$rerank$rerank阶段使用 Voyage AI 的重新排序模型对输入文档进行重新排序，并返回按相关性与查询排序的相同文档。$rerank阶段可以出现在聚合管道的任何位置。MongoDB 建议您在$vectorSearch、$search、$rankFusion或$scoreFusion阶段之后使用$rerank。
语法
$rerank管道阶段采用以下语法：
{ "$rerank": { "query": { "text": "<query-text>" }, "path": "<text-field-name>", "numDocsToRerank": <number-of-documents-to-rerank>, "model": "<reranker-model>" }}字段
$rerank 阶段采用包含以下字段的文档：
字段 | 类型 | 必要性 | 说明 |
|---|---|---|---|
| 对象 | 必需 | 用于重新排名的查询。 |
| 字符串 | 必需 | 用于重新排名的查询文本。示例，您可以指定：
|
| 字符串或字符串数组 | 必需 | |
| Int | 必需 | 发送到 Voyage AI进行重新排名并在结果中返回的最大文档数。根据管道定义的文档顺序选择文档。 最大值必须小于或等于 |
| 对象 | 必需 | Voyage AI 模型，用于对文档进行重新排序。值可以是以下模型之一：
|
Considerations
在使用 $rerank 之前，请查看要求、限制和 $rerank 行为。
要求
要使用 $rerank：
确保您的集群运行 MongoDB 9.0 或更高版本。
通过 Project Settings 启用原生重排名。要了解更多信息，请参阅 启用或禁用原生重排名。
rerank-3 和 rerank-3-lite 模型具有以下附加要求：
- 您的集群必须是运行 MongoDB 9.0 或更高版本的专用集群（
M10或更高版本）。
要了解这些模型的支持状态，请参阅 当前模型状态。
限制
您不能使用 $rerank 阶段：
适用于自管理或 Atlas Local 部署。
用于
$rankFusion或$scoreFusion输入管道。查询 视图。
如果您在视图上有 MongoDB Search 或 MongoDB Vector Search 索引，请在源集合上运行
.aggregate()而不是视图来查询索引。使用客户端字段级加密或 Queryable Encryption。包含
$rerank的管道会失败，并出现类似Unrecognized pipeline stage name: '$rerank'的错误。此限制适用于所有集合，包括没有加密字段的集合，以及在子管道（例如
$unionWith）中使用$rerank的情况。
rerank-3 和 rerank-3-lite 模型还有以下附加限制：
仅适用于运行 MongoDB 9.0 或更高版本的专用集群（
M10或更高版本）。尚不适用于免费集群 (
M0) 或 Flex 集群。
行为
$rerank 可以出现在管道中的任何位置。但是，MongoDB 建议在 $search 或 $vectorSearch 等已按排序返回相关文档的阶段之后使用 $rerank。
$rerank 重新排序并返回传递到此阶段的前 numDocsToRerank 个文档。如果 $rerank 是第一阶段，或者先前的阶段未返回确定性排序的结果，则用于 $rerank 的文档可能会在查询之间发生变化。
$rerank 如果 path 中指定的任何字段在一个或多个输入文档中不存在，则返回错误。为了缓解这一问题，请使用：
要了解有关 $rerank 实施的内存限制以及请求超出限制时返回的错误，请参阅 $rerank 请求因内存限制错误而失败。
查询
query.text 字段确定重排名模型如何对每个文档进行评分。指定的 Voyage 重排名模型 计算查询文本与指定 path 处的每个文档内容之间的相关性分数。对于大多数使用案例，请将 $rerank.query.text 设置为与前面 $search 或 $vectorSearch 阶段的查询相同或相似的文本。
评分
使用 score 变量和 $meta 表达式检索$rerank 阶段结果中每个文档的分数。
示例：将重新排名分数添加到管道
{ "$addFields": { "rerankScore": { "$meta": "score" } }}$rerank 阶段将 $meta: "score" 的值替换为新分数。要保留 $rankFusion 等前一阶段的值，您可以在 $rerank 阶段之前将分数项目到命名字段中。
示例：保留前一阶段的分数
{ "$addFields": { "originalRankFusionScore": { "$meta": "score" } }},{ "$rerank": { ... }},{ "$addFields": { "rerankScore": { "$meta": "score" } }}性能与准确性
$rerank 阶段可能会涉及大量计算，具体取决于输入的大小，例如要重新排序的字段、要重新排序的文档数量和查询文本。$rerank 在查询时间内共同处理查询和文档。因此，$rerank 可能比索引提供的相关性搜索慢，例如 $search 或 $vectorSearch 的索引。为了平衡准确性和性能，请配置 numDocsToRerank 和 path 以限制输入大小。$rerank 不会在 Atlas 集群资源上运行 Voyage AI 重新排序模型。
$rerank 最适合在资源检索质量优先于超低延迟的工作负载，例如 RAG 和代理 AI 应用程序。对于需要超低延迟的工作负载，MongoDB 建议使用索引驱动的搜索阶段，例如 $search 或 $vectorSearch。
例子
以下示例演示了如何使用 $rerank 阶段根据 Voyage AI重排序器模型对 sample_mflix.embedded_movies集合中的文档重新排序。查询在$match阶段之后使用 $rerank，以使用 rerank-2.5 重新排序器模型对文档重新排序。在以下聚合管道中：
$match阶段筛选文档，以仅包含具有 string 类型的plot字段的文档。$sort阶段按released字段的降序对文档进行排序，以确保确定性的排序。$rerank阶段使用rerank-2.5重排序器模型对文档重新排序以匹配查询。$addFields阶段将名为rerankScore的字段添加到文档中。
db.embedded_movies.aggregate([ { "$match": { "plot": { "$exists": true, "$type": "string" } } }, { "$sort": { "released": -1 } }, { "$rerank": { "model": "rerank-2.5", "query": { "text": "a group of heroes band together to stop a powerful enemy and save the world" }, "numDocsToRerank": 100, "path": ["title", "plot"] } }, { "$addFields": { "rerankScore": { "$meta": "score" } } }, { "$limit": 10 }, { "$project": { "_id": 0, "title": 1, "plot": 1, "rerankScore": 1 } }])