文档中心

文档数据库 MongoDB 版

向量索引

概述

本文介绍文档数据库 MongoDB 版的向量搜索功能。

说明

当前向量搜索功能正处于邀测阶段，如需使用，请提交工单联系技术申请使用。

功能介绍

向量搜索是一种基于数据语义或内在含义返回检索结果的搜索方法。与传统的全文搜索（即通过查找文本匹配来实现）不同，向量搜索会在多维空间中寻找与搜索查询相近的向量。向量与查询之间的距离越近，其含义就越相似。通过解析搜索查询和数据的含义，向量搜索能够考虑搜索者的意图和搜索语境，从而检索出更具相关性的结果。更多详情，请参见 Vector Search。

文档数据库 MongoDB 提供了 Vector Search 能力，您可以将 Vector Search 与其他嵌入模型和生成模型结合使用，满足您在应用程序中实现向量搜索、检索增强生成（RAG）和 AI Agent 等需求。此外，文档数据库 MongoDB 版还提供 Auto Embedding 能力，结合方舟的 Embedding 模型，让您无需在应用中维护向量生成流程。

常见向量搜索场景

文档数据库 MongoDB 版的 Vector Search 常用于如下向量搜索场景。

语义检索

使用 ANN 或 KNN 搜索算法，根据语义相似性查询向量嵌入。更多详情，请参见向量搜索查询。

生成式检索

将 MongoDB 作为向量数据库，使用 MongoDB Vector Search 为自然语言处理（NLP）、机器学习（ML）和生成式 AI 应用程序提供检索数据支持。更多详情，请参见使用 MongoDB 进行检索增强生成 (RAG)。

基本使用流程

使用向量搜索功能前，您需要先确定向量的生成方式：

自动：在创建索引时指定要向量化的文本字段和模型，MongoDB 自动完成向量的生成、存储与更新，查询时自动为查询文本生成向量。您无需编写向量生成代码，也无需维护向量与源数据的同步。具体操作步骤，请参见创建 Auto Embedding 向量索引。

手动：自行调用嵌入模型生成向量，与原始数据一同写入，查询时自行生成查询向量。

下文以手动方式为例，介绍具体操作步骤。

准备与生成向量

使用合适的嵌入模型（如火山引擎方舟平台提供的模型）将原始数据（如文本、图像）转换为向量（即浮点数数组）。您需要通过编写独立的程序或脚本，调用所选模型的网络接口或加载本地模型来生成这些向量数据。目前暂不支持内置的向量生成功能。

说明

关于使用不同模型和编程语言生成向量的具体代码实现（如 Python 示例），请参见如何手动创建向量嵌入。该指南提供了从加载数据、调用模型到存储向量的完整脚本示例。

存储数据与向量

将原始数据和已生成的向量字段一同写入集合。向量字段以数组类型（如 [0.1, 0.2, ...]）存储。

创建向量索引

为获得高效的检索性能，需在向量字段上创建vector类型索引。创建时，可重点关注以下参数：

type：固定设置为"vector"，表示此为向量搜索索引。

dimensions：向量维度，必须与您的嵌入模型输出的向量维度完全一致，否则索引创建将失败。

similarity：向量相似度计算方式，可选cosine（余弦相似度）、euclidean（欧氏距离）或dotProduct（点积）。

quantization：向量量化类型，用于压缩向量以降低存储和内存开销，可选值如下：

"none"（默认）：不量化，使用 32 位浮点数全精度向量。

"scalar"：标量量化，将向量从浮点数转换为整数（int8），存储和内存开销约为全精度的 1/4。

"binary"：二值量化，将向量转换为 1 位（0 或 1）表示。此方式可大幅降低内存开销。

说明

关于索引的创建流程和配置项说明，请参见创建索引。

执行向量搜索

使用$vectorSearch聚合阶段进行向量相似性查询。您需要指定查询向量（queryVector）、目标索引（index）和返回结果数（limit）等核心参数。此外，还支持通过filter参数进行预过滤，或通过调整numCandidates参数来平衡查询延迟与召回率。

说明

关于$vectorSearch的完整语法、所有参数说明、预过滤详情及性能调优建议，请参见运行向量搜索查询。

最近更新时间：2026.10.13 19:43:53

这个页面对您有帮助吗？

有用

无用