自动嵌入概述

启用并使用自动嵌入

1
{
2
  "fields": [
3
    {
4
      "type": "autoEmbed",
5
      "modality": "text",
6
      "path": "<field-to-index>",
7
      "model": "<embedding-model>"
8
    },
9
    {
10
      "type": "filter",
11
      "path": "<field-to-index>"
12
    },
13
    ...
14
  ]
15
}

1
[
2
  {
3
    "$vectorSearch": {
4
      "index": "<index-name>",
5
      "path": "<field-to-index>",
6
      "query": "<query-text>",
7
      "model": "<embedding-model>"
8
    }
9
  },
10
  {
11
    "$project": {
12
      "_id": 0,
13
      "<field-to-index>": 1,
14
      "score": { "$meta": "vectorSearchScore" }
15
    }
16
  }
17
]

嵌入存储

自动嵌入索引异步生成向量嵌入，并持久保存到单独保留数据库上的MongoDB 集群。每个自动嵌入索引都有一个对应的生成嵌入集合。生成的嵌入集合存储在同一集群上的专用内部数据库中。

要学习；了解更多信息，请参阅生成的嵌入集合。

可用型号

MongoDB Vector Search 与 Voyage AI 最先进的嵌入模型集成，每个模型都针对特定使用案例进行了优化：

要学习；了解更多信息，请参阅用于自动嵌入的模型。

关键概念

内嵌模型

嵌入模型是将数据转换为向量嵌入的算法，而向量嵌入可捕获数据的语义或根本的含义。这些向量启用向量搜索。

要学习；了解有关自动嵌入的嵌入模型的更多信息，请参阅可用模型。

向量嵌入

向量嵌入是一个数字数组，每个维度代表数据的不同功能或属性。向量可用于表示任何类型的数据，从文本、图像和视频到非结构化数据。您可以通过将数据传递到嵌入模型来创建向量嵌入，并且可以存储这些嵌入存储在支持向量嵌入的数据库中，例如MongoDB。

要学习；了解有关自动嵌入的嵌入存储的更多信息，请参阅生成的嵌入集合。

tokens

在嵌入模型和法学硕士中，词元是模型处理以创建嵌入或生成文本的文本的基本单位，例如单词、子词或字符。令牌是针对使用嵌入模型和 LLM 的计费方式。

要学习；了解有关用于自动嵌入的令牌的更多信息，请参阅管理自动嵌入的计费。

速率限制

速率限制是API提供商对用户在特定时间范围内可以发出的请求数量施加的限制，通常以每分钟的令牌数 (TPM) 或每分钟的请求数 (RPM) 来衡量。这些限制可确保公平使用，防止滥用，并为所有用户保持服务的稳定性和性能。

要学习；了解有关自动嵌入速率限制的更多信息，请参阅速率限制。

量化

量化会降低向量嵌入的精度，以减少内存和存储使用量，但会牺牲搜索准确性。对于自动嵌入， MongoDB Vector Search 支持以下量化类型：

量化类型	说明
float	将向量嵌入存储为 32 位浮点值。
scalar	将每个向量维度从 32 位浮点数减少为 8 位整数。
binary	将每个向量维度减少到一位，并对排名靠前的结果重新评分。
binaryNoRescore	将每个向量维度减少为一位，无需重新评分。

要学习；了解有关自动嵌入的量化的更多信息，请参阅关于量化。

维度数

维数指定每个文档的嵌入向量的长度（大量中有多少个数字）。更高的维度可以捕获更多的语义细节，通常可以提高检索准确性，但会增加存储和计算成本（索引大小、 RAM使用量，有时还会延迟）。

要学习；了解更多信息，请参阅numCandidates 选择。

相似度

相似度函数用于衡量两个向量之间的相似度，或查询向量与索引中向量的接近程度。 MongoDB Vector Search 支持以下相似度函数：

• cosine — 根据向量之间的角度测量相似度。

• dotProduct - 测量类似于 cosine 的相似度，但考虑了向量的幅度。我们建议将此相似度函数用于全保真或 scalar 量化。

• euclidean — 测量向量两端之间的距离。我们建议将此相似度函数用于 binary 或 binaryNoRescore 量化，其中向量被压缩，汉明或欧几里得空间中的距离是正确的信号。

要学习；了解有关自动嵌入的相似度函数的更多信息，请参阅关于相似度函数。