> Discover all available pages from the documentation index: https://mastra.zisheng.pro/ja/llms.txt

# MongoDB vector store

`MongoDBVector` クラスは、[MongoDB Atlas Vector Search](https://www.mongodb.com/docs/atlas/atlas-vector-search/) を使用したベクトル検索を提供します。MongoDB コレクション内で効率的な類似度検索とメタデータフィルタリングを利用できます。

## インストール

**npm**:

```bash
npm install @mastra/mongodb@latest
```

**pnpm**:

```bash
pnpm add @mastra/mongodb@latest
```

**Yarn**:

```bash
yarn add @mastra/mongodb@latest
```

**Bun**:

```bash
bun add @mastra/mongodb@latest
```

## 使用例

```typescript
import { MongoDBVector } from '@mastra/mongodb'

const store = new MongoDBVector({
  id: 'mongodb-vector',
  uri: process.env.MONGODB_URI,
  dbName: process.env.MONGODB_DB_NAME,
})
```

### 埋め込みフィールドのパスをカスタマイズする

埋め込みをネストされたフィールド構造に保存する必要がある場合（既存の MongoDB コレクションとの統合など）は、`embeddingFieldPath` オプションを使用します。

```typescript
import { MongoDBVector } from '@mastra/mongodb'

const store = new MongoDBVector({
  id: 'mongodb-vector',
  uri: process.env.MONGODB_URI,
  dbName: process.env.MONGODB_DB_NAME,
  embeddingFieldPath: 'text.contentEmbedding', // Store embeddings at text.contentEmbedding
})
```

## コンストラクターオプション

**id** (`string`): この vector store インスタンスの一意な識別子

**uri** (`string`): MongoDB 接続文字列

**dbName** (`string`): 使用する MongoDB データベースの名前

**options** (`MongoClientOptions`): 省略可能な MongoDB クライアントオプション

**embeddingFieldPath** (`string`): 埋め込みベクトルを保存するフィールドのパス。ドット記法によるネストされたパス（例: 'text.contentEmbedding'）に対応します。 (Default: `embedding`)

## メソッド

### `connect()`

MongoDB サーバーへの接続を確立します。初回使用時に自動で呼び出されますが、必要に応じて明示的に呼び出すこともできます。

```typescript
await store.connect()
```

### `createIndex()`

MongoDB に新しいベクトルインデックス（コレクション）を作成します。

**indexName** (`string`): 作成するコレクションの名前

**dimension** (`number`): ベクトルの次元数（埋め込みモデルと一致させる必要があります）

**metric** (`'cosine' | 'euclidean' | 'dotproduct'`): 類似度検索の距離指標 (Default: `cosine`)

**filterFields** (`string[]`): Atlas vectorSearch インデックスでフィルターフィールドとして宣言するメタデータフィールド名（metadata.\<field> として登録）。宣言済みフィールドだけを使用するクエリは、候補 \_id の事前フィルタリングを行わず $vectorSearch に直接プッシュされるため、大規模な結果セットでの 16 MB BSON 制限を回避できます。未宣言フィールドを参照するフィルターや、$vectorSearch が対応していない演算子を使用するフィルターは、自動的に事前フィルターへフォールバックします。

**collectionName** (`string`): インデックス名を持つ管理対象コレクションではなく、既存の運用コレクションにベクトルを保存します。指定した場合、この store がコレクションを作成または削除することはありません。デフォルトは indexName です。

**searchIndexName** (`string`): コレクションに作成する Atlas vectorSearch インデックスの名前。デフォルトは ${indexName}\_vector\_index です。

**allowWrites** (`boolean`): 持ち込みコレクションへの書き込み操作（upsert、updateVector、deleteVector、deleteVectors）をオプトインで有効にします。BYO インデックスはデフォルトで読み取り専用であり、store が呼び出し元所有の運用ドキュメントを変更または削除することはありません。常に書き込み可能な管理対象コレクションでは無視されます。このポリシーはインデックス登録とともに永続化され、再起動後も維持されます。 (Default: `false`)

### `waitForIndexReady()`

作成後のインデックスが準備完了になるまで待機します。操作の実行前にインデックスの準備完了を確実にしたい場合に便利です。

**indexName** (`string`): 待機するインデックスの名前

**timeoutMs** (`number`): 最大待機時間（ミリ秒） (Default: `60000`)

**checkIntervalMs** (`number`): 状態確認の間隔（ミリ秒） (Default: `2000`)

### `upsert()`

コレクション内のベクトルとメタデータを追加または更新します。BYO コレクションはデフォルトで読み取り専用のため、持ち込みインデックスでは `createIndex()` の実行時に `allowWrites: true` を指定する必要があります。

**indexName** (`string`): 挿入先のコレクション名

**vectors** (`number[][]`): 埋め込みベクトルの配列

**metadata** (`Record<string, any>[]`): 各ベクトルのメタデータ

**ids** (`string[]`): 省略可能なベクトル ID（未指定の場合は自動生成されます）

**documents** (`string[]`): ベクトルとともに保存する省略可能なドキュメント本文

### `query()`

省略可能なメタデータフィルタリングを使用して類似ベクトルを検索します。

**indexName** (`string`): 検索対象のコレクション名

**queryVector** (`number[]`): 類似ベクトルを検索するためのクエリベクトル

**topK** (`number`): 返す結果の数 (Default: `10`)

**filter** (`Record<string, any>`): メタデータフィルター（metadata フィールドに適用）

**documentFilter** (`Record<string, any>`): 元のドキュメントフィールドに対するフィルター（メタデータに限定されません）

**includeVector** (`boolean`): 結果にベクトルデータを含めるかどうか (Default: `false`)

**numCandidates** (`number`): 上位 K 件を選択する前に HNSW グラフが検討する候補数。値を大きくすると、レイテンシーと引き換えに再現率が向上します。参照: https\://www\.mongodb.com/docs/atlas/atlas-vector-search/vector-search-stage/ (Default: `20 * topK (capped at 10000)`)

**metadataMode** (`'field' | 'document'`): 'field'（デフォルト）は管理対象の metadata / document フィールドを射影し、filter フィールドを metadata サブドキュメントと照合します。'document' はソースドキュメント全体を metadata として返し、filter フィールドを \*\*root\*\* ドキュメントと照合します（metadata. プレフィックスなし）。独自の構造を持つ運用コレクションの持ち込みに使用します。ペイロードの肥大化を避けるため、埋め込みフィールドはデフォルトで metadata から除外されます。保持して metadata に含め、トップレベルの vector としても公開するには includeVector: true を指定します。 (Default: `field`)

### `createSearchIndex()`

インデックスを支えるコレクションに Atlas Search（BM25/全文検索）インデックスをプロビジョニングし、`textQuery()` と `hybridQuery()` が対象とするテキスト検索インデックスとして記録します。

**管理対象コレクションと持ち込みコレクション:**

- **管理対象**インデックス（`collectionName` なしで作成）では、`createIndex()` がすべての文字列フィールドを対象とする `${collectionName}_search_index` という名前の _dynamic_ 全文インデックスを作成します。そのため `createSearchIndex()` が必要なのは、**フィールドを限定した**マッピングまたは**カスタムインデックス名**を使用する場合だけです。
- **持ち込み**インデックス（`collectionName` を指定して作成）では、`createIndex()` は全文インデックスを自動作成しません。呼び出し元が所有する運用コレクションでの `textQuery()` / `hybridQuery()` はオプトインです。`createSearchIndex()` を明示的に呼び出し、課金対象のテキストインデックスをプロビジョニングしてください。それまでは、`textQuery()` / `hybridQuery()` は存在しないインデックスをクエリせず、明確なエラーをスローします。

命名規則:

- `fields` を指定し、`searchIndexName` を明示しない場合、フィールドマッピング済みインデックスは論理インデックスごとに一意な**別個の**デフォルト名（`${collectionName}_${indexName}_search_fields_index`）で作成されます。管理対象コレクションで自動作成される dynamic インデックスとの衝突によって無視されることを防ぎます。このインデックスはテキスト検索インデックスとして永続化されるため、`textQuery()` / `hybridQuery()` は制限されたマッピングを自動的に使用します。
- `searchIndexName` を指定すると、その名前がそのまま使用、永続化されます。`textQuery()` / `hybridQuery()` は永続化された名前を自動的に解決します。各呼び出しの `searchIndexName` / `textSearchIndexName` パラメーターで名前を上書きすることもできます。

**indexName** (`string`): 検索インデックスを作成するコレクションに対応する Mastra インデックス名

**fields** (`string[]`): 全文検索用にインデックス化するフィールド名。すべての文字列フィールドを対象とする dynamic マッピングでは省略します。

**searchIndexName** (`string`): Atlas Search インデックスの名前。fields を指定してこれを省略すると、論理インデックスごとに一意な別個のデフォルト名が使用されます。これにより、自動作成された dynamic インデックスがフィールドマッピングを隠すことや、同じコレクション上の2つの論理インデックスが衝突することを防ぎます。 (Default: ``${collectionName}_search_index (or ${collectionName}_${indexName}_search_fields_index when `fields` is given)``)

**waitUntilReady** (`boolean`): true の場合、作成した全文インデックスが READY を報告するまで完了を待機します。予期しない遅延を避けるためデフォルトは false です。個別に待機する場合は waitForSearchIndexReady() を明示的に呼び出します。 (Default: `false`)

```typescript
await store.createSearchIndex({
  indexName: 'precedents',
  fields: ['note', 'description'],
})
```

フィールドマッピング済みインデックス名には論理 `indexName` が含まれるため、同じコレクション上の2つの論理インデックスには別々のテキストインデックスが割り当てられます。同じ論理インデックスを異なる `fields` で再作成する場合は、先に既存のインデックスを削除する必要があります（`IndexAlreadyExists`）。

### `waitForSearchIndexReady()`

インデックスの全文検索（BM25）インデックスが READY になるまで待機します。`waitForIndexReady()` がポーリングするのは vectorSearch インデックスだけです。`createSearchIndex()` は Atlas Search 全文インデックスの構築中に戻るため、直後の `textQuery()` / `hybridQuery()` は断続的に失敗することがあります。このメソッドを呼び出すか、`createSearchIndex()` に `waitUntilReady: true` を渡すと、解決されたテキストインデックスが READY になるまで待機します。

**indexName** (`string`): テキストインデックスの準備完了を待つインデックスの論理名

**searchIndexName** (`string`): 解決されたテキスト検索インデックス名を上書き

**timeoutMs** (`number`): 最大待機時間（ミリ秒） (Default: `60000`)

**checkIntervalMs** (`number`): 状態確認の間隔（ミリ秒） (Default: `2000`)

```typescript
await store.createSearchIndex({ indexName: 'precedents', fields: ['note'] })
await store.waitForSearchIndexReady({ indexName: 'precedents' })
```

### `textQuery()`

Atlas Search インデックスに対して全文検索（BM25）を実行します。デフォルトでは、このインデックス用に記録されたテキスト検索インデックス（`createSearchIndex()` で設定、または `createIndex()` が自動作成する dynamic `${collectionName}_search_index`）を対象とします。この呼び出しで特定のインデックスを対象にするには `searchIndexName` を渡します。

ここでのメタデータフィルターは、`hybridQuery()` と同様に `$match` ステージで適用されます。`hybridQuery()` のベクトル分岐では、インデックス作成時に `filterFields` で宣言されていないフィールドのフィルターが、`query()` と同じフォールバックによって候補 `_id` として透過的に具体化されるため、未宣言フィールドのフィルターでもエラーになりません。

**indexName** (`string`): 検索する Mastra インデックスの名前

**query** (`string`): 全文検索のクエリ文字列

**paths** (`string[]`): 検索対象のフィールドパス（例: \["note", "description"]）

**topK** (`number`): 返す結果の数 (Default: `10`)

**filter** (`Record<string, any>`): メタデータフィルター（metadata フィールドに適用）

**metadataMode** (`'field' | 'document'`): 'field'（デフォルト）は管理対象の metadata / document フィールドを射影します。'document' はソースドキュメント全体を metadata として返します。 (Default: `field`)

**searchIndexName** (`string`): この呼び出しで、解決された全文検索インデックス名を上書きします。デフォルトは createSearchIndex() / createIndex() によって永続化されたインデックスです。

```typescript
const results = await store.textQuery({
  indexName: 'precedents',
  query: 'shell company offshore',
  paths: ['note'],
  topK: 10,
})
```

### `hybridQuery()`

MongoDB のサーバー側 `$rankFusion` を使用して、ベクトル類似度と全文検索の結果を融合するハイブリッド検索を実行します。MongoDB 8.0 以降が必要で、8.1 以降では一般提供されています。8.0.x では有効化に MongoDB サポートへの依頼が必要な場合があり、Atlas 8.0.x など有効化された環境で動作します。全文検索インデックスが必要です。管理対象インデックスでは自動作成されますが、持ち込みコレクションでは先に `createSearchIndex()` を呼び出してオプトインする必要があります。

**indexName** (`string`): 検索する Mastra インデックスの名前

**queryVector** (`number[]`): 類似度検索のクエリベクトル

**query** (`string`): 全文検索のクエリ文字列

**paths** (`string[]`): 全文検索の対象となるフィールドパス（例: \["note", "description"]）

**topK** (`number`): 返す結果の数 (Default: `10`)

**filter** (`Record<string, any>`): メタデータフィルター（ベクトルとテキストの両分岐に適用）

**weights** (`{ vector?: number; text?: number }`): 融合時のベクトル結果とテキスト結果の相対的な重み（デフォルト: 1:1）

**numCandidates** (`number`): ベクトル検索分岐の候補数 (Default: `20 * topK (capped at 10000)`)

**metadataMode** (`'field' | 'document'`): 'field'（デフォルト）は管理対象の metadata / document フィールドを射影します。'document' はソースドキュメント全体を metadata として返します。 (Default: `field`)

**textSearchIndexName** (`string`): この呼び出しで、解決された全文検索インデックス名を上書きします。デフォルトは createSearchIndex() / createIndex() によって永続化されたインデックスです。

```typescript
const results = await store.hybridQuery({
  indexName: 'precedents',
  queryVector: embedding,
  query: 'shell company offshore',
  paths: ['note'],
  topK: 10,
  weights: { vector: 1, text: 1.5 }, // Favor text matches
})
```

`hybridQuery()` の `$rankFusion` ステージには MongoDB 8.0 以降が必要です。このステージは 8.1 以降で一般提供されています。8.0.x では有効化に MongoDB サポートへの依頼が必要な場合があり、Atlas 8.0.x など有効化された環境で動作します。古いバージョンを使用している場合、または 8.0.x 環境で `$rankFusion` が有効でない場合は、`query()` と `textQuery()` を個別に使用し、クライアント側で結果をマージしてください。

### `describeIndex()`

インデックス（コレクション）の情報を返します。

**indexName** (`string`): 詳細を取得するコレクションの名前

戻り値:

```typescript
interface IndexStats {
  dimension: number
  count: number
  metric: 'cosine' | 'euclidean' | 'dotproduct'
}
```

### `deleteIndex()`

ベクトルインデックスを削除します。動作はインデックスの作成方法によって異なります。

- **管理対象インデックス**（`collectionName` なしで作成）: コレクション全体とそのすべてのデータを削除します。
- **持ち込みインデックス**（`collectionName` を指定して作成）: Atlas vectorSearch インデックスと、`createSearchIndex()` で作成されている場合は対応する全文検索インデックスを削除します。呼び出し元の運用コレクションとドキュメントは保持されます。この store が、自身で作成していないコレクションを削除することはありません。

BYO の分類はインデックス作成時に永続的に記録されるため、別のプロセスでも正しく適用されます（セットアップジョブで作成したインデックスを、後で長時間稼働するサービスが削除する場合など）。物理コレクション名ではなく、必ず**論理インデックス名**（`createIndex` で使用した `indexName`）を渡してください。

**indexName** (`string`): 削除するインデックスの論理名

### `listIndexes()`

物理コレクション名ではなく、Mastra の**論理**インデックス名（`createIndex` に渡した `indexName`）を一覧表示します。運用コレクションにデータを保存する持ち込みインデックスでは、物理コレクション名ではなく論理インデックス名が返されます。この値はそのまま `deleteIndex()` / `describeIndex()` に渡せます。永続メタデータの導入前に作成された管理対象インデックスも、`${name}_vector_index` 検索インデックスを通じて検出されます。内部レジストリコレクションは一覧に含まれません。

戻り値: `Promise<string[]>`

### `updateVector()`

ID またはメタデータフィルターで単一のベクトルを更新します。`id` と `filter` のいずれか一方だけを指定する必要があります。

> **持ち込みコレクションはデフォルトで読み取り専用です。** BYO インデックスを `allowWrites: true` で作成していない場合、`upsert()`、`updateVector()`、`deleteVector()`、`deleteVectors()` は USER カテゴリーのエラーをスローします。[既存コレクションのインデックス作成](#indexing-an-existing-collection)を参照してください。

**indexName** (`string`): ベクトルを含むコレクションの名前

**id** (`string`): 更新するベクトルエントリの ID（filter とは同時に指定できません）

**filter** (`Record<string, any>`): 更新するベクトルを特定するメタデータフィルター（id とは同時に指定できません）

**update** (`object`): ベクトルやメタデータを含む更新データ

**update.vector** (`number[]`): 更新する新しいベクトルデータ

**update.metadata** (`Record<string, any>`): 更新する新しいメタデータ

### `deleteVector()`

ID を指定して、インデックスから特定のベクトルエントリを削除します。

**indexName** (`string`): ベクトルを含むコレクションの名前

**id** (`string`): 削除するベクトルエントリの ID

### `deleteVectors()`

ID またはメタデータフィルターで複数のベクトルを削除します。`ids` と `filter` のいずれか一方だけを指定する必要があります。

**indexName** (`string`): ベクトルを含むコレクションの名前s to delete

**ids** (`string[]`): 削除するベクトル ID の配列（filter とは同時に指定できません）

**filter** (`Record<string, any>`): 削除するベクトルを特定するメタデータフィルター（ids とは同時に指定できません）

### `disconnect()`

MongoDB クライアント接続を閉じます。store の使用後に呼び出してください。

## レスポンス型

クエリ結果は次の形式で返されます。

```typescript
interface QueryResult {
  id: string
  score: number
  metadata: Record<string, any>
  vector?: number[] // Only included if includeVector is true
}
```

## エラー処理

store は捕捉可能な型付きエラーをスローします。

```typescript
try {
  await store.query({
    indexName: 'my_collection',
    queryVector: queryVector,
  })
} catch (error) {
  // Handle specific error cases
  if (error.message.includes('Invalid collection name')) {
    console.error(
      'Collection name must start with a letter or underscore and contain only valid characters.',
    )
  } else if (error.message.includes('Collection not found')) {
    console.error('The specified collection does not exist')
  } else {
    console.error('Vector store error:', error.message)
  }
}
```

## 既存コレクションのインデックス作成

管理対象コレクションを使用せず、既存の運用コレクションにベクトルインデックスを作成できます。MongoDB データベースにすでに存在するドキュメントへベクトル検索機能を追加する場合に便利です。

```typescript
import { MongoDBVector } from '@mastra/mongodb'

const store = new MongoDBVector({
  id: 'mongodb-vector',
  uri: process.env.MONGODB_URI,
  dbName: process.env.MONGODB_DB_NAME,
})

// Create a vector index on an existing 'transactions' collection
await store.createIndex({
  indexName: 'precedents',
  dimension: 1024,
  collectionName: 'transactions', // Use existing collection
  searchIndexName: 'txn_vec_idx', // Custom search index name
})

// Wait for the index to be ready
await store.waitForIndexReady({ indexName: 'precedents' })

// Query using document mode to get full source documents
const hits = await store.query({
  indexName: 'precedents',
  queryVector: embeddings,
  topK: 5,
  metadataMode: 'document', // Returns full document as metadata
})

// hits[0].metadata now contains all fields from the source document
console.log(hits[0].metadata.amount, hits[0].metadata.customField)

// Full-text / hybrid search on a BYO collection is opt-in: provision the text index first.
await store.createSearchIndex({ indexName: 'precedents', fields: ['note'] })
```

**重要な注意事項:**

- コレクションはすでに存在し、`embedding` フィールド（または設定したカスタム `embeddingFieldPath`）を持つドキュメントを含んでいる必要があります
- `collectionName` を使用する場合、コレクションが作成または削除されることはありません
- **BYO インデックスはデフォルトで読み取り専用です。** `upsert()`、`updateVector()`、`deleteVector()`、`deleteVectors()` は、呼び出し元所有の運用ドキュメントを変更せず、明確なエラーをスローします。store にコレクションへの埋め込みの書き込みやドキュメントの削除を許可するには、`createIndex({ ..., allowWrites: true })` で明示的にオプトインします。ポリシーは永続化され、再起動後も維持されます。このフラグなしで古いバージョンが書き込んだエントリは読み取り専用として扱われます（fail closed）
- クエリでソースドキュメント全体を `metadata` として取得するには `metadataMode: 'document'` を使用します
- `'document'` モードでは、埋め込みはデフォルトで `metadata` から除外されます。保持してトップレベルの `vector` としても公開するには `includeVector: true` を渡します
- **`'document'` モードのフィルタリングは root ドキュメントフィールドに作用し**、ネストされた `metadata.` サブドキュメントには作用しません。`filter: { lane: 'fraud' }` は運用ドキュメントのトップレベル `lane` フィールドと一致します（デフォルトの `'field'` モードでは、管理対象コレクションの修飾されていないフィールドは `metadata.<field>` に書き換えられます）。pushdown と `$match` のフォールバック経路の両方でこの動作が維持されます
- **ネイティブの `ObjectId` `_id` に対応しています。** 運用コレクションでは一般に `ObjectId` をキーとして使用します。クエリ結果は `_id` を文字列（`QueryResult.id` の契約）に変換し、`deleteVector()` / `updateVector()` / `deleteVectors()` はその文字列を受け取り、基になる `ObjectId` ドキュメントと照合します。管理対象コレクション（文字列 `_id`）には影響しません
- BYO コレクションでの全文検索とハイブリッド検索は**オプトイン**です。全文インデックスは自動作成されないため、`textQuery()` / `hybridQuery()` の前に `createSearchIndex()` を呼び出します。全文インデックスは非同期で構築されます。直後にテキスト検索またはハイブリッド検索を行う場合は、`waitForSearchIndexReady()` を呼び出すか `waitUntilReady: true` を渡します
- BYO インデックスに対する `deleteIndex()` はベクトルインデックス（作成されている場合はテキストインデックスも）を削除しますが、コレクションとドキュメントは**保持**します

## ベストプラクティス

- クエリ性能を最適化するため、フィルターで使用するメタデータフィールドにインデックスを作成します。
- 予期しないクエリ結果を避けるため、メタデータでは一貫したフィールド名を使用します。
- 効率的な検索を維持するため、インデックスとコレクションの統計を定期的に監視します。
- 既存のコレクションにインデックスを作成する場合は、すべてのドキュメントに必須の `embedding` フィールドがあることを確認します。

## 使用例

### `MongoDB` によるベクトル埋め込み

埋め込みは、Memory の `semanticRecall` がキーワードではなく意味に基づいて関連メッセージを取得するために使用する数値ベクトルです。

> **注記:** 本番環境では MongoDB Atlas Vector Search を推奨します。セルフホスト環境では、[Atlas CLI によるローカル Atlas デプロイ](https://www.mongodb.com/docs/atlas/cli/current/atlas-cli-deploy-local/)で Vector Search を利用できます。

この設定では、ローカル埋め込みモデル FastEmbed を使用して埋め込みベクトルを生成します。 使用するには `@mastra/fastembed` をインストールします。

**npm**:

```bash
npm install @mastra/fastembed@latest
```

**pnpm**:

```bash
pnpm add @mastra/fastembed@latest
```

**Yarn**:

```bash
yarn add @mastra/fastembed@latest
```

**Bun**:

```bash
bun add @mastra/fastembed@latest
```

Agent に次の内容を追加します。

```typescript
import { Memory } from '@mastra/memory'
import { Agent } from '@mastra/core/agent'
import { MongoDBStore, MongoDBVector } from '@mastra/mongodb'
import { fastembed } from '@mastra/fastembed'

export const mongodbAgent = new Agent({
  id: 'mongodb-agent',
  name: 'mongodb-agent',
  instructions:
    'You are an AI agent with the ability to automatically recall memories from previous interactions.',
  model: 'openai/gpt-5.6-sol',
  memory: new Memory({
    storage: new MongoDBStore({
      id: 'mongodb-storage',
      uri: process.env.MONGODB_URI!,
      dbName: process.env.MONGODB_DB_NAME!,
    }),
    vector: new MongoDBVector({
      id: 'mongodb-vector',
      uri: process.env.MONGODB_URI!,
      dbName: process.env.MONGODB_DB_NAME!,
    }),
    embedder: fastembed,
    options: {
      lastMessages: 10,
      semanticRecall: {
        topK: 3,
        messageRange: 2,
      },
      generateTitle: true, // generates descriptive thread titles automatically
    },
  }),
})
```

### VoyageAI によるベクトル埋め込み

VoyageAI は検索タスク向けに最適化された専用の埋め込みモデルを提供します。また、マルチモーダル埋め込み向けに MongoDB Atlas と統合されています。

**npm**:

```bash
npm install @mastra/voyageai@latest
```

**pnpm**:

```bash
pnpm add @mastra/voyageai@latest
```

**Yarn**:

```bash
yarn add @mastra/voyageai@latest
```

**Bun**:

```bash
bun add @mastra/voyageai@latest
```

基本的な使用例:

```typescript
import { Memory } from '@mastra/memory'
import { Agent } from '@mastra/core/agent'
import { MongoDBStore, MongoDBVector } from '@mastra/mongodb'
import { voyage } from '@mastra/voyageai'

export const mongodbVoyageAgent = new Agent({
  id: 'mongodb-voyage-agent',
  name: 'MongoDB VoyageAI Agent',
  instructions: 'You are an AI agent with semantic recall powered by VoyageAI and MongoDB.',
  model: 'openai/gpt-5.6-sol',
  memory: new Memory({
    storage: new MongoDBStore({
      id: 'mongodb-storage',
      uri: process.env.MONGODB_URI!,
      dbName: process.env.MONGODB_DB_NAME!,
    }),
    vector: new MongoDBVector({
      id: 'mongodb-vector',
      uri: process.env.MONGODB_URI!,
      dbName: process.env.MONGODB_DB_NAME!,
    }),
    embedder: voyage, // VoyageAI's default model (voyage-3.5, 1024 dimensions)
    options: {
      lastMessages: 10,
      semanticRecall: {
        topK: 5,
        messageRange: 2,
      },
    },
  }),
})
```

専用モデル、マルチモーダル埋め込み、検索最適化を含む VoyageAI 埋め込みの詳細な例については、[VoyageAI 埋め込みのドキュメント](https://mastra.zisheng.pro/ja/models/embeddings)を参照してください。

## 関連項目

- [メタデータフィルター](https://mastra.zisheng.pro/ja/reference/rag/metadata-filters)
- [VoyageAI 埋め込みのドキュメント](https://mastra.zisheng.pro/ja/models/embeddings)