Vector DB
MongoDB Atlas Vector Search
MongoDB Atlas의 $vectorSearch를 쓰는 langchain-mongodb의 MongoDBAtlasVectorSearch
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
| 파라미터 | 타입 | 기본값 | 설명 |
|---|---|---|---|
collection | pymongo.collection.Collection | (필수) | MongoClient(uri)["db"]["coll"] |
embedding | Embeddings | (필수) | 임베딩 객체 |
index_name | str | "vector_index" | Atlas Vector Search 인덱스 이름 |
text_key | str | "text" | 본문 필드 |
embedding_key | str | "embedding" | 벡터 필드 |
relevance_score_fn | str | "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.