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

# MongoDB Vector 存储

`MongoDBVector` 类使用 [MongoDB Atlas Vector Search](https://www.mongodb.com/docs/atlas/atlas-vector-search/) 提供 Vector 搜索。它支持在 MongoDB 集合中进行高效的相似度搜索和元数据筛选。

## 安装

**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
```

## 用法示例

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

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

### 自定义嵌入字段路径

如果需要将嵌入存储在嵌套字段结构中（例如，与现有 MongoDB 集合集成），请使用 `embeddingFieldPath` 选项：

```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
})
```

## 构造函数选项

**id** (`string`): 此 Vector 存储实例的唯一标识符

**uri** (`string`): MongoDB 连接字符串

**dbName** (`string`): 要使用的 MongoDB 数据库名称

**options** (`MongoClientOptions`): 可选的 MongoDB 客户端选项

**embeddingFieldPath** (`string`): 存储 Vector 嵌入的字段路径。支持使用点号表示法的嵌套路径（例如 'text.contentEmbedding'）。 (Default: `embedding`)

## 方法

### `connect()`

建立与 MongoDB 服务器的连接。首次使用时会自动调用，也可在需要时显式调用。

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

### `createIndex()`

在 MongoDB 中创建新的 Vector 索引（集合）。

**indexName** (`string`): 要创建的集合名称

**dimension** (`number`): Vector 维度（必须与嵌入模型匹配）

**metric** (`'cosine' | 'euclidean' | 'dotproduct'`): 相似度搜索使用的距离度量 (Default: `cosine`)

**filterFields** (`string[]`): 要在 Atlas vectorSearch 索引中声明为筛选字段的元数据字段名称（注册为 metadata.\<field>）。仅筛选已声明字段的查询会直接下推到 $vectorSearch，而不是预先筛选候选 \_id，从而避免大型结果集的 16 MB BSON 限制。引用未声明字段或使用 $vectorSearch 不支持的运算符时，会自动回退到预筛选。

**collectionName** (`string`): 将 Vector 存储在现有（业务）集合中，而不是以索引命名的托管集合中。设置此选项后，该存储绝不会创建或删除该集合。默认值为 indexName。

**searchIndexName** (`string`): 在集合上创建的 Atlas vectorSearch 索引名称。默认值为 ${indexName}\_vector\_index。

**allowWrites** (`boolean`): 选择允许对自带集合执行写操作（upsert、updateVector、deleteVector、deleteVectors）。BYO 索引默认为只读：该存储绝不会修改或删除调用方拥有的业务文档。托管集合始终可写，因此会忽略此选项。该策略随索引注册持久化，重启后仍然有效。 (Default: `false`)

### `waitForIndexReady()`

等待索引在创建后进入就绪状态。需要在执行操作前确保索引已就绪时，此方法很有用。

**indexName** (`string`): 要等待的索引名称

**timeoutMs** (`number`): 最长等待时间，以毫秒为单位 (Default: `60000`)

**checkIntervalMs** (`number`): 状态检查间隔，以毫秒为单位 (Default: `2000`)

### `upsert()`

在集合中添加或更新 Vector 及其元数据。对于自带索引，这要求将 `allowWrites: true` 传给 `createIndex()`，因为 BYO 集合默认为只读。

**indexName** (`string`): 要插入数据的集合名称

**vectors** (`number[][]`): 嵌入 Vector 数组

**metadata** (`Record<string, any>[]`): 每个 Vector 的元数据

**ids** (`string[]`): 可选的 Vector ID（未提供时自动生成）

**documents** (`string[]`): 可选的文档文本内容，与 Vector 一同存储

### `query()`

搜索相似 Vector，并可选择使用元数据筛选。

**indexName** (`string`): 要搜索的集合名称

**queryVector** (`number[]`): 用于查找相似 Vector 的查询 Vector

**topK** (`number`): 要返回的结果数量 (Default: `10`)

**filter** (`Record<string, any>`): 元数据筛选条件（应用于 metadata 字段）

**documentFilter** (`Record<string, any>`): 对原始文档字段进行筛选（不仅限于元数据）

**includeVector** (`boolean`): 结果中是否包含 Vector 数据 (Default: `false`)

**numCandidates** (`number`): HNSW 图在选择 top-K 结果前考虑的候选项数量。值越高，召回率越高，但延迟也会增加。参见：https\://www\.mongodb.com/docs/atlas/atlas-vector-search/vector-search-stage/ (Default: `20 * topK (capped at 10000)`)

**metadataMode** (`'field' | 'document'`): 'field'（默认值）会投影托管的 metadata/document 字段，并将 filter 字段与 metadata 子文档匹配。'document' 将完整源文档作为 metadata 返回，适用于文档结构自定义的自带业务集合；filter 字段会与\*\*根\*\*文档匹配（无 metadata. 前缀）。默认从 metadata 中省略嵌入字段（以避免负载过大）；设置 includeVector: true 可在 metadata 中保留该字段，并将其作为顶层 vector 公开。 (Default: `field`)

### `createSearchIndex()`

在索引所基于的集合上配置 Atlas Search（BM25/全文）索引，并将其记录为 `textQuery()` 和 `hybridQuery()` 的目标文本搜索索引。

**托管集合与自带集合：**

- 对于**托管**索引（未使用 `collectionName` 创建），`createIndex()` 已配置名为 `${collectionName}_search_index` 的\_动态\_全文索引（覆盖所有字符串字段）。因此，只有需要**字段受限**的映射或**自定义索引名称**时才需要使用 `createSearchIndex()`。
- 对于**自带**索引（使用 `collectionName` 创建），`createIndex()` 不会自动创建任何全文索引。在调用方拥有的业务集合上启用 `textQuery()`/`hybridQuery()` 需要主动选择。请显式调用 `createSearchIndex()` 来配置（收费的）文本索引。在此之前，`textQuery()`/`hybridQuery()` 会抛出明确错误，而不会查询不存在的索引。

命名：

- 提供 `fields` 但**未**显式提供 `searchIndexName` 时，字段映射索引会使用一个**不同的**默认名称（`${collectionName}_${indexName}_search_fields_index`，每个逻辑索引唯一），避免与托管集合自动创建的动态索引冲突并被静默忽略。这个不同的索引会作为文本搜索索引持久化，因此 `textQuery()`/`hybridQuery()` 会自动使用受限映射。
- 提供 `searchIndexName` 时，会使用并持久化该确切名称。`textQuery()`/`hybridQuery()` 会自动解析持久化的名称。你也可以通过各自的 `searchIndexName` / `textSearchIndexName` 参数为每次调用覆盖该名称。

**indexName** (`string`): 其集合将包含搜索索引的 Mastra 索引名称

**fields** (`string[]`): 要为全文搜索建立索引的字段名称。省略时使用动态映射（所有字符串字段）。

**searchIndexName** (`string`): Atlas Search 索引的名称。提供 fields 但省略此项时，会使用每个逻辑索引唯一且互不相同的默认名称，这样字段映射就不会被自动创建的动态索引遮蔽，并且同一集合上的两个逻辑索引不会发生冲突。 (Default: ``${collectionName}_search_index（提供 `fields` 时为 ${collectionName}_${indexName}_search_fields_index）``)

**waitUntilReady** (`boolean`): 为 true 时，会阻塞至已配置的全文索引报告 READY 后再完成。默认值为 false，以避免意外延迟；如果希望单独等待，请显式调用 waitForSearchIndexReady()。 (Default: `false`)

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

字段映射索引名称包含逻辑 `indexName`，因此同一集合上的两个逻辑索引会获得不同的文本索引。使用不同的 `fields` 重新创建\_同一个\_逻辑索引时，仍需先删除现有索引（`IndexAlreadyExists`）。

### `waitForSearchIndexReady()`

等待索引的全文（BM25）搜索索引变为 READY。`waitForIndexReady()` 只轮询 vectorSearch 索引；Atlas Search 全文索引仍在构建时 `createSearchIndex()` 就会返回，因此立即调用 `textQuery()`/`hybridQuery()` 可能间歇性失败。调用此方法（或将 `waitUntilReady: true` 传给 `createSearchIndex()`）可阻塞至解析出的文本索引报告 READY。

**indexName** (`string`): 要等待其文本索引的逻辑索引名称

**searchIndexName** (`string`): 覆盖解析出的文本搜索索引名称

**timeoutMs** (`number`): 最长等待时间，以毫秒为单位 (Default: `60000`)

**checkIntervalMs** (`number`): 状态检查间隔，以毫秒为单位 (Default: `2000`)

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

### `textQuery()`

对 Atlas Search 索引运行全文（BM25）搜索。默认情况下，它以为此索引记录的文本搜索索引为目标（由 `createSearchIndex()` 设置，或动态 `${collectionName}_search_index`，后者由 `createIndex()` 自动创建）。传入 `searchIndexName` 可将此次调用指向特定索引。

此处的元数据筛选条件（与 `hybridQuery()` 一样）通过 `$match` 阶段应用。对于 `hybridQuery()` 的 Vector 分支，在创建索引时未通过 `filterFields` 声明的字段筛选条件会透明地具体化为候选 `_id`（与 `query()` 使用的回退机制相同），因此未声明字段的筛选不会报错。

**indexName** (`string`): 要搜索的 Mastra 索引名称

**query** (`string`): 全文搜索查询字符串

**paths** (`string[]`): 要搜索的字段路径（例如 \["note", "description"]）

**topK** (`number`): 要返回的结果数量 (Default: `10`)

**filter** (`Record<string, any>`): 元数据筛选条件（应用于 metadata 字段）

**metadataMode** (`'field' | 'document'`): 'field'（默认值）会投影托管的 metadata/document 字段。'document' 将完整源文档作为 metadata 返回。 (Default: `field`)

**searchIndexName** (`string`): 覆盖此次调用解析出的全文搜索索引名称。默认使用 createSearchIndex() / createIndex() 持久化的索引。

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

### `hybridQuery()`

使用 MongoDB 服务端的 `$rankFusion` 运行融合 Vector 相似度与全文结果的混合搜索。它要求 MongoDB >= 8.0，并从 8.1 起正式可用。在 8.0.x 上，可能需要提交 MongoDB 支持工单才能启用；启用后即可运行，例如 Atlas 8.0.x。必须存在全文搜索索引：托管索引会自动创建；对于自带集合，则必须先调用 `createSearchIndex()`（主动选择）。

**indexName** (`string`): 要搜索的 Mastra 索引名称

**queryVector** (`number[]`): 相似度搜索使用的查询 Vector

**query** (`string`): 全文搜索查询字符串

**paths** (`string[]`): 全文搜索要使用的字段路径（例如 \["note", "description"]）

**topK** (`number`): 要返回的结果数量 (Default: `10`)

**filter** (`Record<string, any>`): 元数据筛选条件（应用于 Vector 和文本两个分支）

**weights** (`{ vector?: number; text?: number }`): 融合时 Vector 结果与文本结果的相对权重（默认值：1:1）

**numCandidates** (`number`): Vector 搜索分支的候选项数量 (Default: `20 * topK (capped at 10000)`)

**metadataMode** (`'field' | 'document'`): 'field'（默认值）会投影托管的 metadata/document 字段。'document' 将完整源文档作为 metadata 返回。 (Default: `field`)

**textSearchIndexName** (`string`): 覆盖此次调用解析出的全文搜索索引名称。默认使用 createSearchIndex() / createIndex() 持久化的索引。

```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()` 的 `$rankFusion` 阶段要求 MongoDB >= 8.0。该阶段从 8.1 起正式可用。在 8.0.x 上，可能需要提交 MongoDB 支持工单才能启用；启用后即可运行，例如 Atlas 8.0.x。如果你运行的是更旧版本，或者 8.0.x 部署未启用 `$rankFusion`，请分别使用 `query()` 和 `textQuery()`，并在客户端合并结果。

### `describeIndex()`

返回索引（集合）的信息。

**indexName** (`string`): 要描述的集合名称

返回：

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

### `deleteIndex()`

删除 Vector 索引。具体行为取决于索引的创建方式：

- **托管索引**（未使用 `collectionName` 创建）：删除整个集合及其所有数据。
- **自带索引**（使用 `collectionName` 创建）：删除 Atlas vectorSearch 索引；如果通过 `createSearchIndex()` 配置了配套的全文搜索索引，也会将其删除。调用方的业务集合及其文档会保留。该存储绝不会删除并非由它创建的集合。

创建索引时会持久记录 BYO 分类，因此即使由不同进程操作也能正确应用（例如，由设置作业创建索引，之后由长期运行的服务删除）。请始终传入**逻辑索引名称**（即 `indexName`，调用 `createIndex` 时使用的值），而不是物理集合名称。

**indexName** (`string`): 要删除的索引逻辑名称

### `listIndexes()`

列出 Mastra 的**逻辑**索引名称（即 `indexName` 值，也就是传给 `createIndex` 的值），而不是物理集合名称。对于数据位于业务集合中的自带索引，返回逻辑索引名称，而不是物理集合名称。该值可直接传回 `deleteIndex()` / `describeIndex()`。在引入持久元数据之前创建的托管索引仍会通过其 `${name}_vector_index` 搜索索引被发现。内部注册表集合绝不会列出。

返回：`Promise<string[]>`

### `updateVector()`

按 ID 或元数据筛选条件更新单个 Vector。必须提供 `id` 或 `filter`，但不能同时提供两者。

> **自带集合默认为只读。** `upsert()`、`updateVector()`、`deleteVector()` 和 `deleteVectors()` 会在 BYO 索引上抛出 USER 类别错误，除非创建索引时设置了 `allowWrites: true`。请参阅[为现有集合建立索引](#indexing-an-existing-collection)。

**indexName** (`string`): 包含该 Vector 的集合名称

**id** (`string`): 要更新的 Vector 条目 ID（与 filter 互斥）

**filter** (`Record<string, any>`): 用于识别待更新 Vector 的元数据筛选条件（与 id 互斥）

**update** (`object`): 包含 Vector 和/或元数据的更新数据

**update.vector** (`number[]`): 要更新的新 Vector 数据

**update.metadata** (`Record<string, any>`): 要更新的新元数据

### `deleteVector()`

按 ID 从索引中删除指定的 Vector 条目。

**indexName** (`string`): 包含该 Vector 的集合名称

**id** (`string`): 要删除的 Vector 条目 ID

### `deleteVectors()`

按 ID 或元数据筛选条件删除多个 Vector。必须提供 `ids` 或 `filter`，但不能同时提供两者。

**indexName** (`string`): 包含待删除 Vector 的集合名称

**ids** (`string[]`): 要删除的 Vector ID 数组（与 filter 互斥）

**filter** (`Record<string, any>`): 用于识别待删除 Vector 的元数据筛选条件（与 ids 互斥）

### `disconnect()`

关闭 MongoDB 客户端连接。存储使用完毕后应调用此方法。

## 响应类型

查询结果以以下格式返回：

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

## 错误处理

该存储会抛出可捕获的类型化错误：

```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)
  }
}
```

## 为现有集合建立索引

你可以在现有业务集合上创建 Vector 索引，而不使用托管集合。需要为 MongoDB 数据库中的现有文档添加 Vector 搜索功能时，这种方式很有用。

```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'] })
```

**重要说明：**

- 集合必须已经存在，并包含具有 `embedding` 字段（或你配置的自定义 `embeddingFieldPath`）的文档
- 使用 `collectionName` 时，绝不会创建或删除该集合
- **BYO 索引默认为只读。** `upsert()`、`updateVector()`、`deleteVector()` 和 `deleteVectors()` 会抛出明确错误，而不会修改调用方拥有的业务文档。若要允许该存储向集合写入嵌入（或从集合中删除文档），请通过 `createIndex({ ..., allowWrites: true })` 显式启用。该策略会持久化，重启后仍然有效。旧版本未设置此标志时写入的条目将按只读方式处理（故障时关闭）。
- 查询时使用 `metadataMode: 'document'` 可将完整源文档作为 `metadata` 检索
- 在 `'document'` 模式下，默认从 `metadata` 中省略嵌入；传入 `includeVector: true` 可将其保留（同时将其作为顶层 `vector` 公开）
- **`'document'` 模式下的筛选作用于根文档字段**，而不是嵌套的 `metadata.` 子文档。`filter: { lane: 'fraud' }` 匹配业务文档的顶层 `lane` 字段（在默认的 `'field'` 模式下，对于托管集合，裸字段会重写为 `metadata.<field>`）。下推路径和 `$match` 回退路径都遵循此行为。
- **支持原生 `ObjectId` `_id`。** 业务集合通常使用 `ObjectId` 作为键；查询结果会将 `_id` 强制转换为字符串（遵循 `QueryResult.id` 契约），`deleteVector()`/`updateVector()`/`deleteVectors()` 可接受该字符串并匹配底层 `ObjectId` 文档。托管集合（字符串 `_id`）不受影响。
- BYO 集合上的全文和混合搜索需要**主动启用**：不会自动创建全文索引，因此请先调用 `createSearchIndex()`，再调用 `textQuery()`/`hybridQuery()`。全文索引异步构建。立即执行文本/混合查询前，请调用 `waitForSearchIndexReady()`（或传入 `waitUntilReady: true`）。
- BYO 索引上的 `deleteIndex()` 会删除 Vector 索引（如果已创建文本索引，也会将其删除），但会**保留**集合及其文档

## 最佳实践

- 为筛选条件中使用的元数据字段建立索引，以获得最佳查询性能。
- 在元数据中使用一致的字段命名，避免产生意外的查询结果。
- 定期监控索引和集合统计信息，确保搜索高效。
- 为现有集合建立索引时，请确保所有文档都包含必需的 `embedding` 字段。

## 用法示例

### 使用 `MongoDB` 的 Vector 嵌入

嵌入是 memory 的 `semanticRecall` 用来按语义（而非关键词）检索相关消息的数值 Vector。

> **备注:** 生产环境建议使用 MongoDB Atlas Vector Search。对于自托管部署，可以通过[使用 Atlas CLI 进行本地 Atlas 部署](https://www.mongodb.com/docs/atlas/cli/current/atlas-cli-deploy-local/)来使用 Vector Search。

此设置使用本地嵌入模型 FastEmbed 生成 Vector 嵌入。 如需使用，请安装 `@mastra/fastembed`：

**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
```

将以下内容添加到 Agent：

```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
    },
  }),
})
```

### 使用 VoyageAI 的 Vector 嵌入

VoyageAI 提供针对检索任务优化的专用嵌入模型。VoyageAI 还与 MongoDB Atlas 集成，可用于多模态嵌入。

**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
```

基本用法示例：

```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,
      },
    },
  }),
})
```

有关 VoyageAI 嵌入的详细示例（包括专用模型、多模态嵌入和检索优化），请参阅 [VoyageAI 嵌入文档](https://mastra.zisheng.pro/models/embeddings)。

## 相关内容

- [元数据筛选](https://mastra.zisheng.pro/reference/rag/metadata-filters)
- [VoyageAI 嵌入文档](https://mastra.zisheng.pro/models/embeddings)