEmbedding 字段值的电影，然后返回最多 10 个匹配文档。

// Replace queryVector with a 1536-dimension embedding vector from your model
float[] queryVector = new float[] { 0.1f, -0.2f, 0.3f, ... };
var results = context.Movies
    .VectorSearch(m => m.PlotEmbedding, queryVector, limit: 10)
    .ToList();