生成式人工智能使用向量对非结构化数据(文本、图像和音频)进行智能语义搜索。向量对于构建推荐引擎、异常检测和对话式人工智能至关重要。MongoDB 的原生功能使得广泛的应用场景得以实现,并提供了变革性的用户体验。




自动嵌入是直接在 MongoDB 中为数据生成向量嵌入的功能。当您在向量搜索索引中定义自动嵌入字段时,MongoDB 会在摄取、更新和查询时自动使用 Voyage AI 模型创建嵌入,从而使向量与您的文档同步,而无需外部管道。
MongoDB Vector Search 支持根据向量中捕获的语义来搜索数据,而 MongoDB Search 则支持关键字搜索(即基于实际文本和任何定义的同义词映射)。
可以,MongoDB 是向量数据库。Atlas 是完全托管的、AI 就绪的智能数据平台,具有丰富的功能,包括文本或词汇和向量搜索。不同于使用独立或附加的向量数据库,我们平台的多功能性使用户能够存储其操作数据、元数据和向量嵌入,并无缝使用向量搜索进行索引、检索和构建高性能的生成式人工智能应用程序。MongoDB Vector Search 也适用于 MongoDB Enterprise Advanced,这是在本地和私有云生产中运行 MongoDB 的最灵活的方式。它也可用于 MongoDB Community Edition。
在使用“自动嵌入”时,推理、身份验证、扩展、重试和同步由 MongoDB 进行管理。无需预配外部嵌入服务,无需轮换密钥,也无需操作同步基础架构。嵌入模型将根据您的实际令牌用量计费。
在使用“自带嵌入”时,您负责引入来自您选择的提供程序的生成向量嵌入。所有相关操作(计费、费率限制、API 密钥管理)均需要由您处理。
KNN 是“K-最近邻”的缩写,是一种常用于查找相邻向量的算法。
ANN 是“近似最近邻”的缩写,是一种寻找相似向量的途径,以牺牲准确性为代价来提升性能。这是用于支持 Atlas Vector Search 的核心算法之一。我们的近似最近邻搜索算法使用分层可导航小世界 (HNSW) 图来有效地索引和查询数百万个向量。
ENN 是“精确最近邻”的缩写,是一种查找相似向量的方法,以牺牲一些性能来换取准确性。此方法返回与查询向量最接近的向量,向量数量由变量限制指定。精确向量搜索 (ENN) 查询执行可以为最多 10,000 个文档的未筛选查询保持亚秒级延迟。它还可以为高度选择性的过滤器提供低延迟响应,将大量文档限制为 10,000 个或更少,并按向量相关性排序。
是的,MongoDB Vector Search 可以查询任何可以转化为向量嵌入的数据。document model 的好处之一是您可以将嵌入与丰富的数据一起存储在文档中。
原生重排序 ($rerank) 通过将 Voyage AI 的顶级重排序模型直接集成到 MongoDB 查询引擎中,瞬间提高了检索精度。MongoDB 原生重排序允许用户确保仅将高度相关的数据传送到 LLM,从而优化词元开销并提高准确性。
.jpg)