MongoDB предоставляет встроенный векторный поиск через $vectorSearch, включая возможность выполнять запросы семантического сходства прямо в базе данных — что исключает необходимость в отдельном векторном хранилище.
Модель документов позволяет хранить embeddings, метаданные и исходный контент в одном документе. Это означает, что связанные AI-данные остаются рядом, снижая сложность и латентность при выборке данных.
MongoDB интегрируется из коробки с популярными LLM-фреймворками, такими как:
LangChainLlamaIndexSemantic KernelЭти интеграции позволяют легко строить RAG (Retrieval-Augmented Generation) пайплайны без самописного middleware.
Гибкая схема MongoDB хорошо подходит для использования в роли ML feature store, где:
AI-воркфлоу часто работают с неоднородными, эволюционирующими данными — неструктурированный текст, embeddings, метки и скоры. Модель документов естественно вмещает это разнообразие, позволяя командам быстро итерировать без жёстких ограничений схемы.
Оператор $vectorSearch в MongoDB требует, чтобы данные хранились в отдельной специализированной базе векторов для функционирования, поскольку модель документов не может эффективно хранить embeddings вместе с метаданными.
Новый — ещё не проверен сообществом
Вы