> Discover all available pages from the documentation index: https://mastra.zisheng.pro/zh-TW/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。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

**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,
})
```

### 自訂嵌入欄位路徑

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：

```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
})
```

## 建構函式選項

**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`): 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'）。 (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，但也可視需要明確呼叫。

```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（必須與嵌入模型相符）

**metric** (`'cosine' | 'euclidean' | 'dotproduct'`): 相似度搜尋使用的距離度量 (Default: `cosine`)

**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`): 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。 (Default: `false`)

### `waitForIndexReady()`

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`): 最長等待時間，單位為毫秒 (Default: `60000`)

**checkIntervalMs** (`number`): 狀態檢查間隔，單位為毫秒 (Default: `2000`)

### `upsert()`

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

### `query()`

搜尋相似向量，並可選擇套用中繼資料篩選。

**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`): 要傳回的結果數量 (Default: `10`)

**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`): 結果是否包含向量資料 (Default: `false`)

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

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

### `createSearchIndex()`

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`): 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。 (Default: ``${collectionName}_search_index（提供 `fields` 時則為 ${collectionName}_${indexName}_search_fields_index）``)

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

```typescript
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()`

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`): 最長等待時間，單位為毫秒 (Default: `60000`)

**checkIntervalMs** (`number`): 狀態檢查間隔，單位為毫秒 (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`): 要傳回的結果數量 (Default: `10`)

**filter** (`Record<string, any>`): 中繼資料篩選條件（套用至 metadata 欄位）

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

**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。

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

### `hybridQuery()`

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`): 要傳回的結果數量 (Default: `10`)

**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`): 向量搜尋分支的候選項目數量 (Default: `20 * topK (capped at 10000)`)

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

**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。

```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 `$rankFusion` 階段需要 MongoDB 8.0 以上版本。此階段自 8.1 起正式提供。在 8.0.x 上可能需要向 MongoDB 支援團隊提出申請才能啟用，並可在 Atlas 8.0.x 等已啟用的環境中執行。如果使用較舊版本，或 8.0.x 部署未啟用 `$rankFusion`，請分別使用 `query()` 和 `textQuery()`，再於使用者端合併結果。

### `describeIndex()`

傳回索引（集合）的相關資訊。

**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()`

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()`

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](#indexing-an-existing-collection)。

**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()`

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()`

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()`

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

查詢結果會以下列格式傳回：

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

## 錯誤處理

此儲存會擲回可攔截的具型別錯誤：

```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。

```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

- 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 `MongoDB` 的向量嵌入

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

```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
```

將下列內容新增至你的 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 的向量嵌入

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**:

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

## 相關內容

- [中繼資料篩選條件](https://mastra.zisheng.pro/zh-TW/reference/rag/metadata-filters)
- [VoyageAI 嵌入文件](https://mastra.zisheng.pro/zh-TW/models/embeddings)