Overview
在本指南中，您可以学习如何使用 Kotlin 同步驱动程序执行 MongoDB Vector Search 搜索查询。Aggregates构建者类提供了 vectorSearch() 辅助程序，可用于创建 $vectorSearch 管道阶段。
执行向量搜索
在执行MongoDB Vector Search 查询之前，您必须在集合上创建MongoDB Vector Search索引。要学习如何以编程方式创建向量搜索索引，请参阅MongoDB 搜索和向量搜索索引指南。
然后，您可以在聚合管道中使用 vectorSearch() 方法运行MongoDB Vector Search查询。此方法接受以下参数：
path：要搜索的字段queryVector：表示搜索查询的向量嵌入indexName：要使用的MongoDB Vector Search索引的名称limit：要返回的最大结果数options：（可选）可用于配置向量搜索查询的一设立选项
基本向量搜索示例
此示例运行执行以下操作的MongoDB Vector Search查询：
查询
plot_embedding向量字段。将结果限制为
5个文档。指定考虑
150个候选的近似最近邻 (ANN)向量搜索。要学习；了解有关 ANN 搜索的更多信息，请参阅MongoDB Atlas文档中的 ANN 搜索。
val vectorValues = FloatArray(1536) { i -> (i % 10).toFloat() * 0.1f }val queryVector = BinaryVector.floatVector(vectorValues)val indexName = "<vector search index>"
// Specifies the path of the field to searchval fieldSearchPath: FieldSearchPath = fieldPath("plot_embedding")
// Creates the vector search pipeline stage with a limit and numCandidatesval pipeline: List<Bson> = listOf( vectorSearch( fieldSearchPath, queryVector, indexName, 5L, approximateVectorSearchOptions(150) ), project( Projections.fields( Projections.excludeId(), Projections.include("title") ) ))
val results = collection.aggregate(pipeline)
results.forEach { doc -> println(doc.toJson())}提示
查询向量类型
前面的示例创建了一个 BinaryVector实例提供服务查询向量，但您也可以创建 Double 实例的 List。 但是，我们建议您使用 BinaryVector 类型以提高存储效率。
Vector Search Score 示例
以下示例展示了如何运行与前面的示例相同的向量搜索查询，并打印文档的向量搜索元分数。该分数表示每个文档与查询向量的相关性：
val pipeline: List<Bson> = listOf( vectorSearch( fieldSearchPath, queryVector, indexName, 5L, approximateVectorSearchOptions(150) ), project( Projections.fields( Projections.excludeId(), Projections.include("title"), Projections.metaVectorSearchScore("score") ) ))
val results = collection.aggregate(pipeline)
results.forEach { doc -> println("Title: ${doc.getString("title")}, Score: ${doc.getDouble("score")}")}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：