MongoDB 向量儲存

MongoDBVector 類別使用 MongoDB Atlas Vector Search 提供向量搜尋，讓你能在 MongoDB 集合中高效地進行相似度搜尋和元數據篩選。

安裝
安裝的直接連結

npm
pnpm
Yarn
Bun

npm install @mastra/mongodb@latest

pnpm add @mastra/mongodb@latest

yarn add @mastra/mongodb@latest

bun add @mastra/mongodb@latest

使用範例
使用範例的直接連結

import { MongoDBVector } from '@mastra/mongodb'

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

自訂 embedding 欄位路徑
自訂 embedding 欄位路徑的直接連結

如需將 embedding 儲存在巢狀欄位結構中（例如與現有 MongoDB 集合整合），請使用 embeddingFieldPath 選項：

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
})

建構函數選項
建構函數選項的直接連結

id:

string

此向量儲存實例的唯一識別碼

uri:

string

MongoDB 連接字串

dbName:

string

要使用的 MongoDB 資料庫名稱

options?:

MongoClientOptions

可選的 MongoDB 客戶端選項

embeddingFieldPath?:

string

= embedding

儲存向量 embedding 的欄位路徑。支援以點號標記法表示的巢狀路徑（例如 'text.contentEmbedding'）。

方法
方法的直接連結

`connect()`
connect 的直接連結

建立與 MongoDB 伺服器的連線。首次使用時會自動呼叫此方法，但有需要時亦可明確呼叫。

await store.connect()

`createIndex()`
createindex 的直接連結

在 MongoDB 中建立新的向量索引（集合）。

indexName:

string

要建立的集合名稱

dimension:

number

向量維度（必須與你的 embedding 模型相符）

metric?:

'cosine' | 'euclidean' | 'dotproduct'

= cosine

相似度搜尋所用的距離指標

filterFields?:

string[]

要在 Atlas vectorSearch 索引中宣告為篩選欄位的元數據欄位名稱（註冊為 metadata.<field>）。只篩選已宣告欄位的查詢會直接推送至 $vectorSearch，而非預先篩選候選 _id，從而避免大型結果集的 16 MB BSON 限制。引用未宣告欄位或使用 $vectorSearch 不支援運算子的篩選條件，會自動改用預先篩選。

collectionName?:

string

將向量儲存在現有（運作中）集合，而非以索引命名的受管理集合。設定後，此儲存不會建立或移除該集合。預設為 indexName。

searchIndexName?:

string

在集合上建立的 Atlas vectorSearch 索引名稱。預設為 ${indexName}_vector_index。

allowWrites?:

boolean

= false

選擇允許在自攜集合上執行寫入操作（upsert、updateVector、deleteVector、deleteVectors）。BYO 索引預設為唯讀：儲存絕不會修改或刪除呼叫者擁有的運作中文件。受管理集合會忽略此選項，並一律可寫入。此政策會隨索引註冊持久保存，重新啟動後仍然生效。

`waitForIndexReady()`
waitforindexready 的直接連結

建立索引後等待其就緒。當你需要確保索引就緒後才執行操作時非常實用。

indexName:

string

要等待的索引名稱

timeoutMs?:

number

= 60000

最長等待時間（毫秒）

checkIntervalMs?:

number

= 2000

狀態檢查之間的間隔（毫秒）

`upsert()`
upsert 的直接連結

在集合中新增或更新向量及其元數據。對自攜索引而言，由於 BYO 集合預設為唯讀，因此建立 createIndex() 時必須設定 allowWrites: true。

indexName:

string

要插入資料的集合名稱

vectors:

number[][]

embedding 向量陣列

metadata?:

Record<string, any>[]

每個向量的元數據

ids?:

string[]

可選的向量 ID（未提供時自動產生）

documents?:

string[]

可選的文件文字內容，與向量一併儲存

indexName:

string

要搜尋的集合名稱

queryVector:

number[]

用於尋找相似向量的查詢向量

topK?:

number

= 10

要傳回的結果數目

filter?:

Record<string, any>

元數據篩選條件（套用至 metadata 欄位）

documentFilter?:

Record<string, any>

原始文件欄位的篩選條件（不只限於元數據）

includeVector?:

boolean

= false

是否在結果中包含向量資料

numCandidates?:

number

= 20 * topK (capped at 10000)

HNSW 圖在選取 top-K 結果前考慮的候選數目。值越高，召回率越好，但延遲亦會增加。詳見：https://www.mongodb.com/docs/atlas/atlas-vector-search/vector-search-stage/

metadataMode?:

'field' | 'document'

= field

'field'（預設）會投影受管理的 metadata/document 欄位，而 filter 欄位會與 metadata 子文件比對。'document' 會將完整來源文件作為 metadata 傳回——適合文件具有自訂結構的自攜運作中集合——而 filter 欄位會與**根層文件**比對（不加 metadata. 前綴）。預設會從 metadata 略去 embedding 欄位（避免承載資料過大）；設定 includeVector: true 可將其保留在 metadata，並同時公開為頂層 vector。

`createSearchIndex()`
createsearchindex 的直接連結

在索引所用的集合上配置 Atlas Search（BM25／全文）索引，並將其記錄為 textQuery() 和 hybridQuery() 所用的文字搜尋索引。

受管理集合與自攜集合：

對於受管理索引（建立時未提供 collectionName），createIndex() 已配置名為 ${collectionName}_search_index 的_動態_全文索引（涵蓋所有字串欄位）。因此，只有需要限制欄位的 mapping 或自訂索引名稱時，才需要使用 createSearchIndex()。
對於自攜索引（建立時提供 collectionName），createIndex() 不會自動建立任何全文索引。在呼叫者擁有的運作中集合上啟用 textQuery()／hybridQuery() 屬於選擇加入。請明確呼叫 createSearchIndex() 以配置（需付費的）文字索引。在此之前，textQuery()／hybridQuery() 會擲回清晰錯誤，而不會查詢不存在的索引。

命名方式：

提供 fields 但未明確提供 searchIndexName 時，欄位 mapping 索引會使用一個不同的預設名稱（${collectionName}_${indexName}_search_fields_index，每個邏輯索引皆為唯一），避免與受管理集合自動建立的動態索引衝突並遭無聲忽略。這個不同的索引會持久保存為文字搜尋索引，因此 textQuery()／hybridQuery() 會自動使用受限制的 mapping。
提供 searchIndexName 時，會使用並持久保存該確切名稱。textQuery()／hybridQuery() 會自動解析已保存的名稱。你亦可透過各次呼叫的 searchIndexName／textSearchIndexName 參數覆寫名稱。

indexName:

string

其集合將建立搜尋索引的 Mastra 索引名稱

fields?:

string[]

要為全文搜尋建立索引的欄位名稱。如要使用動態 mapping（所有字串欄位），請略去此項。

searchIndexName?:

string

= ${collectionName}_search_index (or ${collectionName}_${indexName}_search_fields_index when `fields` is given)

Atlas Search 索引名稱。若提供了 fields 而略去此項，會使用每個邏輯索引獨有的不同預設名稱，確保欄位 mapping 不會被自動建立的動態索引遮蓋，且同一集合上的兩個邏輯索引不會互相衝突。

waitUntilReady?:

boolean

= false

設為 true 時，會封鎖至已配置的全文索引回報 READY 後才完成。預設為 false，以免出現意外延遲；如想分開等候，請明確呼叫 waitForSearchIndexReady()。

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

欄位 mapping 索引名稱包含邏輯 indexName，因此同一集合上的兩個邏輯索引會有不同的文字索引。使用不同 fields 重新建立_同一個_邏輯索引時，仍須先移除現有索引（IndexAlreadyExists）。

`waitForSearchIndexReady()`
waitforsearchindexready 的直接連結

等待某索引的全文（BM25）搜尋索引變為 READY。waitForIndexReady() 只會輪詢 vectorSearch 索引；createSearchIndex() 傳回時，Atlas Search 全文索引仍在建立，因此立即呼叫 textQuery()／hybridQuery() 可能間歇性失敗。呼叫此方法（或向 createSearchIndex() 傳入 waitUntilReady: true）可封鎖至解析出的文字索引回報 READY。

indexName:

string

要等待其文字索引的邏輯索引名稱

searchIndexName?:

string

覆寫解析出的文字搜尋索引名稱

timeoutMs?:

number

= 60000

最長等待時間（毫秒）

checkIntervalMs?:

number

= 2000

狀態檢查之間的間隔（毫秒）

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

`textQuery()`
textquery 的直接連結

對 Atlas Search 索引執行全文（BM25）搜尋。預設會以此索引記錄的文字搜尋索引為目標（由 createSearchIndex() 設定，或由 createIndex() 自動建立的動態 ${collectionName}_search_index）。傳入 searchIndexName 可指定這次呼叫要使用的索引。

此處的元數據篩選條件（與 hybridQuery() 相同）會透過 $match 階段套用。對 hybridQuery() 的向量分支而言，建立索引時未透過 filterFields 宣告的欄位篩選條件，會透明地具體化為候選 _id（與 query() 所用的後備方式相同），所以篩選未宣告欄位不會出錯。

indexName:

string

要搜尋的 Mastra 索引名稱

query:

string

全文搜尋查詢字串

paths:

string[]

要搜尋的欄位路徑（例如 ["note", "description"]）

topK?:

number

= 10

要傳回的結果數目

filter?:

Record<string, any>

元數據篩選條件（套用至 metadata 欄位）

metadataMode?:

'field' | 'document'

= field

'field'（預設）會投影受管理的 metadata／document 欄位。'document' 會將完整來源文件作為 metadata 傳回。

searchIndexName?:

string

覆寫這次呼叫解析出的全文搜尋索引名稱。預設使用 createSearchIndex()／createIndex() 持久保存的索引。

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

`hybridQuery()`
hybridquery 的直接連結

執行混合搜尋，使用 MongoDB 伺服器端的 $rankFusion 融合向量相似度與全文結果。此功能需要 MongoDB >= 8.0，並自 8.1 起正式推出。在 8.0.x 上，可能需要聯絡 MongoDB 支援以啟用，並可在已啟用的環境（例如 Atlas 8.0.x）中執行。全文搜尋索引必須存在：受管理索引會自動建立，但自攜集合必須先呼叫 createSearchIndex()（選擇加入）。

indexName:

string

要搜尋的 Mastra 索引名稱

queryVector:

number[]

相似度搜尋的查詢向量

query:

string

全文搜尋查詢字串

paths:

string[]

全文搜尋所用的欄位路徑（例如 ["note", "description"]）

topK?:

number

= 10

要傳回的結果數目

filter?:

Record<string, any>

元數據篩選條件（同時套用至向量和文字分支）

weights?:

{ vector?: number; text?: number }

融合時向量與文字結果的相對權重（預設：1:1）

numCandidates?:

number

= 20 * topK (capped at 10000)

向量搜尋分支的候選數目

metadataMode?:

'field' | 'document'

= field

'field'（預設）會投影受管理的 metadata／document 欄位。'document' 會將完整來源文件作為 metadata 傳回。

textSearchIndexName?:

string

覆寫這次呼叫解析出的全文搜尋索引名稱。預設使用 createSearchIndex()／createIndex() 持久保存的索引。

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 階段需要 MongoDB >= 8.0。此階段自 8.1 起正式推出。在 8.0.x 上，可能需要聯絡 MongoDB 支援以啟用，並可在已啟用的環境（例如 Atlas 8.0.x）中執行。如你使用較舊版本，或 8.0.x 部署尚未啟用 $rankFusion，請分別使用 query() 和 textQuery()，再於客戶端合併結果。

`describeIndex()`
describeindex 的直接連結

傳回索引（集合）的資料。

indexName:

string

要描述的集合名稱

傳回：

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

`deleteIndex()`
deleteindex 的直接連結

刪除向量索引。行為取決於索引的建立方式：

受管理索引（建立時未提供 collectionName）：移除整個集合及其中所有資料。
自攜索引（建立時提供 collectionName）：移除 Atlas vectorSearch 索引；如曾透過 createSearchIndex() 配置配套全文搜尋索引，亦會將其移除。呼叫者的運作中集合及其文件會予以保留。此儲存絕不會移除並非由其建立的集合。

建立索引時會持久記錄 BYO 分類，因此即使由另一個處理程序操作（例如索引由設定工作建立，其後由長期運行的服務刪除），仍會正確套用。請一律傳入邏輯索引名稱（在 createIndex 使用的 indexName），而非實體集合名稱。

indexName:

string

要刪除的邏輯索引名稱

`listIndexes()`
listindexes 的直接連結

列出邏輯 Mastra 索引名稱（傳入 createIndex 的 indexName 值），而非實體集合名稱。對資料位於運作中集合的自攜索引，會傳回邏輯索引名稱，而非實體集合名稱。該值可直接傳回 deleteIndex()／describeIndex()。在引入持久元數據前建立的受管理索引，仍可透過其 ${name}_vector_index 搜尋索引找到。內部登記集合絕不會列出。

傳回：Promise<string[]>

`updateVector()`
updatevector 的直接連結

按 ID 或元數據篩選條件更新單一向量。必須提供 id 或 filter 其中之一，但不能同時提供兩者。

自攜集合預設為唯讀。 除非建立 BYO 索引時設定了 allowWrites: true，否則 upsert()、updateVector()、deleteVector() 和 deleteVectors() 會擲回 USER 類別錯誤。請參閱為現有集合建立索引。

indexName:

string

包含向量的集合名稱

id?:

string

要更新的向量項目 ID（不能與 filter 同時使用）

filter?:

Record<string, any>

用於識別要更新向量的元數據篩選條件（不能與 id 同時使用）

update:

object

包含向量及／或元數據的更新資料

update.vector?:

number[]

要更新的新向量資料

update.metadata?:

Record<string, any>

要更新的新元數據

`deleteVector()`
deletevector 的直接連結

按 ID 從索引刪除特定向量項目。

indexName:

string

包含向量的集合名稱

id:

string

要刪除的向量項目 ID

`deleteVectors()`
deletevectors 的直接連結

按 ID 或元數據篩選條件刪除多個向量。必須提供 ids 或 filter 其中之一，但不能同時提供兩者。

indexName:

string

包含要刪除向量的集合名稱

ids?:

string[]

要刪除的向量 ID 陣列（不能與 filter 同時使用）

filter?:

Record<string, any>

用於識別要刪除向量的元數據篩選條件（不能與 ids 同時使用）

`disconnect()`
disconnect 的直接連結

關閉 MongoDB 客戶端連線。使用完儲存後應呼叫此方法。

回應類型
回應類型的直接連結

查詢結果會以以下格式傳回：

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

錯誤處理
錯誤處理的直接連結

此儲存會擲回可捕捉的具類型錯誤：

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)
  }
}

為現有集合建立索引
為現有集合建立索引的直接連結

你可在現有運作中集合上建立向量索引，而無需使用受管理集合。當你想為 MongoDB 資料庫中已有的文件加入向量搜尋功能時，這十分實用。

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'] })

重要事項：

使用 collectionName 時，集合必須已存在，並包含具有 embedding 欄位（或你設定的自訂 embeddingFieldPath）的文件
使用 collectionName 時，絕不會建立或移除集合
BYO 索引預設為唯讀。 upsert()、updateVector()、deleteVector() 和 deleteVectors() 會擲回清晰錯誤，而不會修改呼叫者擁有的運作中文件。如要讓儲存將 embedding 寫入你的集合（或從中刪除文件），請透過 createIndex({ ..., allowWrites: true }) 明確選擇加入。此政策會持久保存，重新啟動後仍然生效。由沒有該旗標的舊版本寫入的項目會視為唯讀（失敗時保持關閉）。
查詢時使用 metadataMode: 'document'，可將完整來源文件擷取為 metadata
在 'document' 模式中，預設會從 metadata 略去 embedding；傳入 includeVector: true 可保留它（並同時公開為頂層 vector）
在 'document' 模式中，篩選會作用於根層文件欄位，而非巢狀 metadata. 子文件。filter: { lane: 'fraud' } 會比對運作中文件的頂層 lane 欄位（在預設 'field' 模式中，受管理集合的裸欄位會改寫為 metadata.<field>）。下推及 $match 後備路徑均遵循此行為。
支援原生 ObjectId _id。 運作中集合通常以 ObjectId 作為鍵；查詢結果會將 _id 轉為字串（QueryResult.id 合約），而 deleteVector()／updateVector()／deleteVectors() 接受該字串，並比對底層 ObjectId 文件。受管理集合（字串 _id）不受影響。
BYO 集合的全文及混合搜尋屬於選擇加入：不會自動建立全文索引，因此請在使用 textQuery()／hybridQuery() 前呼叫 createSearchIndex()。全文索引會以非同步方式建立。立即執行文字／混合查詢前，請呼叫 waitForSearchIndexReady()（或傳入 waitUntilReady: true）。
BYO 索引的 deleteIndex() 會移除向量索引（以及已建立的文字索引），但會保留集合及其文件

最佳做法
最佳做法的直接連結

為篩選條件使用的元數據欄位建立索引，以取得最佳查詢效能。
在元數據中使用一致的欄位命名，避免出現非預期的查詢結果。
定期監察索引和集合統計資料，確保搜尋效率。
為現有集合建立索引時，請確保所有文件均具有所需的 embedding 欄位。

使用範例
使用範例的直接連結

使用 `MongoDB` 的向量 embedding
vector-embeddings-with-mongodb 的直接連結

Embedding 是數值向量，memory 的 semanticRecall 會使用它按語意（而非關鍵字）擷取相關訊息。

備註

建議在生產環境使用 MongoDB Atlas Vector Search。對自行託管的部署，可透過 Atlas CLI 的本機 Atlas 部署使用 Vector Search。

此設定使用本機 embedding 模型 FastEmbed 產生向量 embedding。要使用此設定，請安裝 @mastra/fastembed：

npm
pnpm
Yarn
Bun

npm install @mastra/fastembed@latest

pnpm add @mastra/fastembed@latest

yarn add @mastra/fastembed@latest

bun add @mastra/fastembed@latest

將以下內容加入你的 Agent：

src/mastra/agents/example-mongodb-agent.ts
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 的向量 embedding
使用 VoyageAI 的向量 embedding 的直接連結

VoyageAI 提供針對擷取工作最佳化的專門 embedding 模型。VoyageAI 亦已與 MongoDB Atlas 整合，可用於多模態 embedding。

npm
pnpm
Yarn
Bun

npm install @mastra/voyageai@latest

pnpm add @mastra/voyageai@latest

yarn add @mastra/voyageai@latest

bun add @mastra/voyageai@latest

基本使用範例：

src/mastra/agents/example-mongodb-voyageai-agent.ts
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,
      },
    },
  }),
})

如需 VoyageAI embedding 的詳細範例（包括專門模型、多模態 embedding 和擷取最佳化），請參閱 VoyageAI embedding 文件。

安裝安裝 的直接連結

使用範例使用範例 的直接連結

自訂 embedding 欄位路徑自訂 embedding 欄位路徑 的直接連結

建構函數選項建構函數選項 的直接連結

id:

uri:

dbName:

options?:

embeddingFieldPath?:

方法方法 的直接連結

connect()connect 的直接連結

createIndex()createindex 的直接連結

indexName:

dimension:

metric?:

filterFields?:

collectionName?:

searchIndexName?:

allowWrites?:

waitForIndexReady()waitforindexready 的直接連結

indexName:

timeoutMs?:

checkIntervalMs?:

upsert()upsert 的直接連結

indexName:

vectors:

metadata?:

ids?:

documents?:

query()query 的直接連結

indexName:

queryVector:

topK?:

filter?:

documentFilter?:

includeVector?:

numCandidates?:

metadataMode?:

createSearchIndex()createsearchindex 的直接連結

indexName:

fields?:

searchIndexName?:

waitUntilReady?:

waitForSearchIndexReady()waitforsearchindexready 的直接連結

indexName:

searchIndexName?:

timeoutMs?:

checkIntervalMs?:

textQuery()textquery 的直接連結

indexName:

query:

paths:

topK?:

filter?:

metadataMode?:

searchIndexName?:

hybridQuery()hybridquery 的直接連結

indexName:

queryVector:

query:

paths:

topK?:

filter?:

weights?:

numCandidates?:

metadataMode?:

textSearchIndexName?:

describeIndex()describeindex 的直接連結

indexName:

deleteIndex()deleteindex 的直接連結

indexName:

listIndexes()listindexes 的直接連結

updateVector()updatevector 的直接連結

indexName:

id?:

filter?:

update:

update.vector?:

update.metadata?:

deleteVector()deletevector 的直接連結

安裝
安裝的直接連結

使用範例
使用範例的直接連結

自訂 embedding 欄位路徑
自訂 embedding 欄位路徑的直接連結

建構函數選項
建構函數選項的直接連結

方法
方法的直接連結

`connect()`
connect 的直接連結

`createIndex()`
createindex 的直接連結

`waitForIndexReady()`
waitforindexready 的直接連結

`upsert()`
upsert 的直接連結

`query()`
query 的直接連結

`createSearchIndex()`
createsearchindex 的直接連結

`waitForSearchIndexReady()`
waitforsearchindexready 的直接連結

`textQuery()`
textquery 的直接連結

`hybridQuery()`
hybridquery 的直接連結

`describeIndex()`
describeindex 的直接連結

`deleteIndex()`
deleteindex 的直接連結

`listIndexes()`
listindexes 的直接連結

`updateVector()`
updatevector 的直接連結

`deleteVector()`
deletevector 的直接連結

`deleteVectors()`
deletevectors 的直接連結

`disconnect()`
disconnect 的直接連結

回應類型
回應類型的直接連結

錯誤處理
錯誤處理的直接連結

為現有集合建立索引
為現有集合建立索引的直接連結

最佳做法
最佳做法的直接連結

使用範例
使用範例的直接連結

使用 `MongoDB` 的向量 embedding
vector-embeddings-with-mongodb 的直接連結

使用 VoyageAI 的向量 embedding
使用 VoyageAI 的向量 embedding 的直接連結

相關內容
相關內容的直接連結