MongoDB Vector Search
콘텐츠를 vector embedding으로 변환하고, 효율적인 similarity search를 위해 metadata와 함께 MongoDB Atlas Search vector index에 저장하는 과정입니다.
동의어: mongodb embedding, vector indexing, semantic indexing, atlas search vectors
MongoDB vector search indexing은 chunk로 나뉜 normalized content에서 시작합니다. 각 chunk는 Gemini 또는 OpenAI embedding 같은 방식으로 embedding된 뒤, vector search index가 있는 MongoDB collection에 저장됩니다. tenant, locale, access tier, timestamp 같은 풍부한 metadata는 downstream filtering과 access control을 가능하게 합니다. embedding model을 versioning하고 hash를 저장하면 재현성과 drift detection을 지원할 수 있습니다. 정기적인 differential re-indexing은 변경되지 않은 page를 다시 처리하지 않고도 freshness를 보장합니다.
자주 묻는 질문
Knowledge retrieval에 MongoDB Atlas Search를 왜 사용하나요?
MongoDB Atlas Search는 vector query와 traditional query를 결합할 수 있는 빠른 vector similarity search, 통합 metadata filtering, 기존 MongoDB infrastructure 안에서의 매끄러운 scaling을 제공합니다.
어떤 metadata가 중요한가요?
tenant ID, language, URL, content hash, updated timestamp, model version을 저장하면 filtering, freshness check, controlled reindexing이 가능합니다.