Menu Docs
Página inicial do Docs
/
Atlas
/

Casos de uso e padrões de design do MongoDB Vector Search

Você pode criar recursos e aplicativos de IA usando o MongoDB Vector Search. Use as páginas a seguir para saber como implementar casos de uso e padrões de design comuns.

O MongoDB Vector Search permite realizar pesquisas semânticas de texto, imagens, multimodal e outros tipos de dados, indexando e pesquisando dados que você converteu em incorporações vetoriais.

Para começar, consulte Como realizar pesquisas semânticas com dados em seu cluster do Atlas.

O RAG permite combinar modelos de idioma com seus próprios dados, recuperando o contexto relevante antes de gerar respostas. Esse padrão permite criar aplicativos de IA que forneçam respostas mais precisas e específicas do domínio, com base em seus dados personalizados.

Para saber mais e começar, consulte Retrieval-Augmented Geração (RAG) com MongoDB.

Você também pode implementar o RAG localmente, sem a necessidade de chaves de API de fornecedores LLM. Para saber mais, consulte Criar uma implementação de RAG local com o MongoDB Vector Search.

O MongoDB oferece vários recursos para criar agentes de IA. Como um banco de dados de vetores e documento , o MongoDB oferece suporte a vários métodos de pesquisa para RAG de agentes, além de armazenar interações de agente no mesmo banco de dados para memória de agente de curto e longo prazo.

Para saber mais e começar a usar, consulte Construir agentes de IA com o MongoDB.

Para concluir os tutoriais nestas páginas, você deve ter o seguinte:

Observação

Você pode executar queries do MongoDB Vector Search usando qualquer driver por meio do estágio de agregação $vectorSearch. Esses tutoriais incluem exemplos para uma seleção de drivers. Consulte a página do tutorial específica para obter detalhes.

Voltar

Usar visualizações compatíveis

Nesta página