MongoDB 向量儲存

MongoDBVector 類別使用 MongoDB Atlas Vector Search 提供向量搜尋。它可在 MongoDB 集合中進行高效率的相似度搜尋與中繼資料篩選。

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,
})

自訂嵌入欄位路徑
「自訂嵌入欄位路徑」的直接連結

如果需要將嵌入儲存在巢狀欄位結構中（例如整合現有的 MongoDB 集合），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
})

建構函式選項
「建構函式選項」的直接連結

id:

string

此向量儲存執行個體的不重複識別碼

uri:

string

MongoDB 連線字串

dbName:

string

要使用的 MongoDB 資料庫名稱

options?:

MongoClientOptions

選用的 MongoDB 使用者端選項

embeddingFieldPath?:

string

= embedding

儲存向量嵌入的欄位路徑。支援使用點號標記法的巢狀路徑（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，但也可視需要明確呼叫。

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（必須與嵌入模型相符）

metric?:

'cosine' | 'euclidean' | 'dotproduct'

= cosine

相似度搜尋使用的距離度量

filterFields?:

string[]

要在 Atlas vectorSearch 索引中宣告為篩選欄位的中繼資料欄位名稱（註冊為 metadata.<field>）。只篩選已宣告欄位的查詢會直接下推至 $vectorSearch，而不會預先篩選候選 _id，藉此避免大型結果集的 16 MB BSON 限制。若篩選條件參照未宣告的欄位，或使用 $vectorSearch 不支援的運算子，則會自動改用預先篩選。

collectionName?:

string

將向量儲存在現有的作業集合中，而非使用以索引命名的受管理集合。設定此選項後，此儲存絕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

選擇允許對自備集合執行寫入操作（upsert、updateVector、deleteVector、deleteVectors）。BYO 索引預設為唯讀：此儲存絕不會修改或刪除呼叫端擁有的作業文件。受管理集合一律可寫入，因此會忽略此選項。此原則會隨索引註冊持久保存，重新啟動後仍然有效。

`waitForIndexReady()`
「waitforindexready」的直接連結

等待建立後的索引進入就緒狀態。需要在執行操作前確保索引已就緒時很實用。

indexName:

string

要等待的索引名稱

timeoutMs?:

number

= 60000

最長等待時間，單位為毫秒

checkIntervalMs?:

number

= 2000

狀態檢查間隔，單位為毫秒

`upsert()`
「upsert」的直接連結

在集合中新增或更新向量及其中繼資料。BYO 集合預設為唯讀，因此若使用自備索引，必須在呼叫 createIndex() 時設定 allowWrites: true。

indexName:

string

要插入資料的集合名稱

vectors:

number[][]

嵌入向量陣列

metadata?:

Record<string, any>[]

每個向量的中繼資料

ids?:

string[]

選用的向量 ID（未提供時會自動產生）

documents?:

string[]

選用的文件文字內容，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

要傳回的結果數量

filter?:

Record<string, any>

中繼資料篩選條件（套用至 metadata 欄位）

documentFilter?:

Record<string, any>

針對原始文件欄位的篩選條件（不限於中繼資料）

includeVector?:

boolean

= false

結果是否包含向量資料

numCandidates?:

number

= 20 * topK (capped at 10000)

HNSW 圖形在選出 top-K 結果前納入考量的候選項目數量。較高的值可提高召回率，但會增加延遲。請參閱：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，並將 filter 欄位與 metadata 子文件比對。'document' 會以 metadata 傳回完整來源文件，適用於文件具有自有結構的自備作業集合；此時 filter 欄位會與**根層級**文件比對（不加 metadata. 前綴）。預設會從 metadata 省略嵌入欄位，以免承載資料過大；設定 includeVector: true 可將它保留在 metadata 中，並同時公開為頂層 vector。

`createSearchIndex()`
「createsearchindex」的直接連結

在索引背後的集合上佈建 Atlas Search（BM25／全文）索引，並將其記錄為 textQuery() 與 hybridQuery() 的目標文字搜尋索引。

受管理集合與自備集合：

對於受管理索引（建立時未提供 collectionName），createIndex() 已會佈建名為 ${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對應或自訂索引名稱時，才需要使用 createSearchIndex()。
對於自備索引（建立時提供 collectionName），createIndex() 不會自動建立任何全文索引。在呼叫端擁有的作業集合上啟用 textQuery()／hybridQuery() 是選擇性功能。請明確呼叫 createSearchIndex() 來佈建（需付費的）文字索引。在此之前，textQuery()／hybridQuery() 會擲回明確錯誤，而不會查詢不存在的索引。

命名：

提供 fields 但未明確提供 searchIndexName 時，欄位對應索引會使用不同的預設名稱（${collectionName}_${indexName}_search_fields_index，每個邏輯索引都不重複），以免與受管理集合自動建立的動態索引衝突而遭到默默忽略。這個獨立索引會持久保存為文字搜尋索引，因此 textQuery()／hybridQuery() 會自動使用受限的對應。
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。你也可以透過各方法的 searchIndexName／textSearchIndexName 參數，在每次呼叫時覆寫名稱。

indexName:

string

其集合要建立搜尋索引的 Mastra 索引名稱

fields?:

string[]

全文搜尋要建立索引的欄位名稱。省略時使用動態對應（所有字串欄位）。

searchIndexName?:

string

= ${collectionName}_search_index（提供 `fields` 時則為 ${collectionName}_${indexName}_search_fields_index）

Atlas Search 索引名稱。提供 fields 且省略此值時，會使用每個邏輯索引都不重複的獨立預設名稱，因此欄位對應不會被自動建立的動態索引遮蔽，同一集合上的兩個邏輯索引也不會衝突。

waitUntilReady?:

boolean

= false

設為 true 時，會阻塞到已佈建的全文索引回報 READY 後才完成。預設為 false，以避免非預期延遲；若偏好分開等待，請明確呼叫 waitForSearchIndexReady()。

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

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

`waitForSearchIndexReady()`
「waitforsearchindexready」的直接連結

等待索引的全文（BM25）搜尋索引進入 READY 狀態。waitForIndexReady() 只會輪詢 vectorSearch 索引；createSearchIndex() 會在 Atlas Search 全文索引仍在建置時傳回，因此立即呼叫 textQuery()／hybridQuery() 可能偶爾失敗。請呼叫此方法（或將 waitUntilReady: true 傳給 createSearchIndex()），阻塞到解析出的文字索引回報 READY。

indexName:

string

其文字索引要等待的索引邏輯名稱

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，單位為毫秒

checkIntervalMs?:

number

= 2000

狀態檢查間隔，單位為毫秒

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。預設會以此索引所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 可讓本次呼叫以特定索引為目標。

此處的中繼資料篩選條件（如同 hybridQuery()）會透過 $match 階段套用。對於 hybridQuery() 的向量分支，在建立索引時未透過 filterFields 宣告的欄位篩選條件，會透明地具體化為候選 _id（與 query() 使用相同的後援機制），因此未宣告欄位的篩選條件不會發生錯誤。

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

要傳回的結果數量

filter?:

Record<string, any>

中繼資料篩選條件（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' 會以 metadata 傳回完整來源文件。

searchIndexName?:

string

覆寫本次呼叫所解析出的全文搜尋索引名稱。預設為 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

使用 MongoDB 伺服器端的 $rankFusion 融合向量相似度與全文搜尋結果，執行混合搜尋。此功能需要 MongoDB 8.0 以上版本，並自 8.1 起正式提供。在 8.0.x 上可能需要向 MongoDB 支援團隊提出申請才能啟用，並可在已啟用的環境中執行，例如 Atlas 8.0.x。全文搜尋索引必須存在：受管理索引會自動建立；自備集合則必須先呼叫 createSearchIndex()（選擇啟用）。

indexName:

string

要搜尋的 Mastra 索引名稱

queryVector:

number[]

相似度搜尋使用的查詢向量

query:

string

全文搜尋查詢字串

paths:

string[]

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

topK?:

number

= 10

要傳回的結果數量

filter?:

Record<string, any>

中繼資料篩選條件（同時套用至向量與文字分支）

weights?:

{ vector?: number; text?: number }

融合時向量結果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項目數量

metadataMode?:

'field' | 'document'

= field

'field'（預設）會投影受管理的 metadata／document 欄位。'document' 會以 metadata 傳回完整來源文件。

textSearchIndexName?:

string

覆寫本次呼叫所解析出的全文搜尋索引名稱。預設為 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 以上版本。此階段自 8.1 起正式提供。在 8.0.x 上可能需要向 MongoDB 支援團隊提出申請才能啟用，並可在 Atlas 8.0.x 等已啟用的環境中執行。如果使用較舊版本，或 8.0.x 部署未啟用 $rankFusion，請分別使用 query() 和 textQuery()，再於使用者端合併結果。

`describeIndex()`
「describeindex」的直接連結

傳回索引（集合）的相關資訊。

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。
自備索引（建立時提供 collectionName）：移除 Atlas vectorSearch 索引，以及透過 createSearchIndex() 佈建的配套全文搜尋索引（若有）。呼叫端的作業集合及其中的文件會保留。此儲存絕不會移除非由它建立的集合。

建立索引時會持久記錄 BYO 分類，因此即使由不同處理程序操作，也能正確套用（例如由設定工作建立索引，之後再由長期執行的服務刪除）。請一律傳入邏輯索引名稱（呼叫 createIndex 時使用的 indexName），而不是實體集合名稱。

indexName:

string

要刪除的索引邏輯名稱

`listIndexes()`
「listindexes」的直接連結

列出 Mastra 的邏輯索引名稱（傳給 createIndex 的 indexName 值），而不是實體集合名稱。對於資料位於作業集合中的自備索引，會傳回邏輯索引名稱，而非實體集合名稱。此值可直接傳給 deleteIndex()／describeIndex()。在引入持久中繼資料前建立的受管理索引，仍可透過其 ${name}_vector_index 搜尋索引找到。內部登錄集合絕不會列出。

傳回：Promise<string[]>

`updateVector()`
「updatevector」的直接連結

依 ID 或中繼資料篩選條件更新單一向量。必須提供 id 或 filter 其中一項，但不能同時提供兩者。

**自備集合預設為唯讀。**除非 BYO 索引建立時設定了 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

包含該向量的集合名稱

id?:

string

要更新的向量項目 ID（不可與 filter 同時使用）

filter?:

Record<string, any>

用於識別待更新向量的中繼資料篩選條件（不可與 id 同時使用）

update:

object

包含向量及／或中繼資料的更新資料

update.vector?:

number[]

要更新的新向量資料

update.metadata?:

Record<string, any>

要更新的新中繼資料

`deleteVector()`
「deletevector」的直接連結

依 ID 從索引中刪除指定的向量項目。

indexName:

string

包含該向量的集合名稱

id:

string

要刪除的向量項目 ID

`deleteVectors()`
「deletevectors」的直接連結

依 ID 或中繼資料篩選條件刪除多個向量。必須提供 ids 或 filter 其中一項，但不能同時提供兩者。

indexName:

string

包含待刪除向量的集合名稱

ids?:

string[]

要刪除的向量 ID 陣列（不可與 filter 同時使用）

filter?:

Record<string, any>

用於識別待刪除向量的中繼資料篩選條件（不可與 ids 同時使用）

`disconnect()`
「disconnect」的直接連結

關閉 MongoDB 使用者端連線。向量儲存使用完畢後應呼叫此方法。

回應型別
「回應型別」的直接連結

查詢結果會以下列格式傳回：

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

此儲存會擲回可攔截的具型別錯誤：

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

你可以在現有作業集合上建立向量索引，而不使用受管理集合。若要為 MongoDB 資料庫中的現有文件新增向量搜尋功能，此方式很實用。

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'] })

重要注意事項：

集合必須已存在，且包含具 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() 會擲回明確錯誤，而不會變更呼叫端擁有的作業文件。若要允許此儲存將嵌入寫入集合（或從集合刪除文件），請透過 createIndex({ ..., allowWrites: true }) 明確選擇啟用。此原則會持久保存，重新啟動後仍然有效。舊版在沒有此旗標時寫入的項目會視為唯讀（預設拒絕）。
查詢時使用 metadataMode: 'document'，以 metadata 取得完整來源文件
在 'document' 模式下，預設會從 metadata 省略嵌入；傳入 includeVector: true 可保留嵌入（並同時公開為頂層 vector）
'document' 模式的篩選會對根層級文件欄位操作，而非巢狀 metadata. 子文件。filter: { lane: 'fraud' } 會比對作業文件的頂層 lane 欄位（在預設 'field' 模式中，受管理集合的裸欄位會重寫為 metadata.<field>）。下推與 $match 後援路徑都會遵守此行為。
**支援原生 ObjectId _id。**作業集合通常以 ObjectId 作為鍵；查詢結果會將 _id 強制轉換為字串（符合 QueryResult.id 契約），而 deleteVector()／updateVector()／deleteVectors() 接受該字串，並比對底層的 ObjectId 文件。受管理集合（字串 _id）不受影響。
BYO 集合上的全文與混合搜尋是選擇啟用的功能：不會自動建立全文索引，因此請在 textQuery()／hybridQuery() 前呼叫 createSearchIndex()。全文索引會以非同步方式建置。若要立即進行文字／混合查詢，請先呼叫 waitForSearchIndexReady()（或傳入 waitUntilReady: true）。
BYO 索引上的 deleteIndex() 會移除向量索引（以及已建立的文字索引），但會保留集合及其中的文件

最佳實務
「最佳實務」的直接連結

為篩選條件使用的中繼資料欄位建立索引，以取得最佳查詢效能。
在中繼資料中使用一致的欄位命名，以避免非預期的查詢結果。
定期監控索引與集合的統計資料，以確保搜尋效率。
為現有集合建立索引時，請確保所有文件都有必要的 embedding 欄位。

使用範例
「使用範例」的直接連結

使用 `MongoDB` 的向量嵌入
「vector-embeddings-with-mongodb」的直接連結

嵌入是記憶體的 semanticRecall 用來依語意（而非關鍵字）擷取相關訊息的數值向量。

備註

正式環境建議使用 MongoDB Atlas Vector Search。自行託管的部署可透過 Atlas CLI 的本機 Atlas 部署使用 Vector Search。

此設定使用本機嵌入模型 FastEmbed 產生向量嵌入。若要使用，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

將下列內容新增至你的 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 的向量嵌入
「使用 VoyageAI 的向量嵌入」的直接連結

VoyageAI 提供針對擷取工作最佳化的專用嵌入模型。VoyageAI 也與 MongoDB Atlas 整合，可提供多模態嵌入。

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,
      },
    },
  }),
})

如需包含專用模型、多模態嵌入與擷取最佳化的詳細 VoyageAI 嵌入範例，請參閱 VoyageAI 嵌入文件。

安裝「安裝」的直接連結

使用範例「使用範例」的直接連結

自訂嵌入欄位路徑「自訂嵌入欄位路徑」的直接連結

建構函式選項「建構函式選項」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

自訂嵌入欄位路徑
「自訂嵌入欄位路徑」的直接連結

建構函式選項
「建構函式選項」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

回應型別
「回應型別」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

最佳實務
「最佳實務」的直接連結

使用範例
「使用範例」的直接連結

使用 `MongoDB` 的向量嵌入
「vector-embeddings-with-mongodb」的直接連結

使用 VoyageAI 的向量嵌入
「使用 VoyageAI 的向量嵌入」的直接連結

相關內容
「相關內容」的直接連結