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

# MongoDB 向量儲存

`MongoDBVector` 類別使用 [MongoDB Atlas Vector Search](https://www.mongodb.com/docs/atlas/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

**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
```

## 使用範例

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

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

### 自訂 embedding 欄位路徑

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：

```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
})
```

## 建構函數選項

**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`): 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'）。 (Default: `embedding`)

## 方法

### `connect()`

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。

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

### `createIndex()`

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'`): 相似度搜尋所用的距離指標 (Default: `cosine`)

**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`): 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。 (Default: `false`)

### `waitForIndexReady()`

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`): 最長等待時間（毫秒） (Default: `60000`)

**checkIntervalMs** (`number`): 狀態檢查之間的間隔（毫秒） (Default: `2000`)

### `upsert()`

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

### `query()`

搜尋相似向量，並可選擇套用元數據篩選。

**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`): 要傳回的結果數目 (Default: `10`)

**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`): 是否在結果中包含向量資料 (Default: `false`)

**numCandidates** (`number`): 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/ (Default: `20 * topK (capped at 10000)`)

**metadataMode** (`'field' | 'document'`): '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。 (Default: `field`)

### `createSearchIndex()`

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

**waitUntilReady** (`boolean`): 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()。 (Default: `false`)

```typescript
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()`

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`): 最長等待時間（毫秒） (Default: `60000`)

**checkIntervalMs** (`number`): 狀態檢查之間的間隔（毫秒） (Default: `2000`)

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

### `textQuery()`

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`): 要傳回的結果數目 (Default: `10`)

**filter** (`Record<string, any>`): 元數據篩選條件（套用至 metadata 欄位）

**metadataMode** (`'field' | 'document'`): '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。 (Default: `field`)

**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。

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

### `hybridQuery()`

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`): 要傳回的結果數目 (Default: `10`)

**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`): 向量搜尋分支的候選數目 (Default: `20 * topK (capped at 10000)`)

**metadataMode** (`'field' | 'document'`): '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。 (Default: `field`)

**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。

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

### `describeIndex()`

傳回索引（集合）的資料。

**indexName** (`string`): 要描述的集合名稱

傳回：

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

### `deleteIndex()`

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()`

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()`

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](#indexing-an-existing-collection)。

**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()`

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()`

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()`

關閉 MongoDB 客戶端連線。使用完儲存後應呼叫此方法。

## 回應類型

查詢結果會以以下格式傳回：

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

## 錯誤處理

此儲存會擲回可捕捉的具類型錯誤：

```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)
  }
}
```

## 為現有集合建立索引

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。

```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

- 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 `MongoDB` 的向量 embedding

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](https://www.mongodb.com/docs/atlas/cli/current/atlas-cli-deploy-local/)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**:

```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
```

將以下內容加入你的 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 的向量 embedding

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**:

```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
```

基本使用範例：

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

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](https://mastra.zisheng.pro/zh-HK/models/embeddings)。

## 相關內容

- [元數據篩選條件](https://mastra.zisheng.pro/zh-HK/reference/rag/metadata-filters)
- [VoyageAI Embedding 文件](https://mastra.zisheng.pro/zh-HK/models/embeddings)