MongoDB Atlas Vector Search는 사용자가 벡터 임베딩을 저장하고 쿼리할 수 있도록 해주는 MongoDB Atlas의 기능입니다. 이 노드를 사용하여 MongoDB Atlas 컬렉션의 Vector Search 인덱스와 상호작용할 수 있습니다. 문서를 삽입하거나 검색할 수 있으며, 체인에서 또는 에이전트용 도구로 벡터 스토어를 사용할 수 있습니다.

이 페이지에서는 MongoDB Atlas Vector Store 노드의 노드 파라미터와 더 많은 리소스로 연결되는 링크를 확인할 수 있습니다.

사전 준비 사항#

이 노드를 사용하기 전에 MongoDB Atlas 컬렉션에 Vector Search 인덱스를 생성하세요. 다음 단계에 따라 인덱스를 생성합니다.

1. MongoDB Atlas 대시보드에 로그인합니다.

2. 조직과 프로젝트를 선택합니다.

3. "Search & Vector Search" 섹션을 찾습니다.

4. 클러스터를 선택하고 "Go to search"를 클릭합니다.

5. "Create Search Index"를 클릭합니다.

6. "Vector Search" 모드를 선택하고 시각적 편집기 또는 JSON 편집기를 사용합니다. 예를 들면:

   {
     "fields": [
       {
         "type": "vector",
         "path": "<field-name>",
         "numDimensions": 1536, // any other value
         "similarity": "<similarity-function>"
       }
     ]
   }
   

7. 임베딩 모델에 맞게 "dimensions" 값을 조정합니다(예: OpenAI의 text-embedding-small-3의 경우 1536).

8. 인덱스 이름을 지정하고 생성합니다.

노드를 구성할 때 필요한 다음 값들을 반드시 메모해 두세요.

• 컬렉션 이름
• 벡터 인덱스 이름
• 임베딩 및 메타데이터용 필드 이름

노드 사용 패턴#

MongoDB Atlas Vector Store 노드는 다음과 같은 패턴으로 사용할 수 있습니다.

일반 노드로 사용하여 문서 삽입 및 검색#

MongoDB Atlas Vector Store를 일반 노드로 사용하여 문서를 삽입하거나 가져올 수 있습니다. 이 패턴은 에이전트를 사용하지 않고 MongoDB Atlas Vector Store를 일반적인 연결 흐름에 배치합니다.

이 템플릿의 시나리오 1에서 이에 대한 예시를 확인할 수 있습니다(이 템플릿은 Supabase Vector Store를 사용하지만 패턴은 동일합니다).

AI 에이전트에 도구로 직접 연결#

MongoDB Atlas Vector Store 노드를 AI 에이전트의 도구 커넥터에 직접 연결하여 쿼리에 답변할 때 벡터 스토어를 리소스로 사용할 수 있습니다.

이 경우 연결은 다음과 같습니다: AI 에이전트(tools 커넥터) -> MongoDB Atlas Vector Store 노드.

리트리버를 사용하여 문서 가져오기#

Vector Store Retriever 노드를 MongoDB Atlas Vector Store 노드와 함께 사용하여 MongoDB Atlas Vector Store 노드에서 문서를 가져올 수 있습니다. 이 방식은 주어진 채팅 입력과 일치하는 문서를 벡터 스토어에서 가져오기 위해 Question and Answer Chain 노드와 함께 자주 사용됩니다.

연결 흐름 예시(연결된 예시는 Pinecone을 사용하지만 패턴은 동일합니다)는 다음과 같습니다: Question and Answer Chain(Retriever 커넥터) -> Vector Store Retriever(Vector Store 커넥터) -> MongoDB Atlas Vector Store.

Vector Store Question Answer Tool을 사용하여 질문에 답변#

또 다른 패턴은 Vector Store Question Answer Tool을 사용하여 MongoDB Atlas Vector Store 노드로부터 결과를 요약하고 질문에 답변합니다. MongoDB Atlas Vector Store를 도구로 직접 연결하는 대신, 이 패턴은 벡터 스토어의 데이터를 요약하도록 특별히 설계된 도구를 사용합니다.

이 경우 연결 흐름(연결된 예시는 In-Memory Vector Store를 사용하지만 패턴은 동일합니다)은 다음과 같습니다: AI 에이전트(tools 커넥터) -> Vector Store Question Answer Tool(Vector Store 커넥터) -> In-Memory Vector store.

노드 파라미터#

결과 재정렬#

Get Many 파라미터#

• Mongo Collection: 사용할 MongoDB 컬렉션의 이름을 입력합니다.
• Vector Index Name: MongoDB Atlas 컬렉션의 Vector Search 인덱스 이름을 입력합니다.
• Embedding Field: 벡터 임베딩이 포함된 문서 내 필드 이름을 입력합니다.
• Metadata Field: 텍스트 메타데이터가 포함된 문서 내 필드 이름을 입력합니다.

Insert Documents 파라미터#

• Mongo Collection: 사용할 MongoDB 컬렉션의 이름을 입력합니다.
• Vector Index Name: MongoDB Atlas 컬렉션의 Vector Search 인덱스 이름을 입력합니다.
• Embedding Field: 벡터 임베딩이 포함된 문서 내 필드 이름을 입력합니다.
• Metadata Field: 텍스트 메타데이터가 포함된 문서 내 필드 이름을 입력합니다.

Retrieve Documents 파라미터 (체인/도구용 Vector Store로 사용 시)#

• Mongo Collection: 사용할 MongoDB 컬렉션의 이름을 입력합니다.
• Vector Index Name: MongoDB Atlas 컬렉션의 Vector Search 인덱스 이름을 입력합니다.
• Embedding Field: 벡터 임베딩이 포함된 문서 내 필드 이름을 입력합니다.
• Metadata Field: 텍스트 메타데이터가 포함된 문서 내 필드 이름을 입력합니다.

Retrieve Documents (AI 에이전트용 도구로 사용 시) 파라미터#

• Name: 벡터 스토어의 이름입니다.
• Description: 이 도구가 무엇을 하는지 LLM에게 설명합니다. 좋고 구체적인 설명은 LLM이 더 자주 예상한 결과를 만들어내도록 해줍니다.
• Mongo Collection: 사용할 MongoDB 컬렉션의 이름을 입력합니다.
• Vector Index Name: MongoDB Atlas 컬렉션의 Vector Search 인덱스 이름을 입력합니다.
• Limit: 벡터 스토어에서 가져올 결과 개수를 입력합니다. 예를 들어 가장 좋은 결과 10개를 가져오려면 이 값을 10으로 설정합니다.

노드 옵션#

옵션#

• Metadata Filter: 메타데이터를 기준으로 결과를 필터링합니다.

템플릿 및 예시#

MongoDB Atlas Vector Store 노드 문서 통합 템플릿 찾아보기 또는 모든 템플릿 검색

관련 리소스#

다음을 참고하세요.

• 서비스에 대한 자세한 내용은 LangChain의 MongoDB Atlas Vector Search 문서를 참고하세요.
• MongoDB Atlas Vector Search에 대한 자세한 내용은 MongoDB Atlas Vector Search 문서를 참고하세요.