Skip to main content
MongoDB Atlas 是一款完全托管的云数据库， 可在 AWS、Azure 和 GCP 上使用。它现在支持对 MongoDB 文档数据进行原生向量搜索。

​
安装与设置

详细配置说明请参阅此页面。 我们需要安装 langchain-mongodb Python 包。 
pip install langchain-mongodb

​
向量存储

查看使用示例。 
from langchain_mongodb import MongoDBAtlasVectorSearch

​
检索器

​
全文搜索检索器

混合搜索检索器使用 Lucene 的标准（BM25）分析器执行全文搜索。 
from langchain_mongodb.retrievers import MongoDBAtlasFullTextSearchRetriever

​
混合搜索检索器

混合搜索检索器通过倒数排名融合（RRF）算法对向量搜索和全文搜索进行加权组合。 
from langchain_mongodb.retrievers import MongoDBAtlasHybridSearchRetriever

​
模型缓存

​
MongoDBCache

用于在 MongoDB 中存储简单缓存的抽象。不使用语义缓存，生成前也不需要在集合上建立索引。 导入此缓存： 
from langchain_mongodb.cache import MongoDBCache
配合 LLM 使用此缓存： 
from langchain_core.globals import set_llm_cache

# use any embedding provider...
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings

mongodb_atlas_uri = "<YOUR_CONNECTION_STRING>"
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,
))

​
MongoDBAtlasSemanticCache

语义缓存允许用户根据用户输入与之前缓存结果之间的语义相似性来检索缓存的提示词。在底层，它将 MongoDBAtlas 同时用作缓存和向量存储。 MongoDBAtlasSemanticCache 继承自 MongoDBAtlasVectorSearch，需要定义 Atlas 向量搜索索引才能工作。请参阅使用示例了解如何设置索引。 导入此缓存： 
from langchain_mongodb.cache import MongoDBAtlasSemanticCache
配合 LLM 使用此缓存： 
from langchain_core.globals import set_llm_cache

# use any embedding provider...
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings

mongodb_atlas_uri = "<YOUR_CONNECTION_STRING>"
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,
))
在 GitHub 上编辑此页面 或 提交 issue。
将这些文档连接 到 Claude、VSCode 等，通过 MCP 获取实时答案。