文档中心

文档数据库 MongoDB 版

向量索引

编辑向量索引

编辑向量索引

向量索引是实现 MongoDB 向量搜索的基础，其配置直接影响检索效果、存储成本和查询性能。当业务需求发生变化时，您可以通过编辑索引配置来调整相关参数。本文介绍如何在控制台上编辑向量索引。

前提条件

已创建 MongoDB 8.3 及以上版本的实例，并已开启检索功能。具体操作步骤，请参见创建实例。

实例状态为运行中。关于实例状态的更多详情，请参见实例状态。

实例已成功创建至少一个向量索引。具体操作步骤，请参见创建向量索引。

注意事项

目前仅支持编辑向量化方式为手动的索引。

索引名称、数据库名和表名暂不可编辑。

操作步骤

登录 MongoDB 控制台。

在顶部菜单栏，选择实例所属的项目和地域。

根据实例类型，在左侧导航栏中选择副本集实例列表或分片集实例列表。

在目标实例类型列表页，单击目标实例名称。

在实例详情页，单击 AI 能力页签。

在向量索引子页签下的索引列表中，找到目标索引，然后单击右侧操作列的编辑。

在弹出的编辑向量索引面板中，根据业务需要修改如下参数。

参数			是否必填	说明
配置信息	配置方法	是	您可选择可视化编辑器和 JSON 编辑器进行配置。可视化编辑器向量字段必填，单击添加向量字段，配置如下参数：字段路径：设置字段路径，即明确索引需要建立在哪个字段上。更多详情，请参见 path。向量维度：设置 MongoDB 向量搜索在索引时和查询时强制执行的向量维度数量。取值范围：1~8192。更多详情，请参见 numDimensions。相似度计算方式：从下拉列表中选择相似度算法。取值范围如下：点积（默认）：基于向量之间的夹角和幅度来衡量相似度。更多详情，请参见 Dot Product。欧氏距离：测量向量端点之间的距离，可用于从不同维度来衡量相似度。更多详情，请参见 Euclidean。余弦相似度：基于向量之间的夹角来测量相似度，可用于衡量不受 Magnitude （幅度）缩放影响的相似度。更多详情，请参见 Cosine。量化方式：从下拉列表中选择量化方式。量化是一种通过降低向量数据精度，来减少向量搜索索引对存储空间和内存占用的技术。更多详情，请参见向量量化。您可以根据实际业务对成本、性能、精度的需要，选择合适的量化方式： Binary：即对向量的数值信息二值化（Binarization）。若您的业务对向量搜索速度和成本有较高要求，可以选择二进制量化方式。更多详情，请参见 Binary quantization。 Scalar：即对向量的每一个维度（即每一个数值）进行独立量化。若您的业务对数据精度要求较高，可以选择标量量化方式。更多详情，请参见 Scalar quantization。 None：不使用任何量化方式压缩精度，可以保证向量完全不失真。说明支持同时添加多个向量字段，最多添加 20 个。过滤字段选填，单击添加过滤字段，为索引设置预过滤字段的路径。说明对于嵌套字段，使用点分法来指定嵌入式字段的路径，只需要填写字段的 key 即可，不需要填写字段类型。比如 name 、info.age 都是合法值。支持同时添加多个过滤字段，最多添加 20个。 JSON 编辑器您可在 JSON 编辑器中自行配置字段路径、向量维度、相似度计算方式、量化方式和过滤字段路径。

修改完成后，单击确定。

最近更新时间：2026.10.13 19:43:54

这个页面对您有帮助吗？

有用

有用

无用

无用