Какие основные возможности и сценарии использования MongoDB Atlas Vector Search для хранения и поиска векторных эмбеддингов?

Обзор

MongoDB Atlas Vector Search — это встроенная возможность, которая позволяет хранить и искать многомерные векторные embeddings прямо рядом с традиционными данными документов — что исключает необходимость отдельной векторной базы данных.

Основные возможности

• k-Nearest Neighbor (kNN) поиск — находит наиболее семантически похожие векторы к заданному вектору запроса
• Гибридные запросы — комбинирует поиск по сходству векторов со стандартными фильтрами MongoDB для точных, контекстно-зависимых результатов
• Нативная интеграция — embeddings хранятся как поля в обычных документах MongoDB, что держит связанные данные вместе

Как это работает

Индекс определяется с использованием типа vectorSearch, указывая поле embedding и количество измерений:

Запросы используют стадию агрегации $vectorSearch для получения наиболее релевантных результатов на основе семантического сходства.

Основные случаи использования

• Семантический поиск — возвращает результаты на основе смысла вместо точного совпадения ключевых слов
• Retrieval Augmented Generation (RAG) — извлекает релевантные документы для предоставления контекста ответам LLM
• Системы рекомендаций — выводит похожие элементы на основе поведения пользователя или embeddings контента
• AI/ML пайплайны — поддерживает воркфлоу на основе embeddings без дополнительной инфраструктуры

Почему это важно

Комбинируя vector search с существующим движком запросов MongoDB, команды могут создавать AI-приложения без управления несколькими базами данных. Это упрощает архитектуру, снижает задержки и держит операционные данные и embeddings полностью синхронизированными.