Vector DB

MongoDB Atlas Vector Search

MongoDB Atlas의 $vectorSearch를 쓰는 langchain-mongodb의 MongoDBAtlasVectorSearch

#vector-db#mongodb#atlas공식 문서

MongoDB Atlas Vector Search

MongoDB Atlas는 컬렉션 문서에 임베딩 필드를 두고 Atlas Vector Search 인덱스와 $vectorSearch 집계 단계로 검색합니다. 운영 데이터가 이미 MongoDB에 있다면 별도 벡터 DB 없이 같은 문서에 벡터를 저장할 수 있습니다. LangChain 연동은 langchain-mongodb입니다.

참고

langchain-mongodb는 AgentLab 샌드박스에 설치되어 있지 않고, Atlas 클러스터(또는 Atlas 로컬 배포)가 필요합니다. 아래 코드는 참고용이며 최신 시그니처는 공식 문서를 확인하세요.

Import

bash
pip install langchain-mongodb pymongo
python
from langchain_mongodb import MongoDBAtlasVectorSearch

시그니처

python
MongoDBAtlasVectorSearch(
    collection,                       # pymongo Collection
    embedding,                        # Embeddings
    index_name: str = "vector_index",
    text_key: str = "text",
    embedding_key: str = "embedding",
    relevance_score_fn: str = "cosine",
    ...
)
MongoDBAtlasVectorSearch.from_connection_string(connection_string, namespace="db.collection", embedding=..., index_name=...)
store.create_vector_search_index(dimensions: int, filters: list[str] | None = None, ...)

파라미터

파라미터타입기본값설명
collectionpymongo.collection.Collection(필수)MongoClient(uri)["db"]["coll"]
embeddingEmbeddings(필수)임베딩 객체
index_namestr"vector_index"Atlas Vector Search 인덱스 이름
text_keystr"text"본문 필드
embedding_keystr"embedding"벡터 필드
relevance_score_fnstr"cosine"인덱스의 similarity와 일치시켜야 함 (cosine, euclidean, dotProduct)

메서드와 반환값

표준 인터페이스를 따르며, 필터는 pre_filter=(MQL 딕셔너리)로 넘깁니다. 필터에 쓰는 필드는 인덱스 정의에 filter 타입으로 등록되어 있어야 합니다. 하이브리드 검색은 langchain_mongodb.retrievers의 MongoDBAtlasHybridSearchRetriever(Atlas Search 전문 인덱스 필요)를 씁니다.

예제

python
import os

from langchain_core.documents import Document
from langchain_mongodb import MongoDBAtlasVectorSearch
from langchain_openai import OpenAIEmbeddings

store = MongoDBAtlasVectorSearch.from_connection_string(
    connection_string=os.environ["MONGODB_URI"],
    namespace="agentlab.docs",
    embedding=OpenAIEmbeddings(model="text-embedding-3-small"),
    index_name="vector_index",
)
store.create_vector_search_index(dimensions=1536, filters=["category"])  # 한 번만

store.add_documents([Document(page_content="환불 정책", metadata={"category": "billing"})])
docs = store.similarity_search("환불", k=3, pre_filter={"category": {"$eq": "billing"}})

주의사항

주의

Atlas 검색 인덱스는 비동기로 빌드됩니다. 인덱스 생성·문서 삽입 직후에는 검색 결과가 비어 있을 수 있습니다.

주의

인덱스에 filter로 등록하지 않은 필드를 pre_filter에 쓰면 오류가 납니다. 필터 필드를 추가하려면 인덱스 정의를 갱신하세요.

관련 문서