在MongoDB Atlas中使用向量搜索的实现与示例

在现代数据处理和人工智能应用中，向量搜索技术变得越来越重要。MongoDB Atlas 提供了一个强大的向量搜索功能，通过结合 Llama Index 和 MongoDB Atlas，我们可以实现高效的向量存储和检索。本文将介绍如何在 MongoDB Atlas 中配置向量搜索，并提供一个简单的示例代码来展示如何使用这些功能。

配置 MongoDB Atlas 向量搜索

在开始之前，您需要确保安装了 pymongo Python 包，并拥有一个与 MongoDB Atlas 集群相关的连接字符串，该集群上已启用 Atlas 向量搜索索引。具体步骤如下：

1. 创建 MongoDB Atlas 集群：首先，您需要在 MongoDB Atlas 上创建一个集群。
2. 启用向量索引：在 Atlas GUI 中为您的数据库启用向量索引。

以下是 JSON 编辑器中的向量搜索索引定义示例：

{
    "name": "index_name",
    "type": "vectorSearch",
    "fields":[
        {
            "type": "vector",
            "path": "embedding",
            "numDimensions": 1536,
            "similarity": "cosine"
        }
    ]
}

示例代码

以下是一个使用 llama-index-vector-stores-mongodb 库在 MongoDB Atlas 中进行向量存储和检索的示例代码：

# 安装依赖包
# pip install llama-index-vector-stores-mongodb pymongo

import pymongo
from llama_index.vector_stores.mongodb import MongoDBAtlasVectorSearch

# 确保您有正确的 MongoDB URI 和凭据
mongo_uri = "mongodb+srv://<username>:<password>@<host>?retryWrites=true&w=majority"
mongodb_client = pymongo.MongoClient(mongo_uri)

# 创建 MongoDBAtlasVectorSearch 实例
vector_store = MongoDBAtlasVectorSearch(mongodb_client)

# 示例: 添加节点
nodes_to_add = [...]  # 这里应该是您的节点数据
add_results = vector_store.add(nodes_to_add)  # 添加节点到索引
print("Added nodes:", add_results)

# 示例: 查询节点
query_vector = [...]  # 查询向量
query_result = vector_store.query(query_vector)  # 查询索引
print("Query results:", query_result)

# 示例: 删除节点
doc_id_to_delete = "your_doc_id"
vector_store.delete(doc_id_to_delete)  # 从索引中删除节点
print(f"Deleted node with doc_id: {doc_id_to_delete}")

注意： 请将代码中的 <username>, <password>, <host>, nodes_to_add, query_vector 和 your_doc_id 替换为实际的值和数据。

常见错误及解决办法

1. 连接错误：确保 MongoDB URI 是正确的，且集群地址和凭据无误。可以通过连接测试来排除网络问题。
2. 索引未启用：确保在 MongoDB Atlas GUI 中已启用向量搜索索引，并且索引配置正确。
3. 数据格式错误：添加节点时，确保节点数据符合预期的格式，尤其是嵌入向量的维度和类型。

如果您遇到其他问题，可以参考 MongoDB Atlas 文档 或 Llama Index 文档 进行进一步排查。

如果你觉得这篇文章对你有帮助，请点赞，关注我的博客，谢谢!