自动嵌入概述

启用并使用自动嵌入

1
{
2
  "fields": [
3
    {
4
      "type": "autoEmbed",
5
      "modality": "text",
6
      "path": "<field-to-index>",
7
      "model": "<embedding-model>"
8
    },
9
    {
10
      "type": "filter",
11
      "path": "<field-to-index>"
12
    },
13
    ...
14
  ]
15
}

1
[
2
  {
3
    "$vectorSearch": {
4
      "index": "<index-name>",
5
      "path": "<field-to-index>",
6
      "query": "<query-text>",
7
      "model": "<embedding-model>"
8
    }
9
  },
10
  {
11
    "$project": {
12
      "_id": 0,
13
      "<field-to-index>": 1,
14
      "score": { "$meta": "vectorSearchScore" }
15
    }
16
  }
17
]

嵌入存储

自动嵌入索引异步生成 vector embeddings，并持久保存到单独保留数据库上的MongoDB 集群。每个自动嵌入索引都有一个对应的生成嵌入集合。生成的嵌入集合存储在同一集群上的专用内部数据库中。

要学习；了解更多信息，请参阅生成的嵌入集合。

可用型号

MongoDB Vector Search 与 Voyage AI 最先进的嵌入模型集成，每个模型都针对特定使用案例进行了优化：

要学习；了解更多信息，请参阅用于自动嵌入的model。

关键概念

内嵌模型

embedding model是将数据转换为vector embeddings的算法，而vector embeddings可捕获数据的语义或根本的含义。这些向量启用向量搜索。

要学习有关自动嵌入的embedding model的更多信息，请参阅可用model。

向量嵌入

向量嵌入是一个数字数组，每个维度代表数据的不同功能或属性。向量可用于表示任何类型的数据，从文本、图像和视频到非结构化数据。您可以通过将数据传递到嵌入模型来创建向量嵌入，并且可以存储这些嵌入存储在支持向量嵌入的数据库中，例如MongoDB。

要学习；了解有关自动嵌入的嵌入存储的更多信息，请参阅生成的嵌入集合。

tokens

在嵌入模型和法学硕士中，词元是模型处理以创建嵌入或生成文本的文本的基本单位，例如单词、子词或字符。令牌是针对使用嵌入模型和 LLM 的计费方式。

要学习；了解有关用于自动嵌入的令牌的更多信息，请参阅管理自动嵌入的计费。

速率限制

速率限制是API提供商对用户在特定时间范围内可以发出的请求数量施加的限制，通常以每分钟的令牌数 (TPM) 或每分钟的请求数 (RPM) 来衡量。这些限制可确保公平使用，防止滥用，并为所有用户保持服务的稳定性和性能。

要学习；了解有关自动嵌入速率限制的更多信息，请参阅速率限制。

量化

Quantization reduces the precision of vector embeddings to decrease memory and 存储 usage, with trade-offs in search accuracy.对于自动嵌入， MongoDB Vector Search 支持以下 quantization 类型：

Quantization 类型	说明
float	将 vector embeddings 存储为 32 位 float 值。
scalar	将每个向量维度从 32 位 float 减少为 8 位整数。
binary	将每个向量 dimensions 减少到一位，并对排名靠前的结果重新评分。
binaryNoRescore	将每个向量 dimensions 减少为一位，无需重新评分。

要学习；了解有关自动嵌入的 quantization 的更多信息，请参阅关于 quantization。

维度数

The number of dimensions specifies the length of the embedding vector for each document (how many numbers are in the 数组).更高的dimensions可以捕获更多的语义细节，通常可以提高检索准确性，但会增加存储和计算费用（索引大小、 RAM使用量，有时还会延迟）。

要学习；了解更多信息，请参阅 numCandidates 选择。

相似度

相似度函数用于衡量两个向量之间的相似度，或查询向量与索引中向量的接近程度。MongoDB Vector Search 支持以下相似度函数：

• cosine — 根据向量之间的角度测量相似度。

• dotProduct - 测量类似于 cosine 的相似度，但考虑了向量的幅度。我们建议将此相似度函数用于全保真或 scalar quantization。

• euclidean — 测量向量两端之间的距离。我们建议将此相似度函数用于 binary 或 binaryNoRescore quantization，其中向量被压缩，汉明或欧几里得空间中的距离是正确的信号。

要学习；了解有关自动嵌入的相似度函数的更多信息，请参阅关于相似度函数。