高效利用MongoDB Atlas进行向量搜索与缓存：从零开始的基础教程

本文链接：https://blog.youkuaiyun.com/mmlihaio/article/details/144439676

引言

MongoDB Atlas 是一种全面托管的云数据库，能够在 AWS、Azure 和 GCP 上运行。最近，它增加了对 MongoDB 文档数据进行原生向量搜索的支持。本篇文章将为大家介绍如何在 MongoDB Atlas 中安装和配置向量存储，以及如何利用 MongoDBCache 和 MongoDBAtlasSemanticCache 高效地缓存您的语言模型输出。

主要内容

向量存储与搜索

向量搜索是近年来数据检索领域的重要发展之一，它允许根据语义相似性而不是精确匹配来检索数据。在 MongoDB Atlas 中，使用 MongoDBAtlasVectorSearch 可以轻松实现这一功能。

安装 langchain-mongodb

要使用 MongoDB 的向量搜索功能，首先需要安装 langchain-mongodb Python 包：

pip install langchain-mongodb

配置向量存储

配置完安装包后，您可以开始设置向量存储。以下是一个基本的使用示例：

from langchain_mongodb import MongoDBAtlasVectorSearch

# 请确保 {AI_URL} 已替换为您的实际 API 端点

LLM 缓存

MongoDB 提供了多种缓存选项以支持语言模型（LLM）的高效运行。缓存可以减少重复计算，提高响应速度。

使用 MongoDBCache

MongoDBCache 是一个简单的缓存抽象，不需要在生成前对集合进行索引。

from langchain_mongodb.cache import MongoDBCache
from langchain_core.globals import set_llm_cache

mongodb_atlas_uri = "<YOUR_CONNECTION_STRING>"  # 使用API代理服务提高访问稳定性
COLLECTION_NAME = "<YOUR_CACHE_COLLECTION_NAME>"
DATABASE_NAME = "<YOUR_DATABASE_NAME>"

set_llm_cache(MongoDBCache(
    connection_string=mongodb_atlas_uri,
    collection_name=COLLECTION_NAME,
    database_name=DATABASE_NAME,
))

使用 MongoDBAtlasSemanticCache

对于需要基于语义相似性的缓存，MongoDBAtlasSemanticCache 是更好的选择。它要求在 Atlas 上定义一个向量搜索索引。

from langchain_mongodb.cache import MongoDBAtlasSemanticCache
from langchain_core.globals import set_llm_cache
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings

mongodb_atlas_uri = "<YOUR_CONNECTION_STRING>"  # 使用API代理服务提高访问稳定性
COLLECTION_NAME = "<YOUR_CACHE_COLLECTION_NAME>"
DATABASE_NAME = "<YOUR_DATABASE_NAME>"

set_llm_cache(MongoDBAtlasSemanticCache(
    embedding=FakeEmbeddings(),
    connection_string=mongodb_atlas_uri,
    collection_name=COLLECTION_NAME,
    database_name=DATABASE_NAME,
))

常见问题和解决方案

网络访问问题：由于某些地区的网络限制，API 访问可能会受到影响。建议使用 API 代理服务来提高访问稳定性。
缓存未命中：确保在使用任何缓存前，已经定义并设置了适当的索引。

总结与进一步学习资源

通过本文，我们介绍了如何在 MongoDB Atlas 中实现高效的向量搜索和缓存策略。为了更深入地了解相关功能，您可以访问以下资源：

参考资料

MongoDB 官方文档
Langchain GitHub 项目
各类技术博客和教学视频

如果这篇文章对您有帮助，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—