Almacén vectorial en Azure Cosmos DB for MongoDB de núcleo virtual
SE APLICA A: 
núcleo virtual de MongoDB
Use base de datos vectorial integrada en Azure Cosmos DB para el núcleo virtual de MongoDB para conectar sin problemas las aplicaciones basadas en inteligencia artificial con los datos almacenados en Azure Cosmos DB. Esta integración puede incluir aplicaciones que hayas creado utilizando incrustaciones de Azure OpenAI. La base de datos vectorial integrada de forma nativa permite almacenar, indexar y consultar de forma eficaz los datos vectoriales de alta dimensión que se almacenan directamente en Azure Cosmos DB para núcleo virtual de MongoDB, junto con los datos originales a partir de los cuales se crean los datos vectoriales. Elimina la necesidad de transferir los datos a almacenes de vectores alternativos y conlleva costos adicionales.
¿Qué es un almacén de vectores?
Un almacén de vectores o base de datos vectoriales es una base de datos diseñada para almacenar y administrar incrustaciones de vectores, que son representaciones matemáticas de datos en un espacio de alta dimensión. En este espacio, cada dimensión corresponde a una característica de los datos y es posible que se usen decenas de miles de dimensiones para representar datos sofisticados. La posición de un vector en este espacio representa sus características. Se pueden vectorizar palabras, frases o documentos completos e imágenes, audio y otros tipos de datos.
¿Cómo funciona un almacén de vectores?
En un almacén de vectores, los algoritmos de búsqueda vectorial se usan para indexar e insertar consultas. Entre algunos algoritmos de vector de búsqueda conocidos se incluyen los mundos pequeños navegables jerárquicos (HNSW), archivo invertido (IVF), DiskANN, etc. La búsqueda vectorial es un método que ayuda a encontrar elementos similares en función de sus características de datos en lugar de coincidencias exactas en un campo de propiedad. Esta técnica es útil en aplicaciones como la búsqueda de texto similar, la búsqueda de imágenes relacionadas, la realización de recomendaciones o incluso la detección de anomalías. Se utiliza para consultar las incrustaciones vectoriales (listas de números) de los datos que ha creado mediante un modelo de Machine Learning con una API de inserciones. Algunos ejemplos de API de inserción podrían ser Incrustaciones de OpenAI de Azure o Hugging Face en Azure. El vector de búsqueda mide la distancia entre los vectores de datos y el vector de consulta. Los vectores de datos más cercanos al vector de consulta son los más similares semánticamente.
En la base de datos vectorial integrada de Azure Cosmos DB para núcleo virtual de MongoDB, las incrustaciones se pueden almacenar, indexar y consultar junto con los datos originales. Este enfoque elimina el coste adicional de replicar datos en una base de datos de vectores pura independiente. Además, esta arquitectura reúne las inserciones vectoriales y los datos originales, lo que facilita aún más las operaciones de datos multimodales; también permite una mayor coherencia, escala y rendimiento de los datos.
Crear un índice vectorial
Para realizar la búsqueda de similitud vectorial sobre las propiedades vectoriales de los documentos, primero tendrá que crear un índice vectorial.
Creación de un índice vectorial con HNSW
Puede crear índices (Hierarchical Navigable Small World) en niveles de clúster M40 y versiones posteriores. Para crear un índice HNSW, debe crear un índice vectorial con el parámetro "kind" establecido en "vector-hnsw" siguiendo esta plantilla:
{
"createIndexes": "<collection_name>",
"indexes": [
{
"name": "<index_name>",
"key": {
"<path_to_property>": "cosmosSearch"
},
"cosmosSearchOptions": {
"kind": "vector-hnsw",
"m": <integer_value>,
"efConstruction": <integer_value>,
"similarity": "<string_value>",
"dimensions": <integer_value>
}
}
]
}
| Campo | Tipo | Description |
|---|---|---|
index_name |
string | Nombre único del índice. |
path_to_property |
string | Ruta de acceso a la propiedad que contiene el vector. Esta ruta de acceso puede ser una propiedad de nivel superior o una ruta de acceso de notación de puntos. Si se usa una ruta de acceso de notación de puntos, no pueden ser matrices todos los elementos que no son hoja. Los vectores deben ser number[] para indexarse y devolverse en los resultados del vector de búsqueda. |
kind |
cadena | Tipo de índice vectorial que se va a crear. Las opciones son vector-ivf y vector-hnsw. Observe que vector-ivf está disponible en todos los niveles de clúster y que vector-hnsw está disponible en los niveles de clúster M40 y versiones posteriores. |
m |
integer | El número máximo de conexiones por capa (de forma predeterminada 16; el valor mínimo es 2 y el valor máximo, 100). Un m mayor es adecuado para conjuntos de datos con requisitos de alta dimensionalidad o alta precisión. |
efConstruction |
integer | es el tamaño de la lista de candidatos dinámicos para construir el grafo (de forma predeterminada 64; el valor mínimo es 4 y el valor máximo, 1000). Un efConstruction mayor dará como resultado una mejor calidad del índice y una mayor precisión, pero también aumentará el tiempo necesario para compilar el índice. efConstruction tiene que ser al menos 2 * m |
similarity |
cadena | Métrica de similitud que se va a usar con el índice. Las opciones posibles son COS (distancia coseno), L2 (distancia euclidiana) o IP (producto interno). |
dimensions |
integer | Número de dimensiones para la similitud vectorial. El número máximo de dimensiones admitidas es 2000. |
Hacer una búsqueda de vectores con HNSW
Para hacer una búsqueda vectorial, use la fase de canalización de agregación $search de la consulta con el operador cosmosSearch.
{
"$search": {
"cosmosSearch": {
"vector": <query_vector>,
"path": "<path_to_property>",
"k": <num_results_to_return>,
"efSearch": <integer_value>
},
}
}
}
| Campo | Tipo | Descripción |
|---|---|---|
efSearch |
integer | Tamaño de la lista de candidatos dinámicos para la búsqueda (de forma predeterminada 40). Un valor más alto proporciona una mejor recuperación a costa de velocidad. |
k |
integer | Número de resultados que se devolverán. debe ser igual o menor que efSearch |
Nota:
La creación de un índice HSNW con grandes conjuntos de datos puede provocar que el recurso de núcleo virtual de Azure Cosmos DB for MongoDB se quede sin memoria, o que se reduzca el rendimiento de otras operaciones que se ejecutan en la base de datos. Si se encuentra con tales problemas, para mitigarlos, escale el recurso a un nivel de clúster superior o reduzca el tamaño del conjunto de datos.
Creación de un índice vectorial con IVF
Para crear un índice vectorial mediante el algoritmo IVF (Archivo invertido), utilice la plantilla createIndexes siguiente y establezca el parámetro "kind" en "vector-ivf":
{
"createIndexes": "<collection_name>",
"indexes": [
{
"name": "<index_name>",
"key": {
"<path_to_property>": "cosmosSearch"
},
"cosmosSearchOptions": {
"kind": "vector-ivf",
"numLists": <integer_value>,
"similarity": "<string_value>",
"dimensions": <integer_value>
}
}
]
}
| Campo | Tipo | Description |
|---|---|---|
index_name |
string | Nombre único del índice. |
path_to_property |
string | Ruta de acceso a la propiedad que contiene el vector. Esta ruta de acceso puede ser una propiedad de nivel superior o una ruta de acceso de notación de puntos. Si se usa una ruta de acceso de notación de puntos, no pueden ser matrices todos los elementos que no son hoja. Los vectores deben ser number[] para indexarse y devolverse en los resultados del vector de búsqueda. |
kind |
cadena | Tipo de índice vectorial que se va a crear. Las opciones son vector-ivf y vector-hnsw. Observe que vector-ivf está disponible en todos los niveles de clúster y que vector-hnsw está disponible en los niveles de clúster M40 y versiones posteriores. |
numLists |
integer | Este entero es el número de clústeres que usa el índice del archivo invertido (IVF) para agrupar los datos vectoriales. Se recomienda establecer numLists en documentCount/1000 para un máximo de 1 millón de documentos y en sqrt(documentCount) para más de 1 millón. El uso de un valor de numLists igual a 1 es similar a realizar una búsqueda por fuerza bruta, la cual tiene un rendimiento limitado. |
similarity |
string | Métrica de similitud que se va a usar con el índice. Las opciones posibles son COS (distancia coseno), L2 (distancia euclidiana) o IP (producto interno). |
dimensions |
integer | Número de dimensiones para la similitud vectorial. El número máximo de dimensiones admitidas es 2000. |
Importante
Establecer correctamente el parámetro numLists es importante para lograr una buena precisión y rendimiento. Se recomienda establecer numLists en documentCount/1000 para un máximo de 1 millón de documentos y en sqrt(documentCount) para más de 1 millón.
A medida que crece el número de elementos de la base de datos, debe ajustar numLists para que sea mayor para lograr un buen rendimiento de latencia del vector de búsqueda.
Si está experimentando con un escenario nuevo o creando una demo pequeña, puede empezar con numLists establecido en 1 para realizar una búsqueda por fuerza bruta en todos los vectores. Esto le proporcionará los resultados más precisos del vector de búsqueda, pero tenga en cuenta que la velocidad de búsqueda y la latencia serán lentas. Después de la configuración inicial, debe continuar y ajustar el parámetro numLists mediante las instrucciones anteriores.
Realización de una búsqueda de vectores con IVF
Para realizar una búsqueda vectorial, use la fase de canalización de agregación $search en una consulta de MongoDB. Para usar el índice de cosmosSearch, use el nuevo operador de cosmosSearch.
{
{
"$search": {
"cosmosSearch": {
"vector": <query_vector>,
"path": "<path_to_property>",
"k": <num_results_to_return>,
},
"returnStoredSource": True }},
{
"$project": { "<custom_name_for_similarity_score>": {
"$meta": "searchScore" },
"document" : "$$ROOT"
}
}
}
Para recuperar la puntuación de similitud (searchScore) junto con los documentos encontrados por la búsqueda vectorial, use el $project operador de inclusión searchScore y cámbiele el nombre por <custom_name_for_similarity_score> en los resultados. A continuación, el documento también se proyecta como objeto anidado. Tenga en cuenta que la puntuación de similitud se calcula mediante la métrica definida en el índice vectorial.
Importante
Los vectores deben ser number[] para indexarse. El uso de otro tipo, como double[], impide que el documento se indexe. Los documentos no indexados no se devolverán en el resultado de un vector de búsqueda.
Ejemplo mediante un índice HNSW.
En los ejemplos siguientes se describe cómo indexar vectores, agregar documentos con propiedades vectoriales, realizar una búsqueda vectorial y recuperar la configuración del índice.
use test;
db.createCollection("exampleCollection");
db.runCommand({
"createIndexes": "exampleCollection",
"indexes": [
{
"name": "VectorSearchIndex",
"key": {
"contentVector": "cosmosSearch"
},
"cosmosSearchOptions": {
"kind": "vector-hnsw",
"m": 16,
"efConstruction": 64,
"similarity": "COS",
"dimensions": 3
}
}
]
});
Este comando crea un índice HNSW con la propiedad contentVector en los documentos almacenados en la colección especificada, exampleCollection. La propiedad cosmosSearchOptions especifica los parámetros del índice vectorial HNSW. Si el documento tiene el vector almacenado en una propiedad anidada, puede establecer esta propiedad mediante una ruta de acceso de notación de puntos. Por ejemplo, puede usar text.contentVector si contentVector es una subpropiedad de text.
Adición de vectores a la base de datos
Para agregar vectores a la colección de la base de datos, primero debe crear las incrustaciones mediante su propio modelo, las Incrustaciones de OpenAI de Azure u otra API (como Hugging Face en Azure). En este ejemplo se agregan nuevos documentos con incrustaciones de ejemplo:
db.exampleCollection.insertMany([
{name: "Eugenia Lopez", bio: "Eugenia is the CEO of AdvenureWorks.", vectorContent: [0.51, 0.12, 0.23]},
{name: "Cameron Baker", bio: "Cameron Baker CFO of AdvenureWorks.", vectorContent: [0.55, 0.89, 0.44]},
{name: "Jessie Irwin", bio: "Jessie Irwin is the former CEO of AdventureWorks and now the director of the Our Planet initiative.", vectorContent: [0.13, 0.92, 0.85]},
{name: "Rory Nguyen", bio: "Rory Nguyen is the founder of AdventureWorks and the president of the Our Planet initiative.", vectorContent: [0.91, 0.76, 0.83]},
]);
Realización de una búsqueda vectorial
Siguiendo con el ejemplo anterior, cree otro vector, queryVector. La búsqueda vectorial mide la distancia entre queryVector y los vectores en la ruta de acceso contentVector de los documentos. Puede establecer el número de resultados que devuelve la búsqueda estableciendo el parámetro k, que se establece en 2 aquí. También puede establecer efSearch, que es un entero que controla el tamaño de la lista de vectores candidatos. Un valor mayor puede mejorar la precisión, pero la búsqueda será más lenta como resultado. Se trata de un parámetro opcional, con un valor predeterminado de 40.
const queryVector = [0.52, 0.28, 0.12];
db.exampleCollection.aggregate([
{
"$search": {
"cosmosSearch": {
"vector": "queryVector",
"path": "contentVector",
"k": 2,
"efSearch": 40
},
}
}
}
]);
En este ejemplo se realiza una búsqueda vectorial mediante queryVector como entrada a través del shell de Mongo. El resultado de la búsqueda es una lista de los dos elementos más similares al vector de consulta, ordenados por sus puntuaciones de similitud.
[
{
similarityScore: 0.9465376,
document: {
_id: ObjectId("645acb54413be5502badff94"),
name: 'Eugenia Lopez',
bio: 'Eugenia is the CEO of AdvenureWorks.',
vectorContent: [ 0.51, 0.12, 0.23 ]
}
},
{
similarityScore: 0.9006955,
document: {
_id: ObjectId("645acb54413be5502badff97"),
name: 'Rory Nguyen',
bio: 'Rory Nguyen is the founder of AdventureWorks and the president of the Our Planet initiative.',
vectorContent: [ 0.91, 0.76, 0.83 ]
}
}
]
Obtener definiciones de índice vectorial
Para recuperar la definición del índice vectorial de la colección, use el comando listIndexes:
db.exampleCollection.getIndexes();
Es este ejemplo, se devuelve vectorIndex con todos los parámetros de cosmosSearch que se usaron para crear el índice:
[
{ v: 2, key: { _id: 1 }, name: '_id_', ns: 'test.exampleCollection' },
{
v: 2,
key: { contentVector: 'cosmosSearch' },
name: 'vectorSearchIndex',
cosmosSearch: {
kind: 'vector-hnsw',
m: 40,
efConstruction: 64,
similarity: 'COS',
dimensions: 3
},
ns: 'test.exampleCollection'
}
]
Ejemplo mediante un índice IVF
La indexación de archivos invertidos (IVF) es un método que organiza los vectores en clústeres. Durante un vector de búsqueda, el vector de consulta se compara en primer lugar con los centros de estos clústeres. Luego, la búsqueda se realiza en el clúster cuyo centro está más cercano al vector de consulta.
El parámetro numLists determina el número de clústeres que se van a crear. Un único clúster implica que la búsqueda se realiza en todos los vectores de la base de datos, como una búsqueda por fuerza bruta o kNN. Esta configuración proporciona la máxima precisión, pero también la mayor latencia.
El resultado del aumento del valor numLists es un aumento de clústeres y que cada uno de ellos contenga menos vectores. Por ejemplo, si numLists=2, cada clúster contiene más vectores que si numLists=3, etc. Un menor número de vectores por clúster aceleran la búsqueda (menor latencia, más consultas por segundo). Sin embargo, esto aumenta la probabilidad de que falte el vector más similar de la base de datos en el vector de consulta. Esto se debe a la naturaleza imperfecta de la agrupación en clústeres, donde la búsqueda puede centrarse en un clúster mientras que el vector "más cercano" real reside en otro clúster.
El parámetro nProbes controla el número de clústeres en que se va a buscar. De forma predeterminada, se establece en 1, lo que significa que la búsqueda se realiza solo en el clúster con el centro más cercano al vector de consulta. Aumentar este valor permite que la búsqueda cubra más clústeres, lo que mejora la precisión, pero también aumenta la latencia (y por consiguiente, reduce el número de consultas por segundo) a medida que se realicen búsquedas en más clústeres y vectores.
En los ejemplos siguientes se describe cómo indexar vectores, agregar documentos con propiedades vectoriales, realizar una búsqueda vectorial y recuperar la configuración del índice.
Crear un índice vectorial
use test;
db.createCollection("exampleCollection");
db.runCommand({
createIndexes: 'exampleCollection',
indexes: [
{
name: 'vectorSearchIndex',
key: {
"vectorContent": "cosmosSearch"
},
cosmosSearchOptions: {
kind: 'vector-ivf',
numLists: 3,
similarity: 'COS',
dimensions: 3
}
}
]
});
Este comando crea un índice de vector-ivf con la propiedad vectorContent en los documentos almacenados en la colección especificada, exampleCollection. La propiedad cosmosSearchOptions especifica los parámetros para el índice de vector IVF. Si el documento tiene el vector almacenado en una propiedad anidada, puede establecer esta propiedad mediante una ruta de acceso de notación de puntos. Por ejemplo, puede usar text.vectorContent si vectorContent es una subpropiedad de text.
Adición de vectores a la base de datos
Para agregar vectores a la colección de la base de datos, primero debe crear las incrustaciones mediante su propio modelo, las Incrustaciones de OpenAI de Azure u otra API (como Hugging Face en Azure). En este ejemplo se agregan nuevos documentos con incrustaciones de ejemplo:
db.exampleCollection.insertMany([
{name: "Eugenia Lopez", bio: "Eugenia is the CEO of AdvenureWorks.", vectorContent: [0.51, 0.12, 0.23]},
{name: "Cameron Baker", bio: "Cameron Baker CFO of AdvenureWorks.", vectorContent: [0.55, 0.89, 0.44]},
{name: "Jessie Irwin", bio: "Jessie Irwin is the former CEO of AdventureWorks and now the director of the Our Planet initiative.", vectorContent: [0.13, 0.92, 0.85]},
{name: "Rory Nguyen", bio: "Rory Nguyen is the founder of AdventureWorks and the president of the Our Planet initiative.", vectorContent: [0.91, 0.76, 0.83]},
]);
Realización de una búsqueda vectorial
Para realizar una búsqueda vectorial, use la fase de canalización de agregación $search en una consulta de MongoDB. Para usar el índice de cosmosSearch, use el nuevo operador de cosmosSearch.
{
{
"$search": {
"cosmosSearch": {
"vector": <vector_to_search>,
"path": "<path_to_property>",
"k": <num_results_to_return>,
},
"returnStoredSource": True }},
{
"$project": { "<custom_name_for_similarity_score>": {
"$meta": "searchScore" },
"document" : "$$ROOT"
}
}
}
Para recuperar la puntuación de similitud (searchScore) junto con los documentos encontrados por la búsqueda vectorial, use el $project operador de inclusión searchScore y cámbiele el nombre por <custom_name_for_similarity_score> en los resultados. A continuación, el documento también se proyecta como objeto anidado. Tenga en cuenta que la puntuación de similitud se calcula mediante la métrica definida en el índice vectorial.
Consulta de vectores y distancias vectoriales (también conocidos como puntuaciones de similitud) mediante $search"
Siguiendo con el ejemplo anterior, cree otro vector, queryVector. La búsqueda vectorial mide la distancia entre queryVector y los vectores en la ruta de acceso vectorContent de los documentos. Puede establecer el número de resultados que devuelve la búsqueda estableciendo el parámetro k, que se establece en 2 aquí. También puede establecer nProbes, que es un entero que controla el número de clústeres cercanos que se inspeccionan en cada búsqueda. Un valor mayor puede mejorar la precisión, pero la búsqueda será más lenta como resultado. Se trata de un parámetro opcional con un valor predeterminado de 1 y no puede ser mayor que el valor de numLists especificado en el índice vectorial.
const queryVector = [0.52, 0.28, 0.12];
db.exampleCollection.aggregate([
{
$search: {
"cosmosSearch": {
"vector": queryVector,
"path": "vectorContent",
"k": 2
},
"returnStoredSource": true }},
{
"$project": { "similarityScore": {
"$meta": "searchScore" },
"document" : "$$ROOT"
}
}
]);
En este ejemplo se realiza una búsqueda vectorial mediante queryVector como entrada a través del shell de Mongo. El resultado de la búsqueda es una lista de los dos elementos más similares al vector de consulta, ordenados por sus puntuaciones de similitud.
[
{
similarityScore: 0.9465376,
document: {
_id: ObjectId("645acb54413be5502badff94"),
name: 'Eugenia Lopez',
bio: 'Eugenia is the CEO of AdvenureWorks.',
vectorContent: [ 0.51, 0.12, 0.23 ]
}
},
{
similarityScore: 0.9006955,
document: {
_id: ObjectId("645acb54413be5502badff97"),
name: 'Rory Nguyen',
bio: 'Rory Nguyen is the founder of AdventureWorks and the president of the Our Planet initiative.',
vectorContent: [ 0.91, 0.76, 0.83 ]
}
}
]
Obtener definiciones de índice vectorial
Para recuperar la definición del índice vectorial de la colección, use el comando listIndexes:
db.exampleCollection.getIndexes();
Es este ejemplo, se devuelve vectorIndex con todos los parámetros de cosmosSearch que se usaron para crear el índice:
[
{ v: 2, key: { _id: 1 }, name: '_id_', ns: 'test.exampleCollection' },
{
v: 2,
key: { vectorContent: 'cosmosSearch' },
name: 'vectorSearchIndex',
cosmosSearch: {
kind: 'vector-ivf',
numLists: 3,
similarity: 'COS',
dimensions: 3
},
ns: 'test.exampleCollection'
}
]
Búsqueda filtrada de vectores (versión preliminar)
Ahora puede ejecutar búsquedas de vectores con cualquier filtro de consulta compatible, como $lt, $lte, $eq, $neq, $gte, $gt, $in, $nin y $regex. Habilite la característica "búsqueda de vectores con filtro" en la pestaña "Características en versión preliminar" de la suscripción de Azure. Puede encontrar más información sobre las características en versión preliminar aquí.
En primer lugar, deberá definir un índice para el filtro además de un índice vectorial. Por ejemplo, puede definir el índice de filtro en una propiedad.
db.runCommand({
"createIndexes": "<collection_name",
"indexes": [ {
"key": {
"<property_to_filter>": 1
},
"name": "<name_of_filter_index>"
}
]
});
A continuación, puede agregar el término "filter" a la búsqueda de vectores, como se muestra a continuación. En este ejemplo, el filtro busca documentos en los que la propiedad "title" no está en la lista de ["not in this text", "or this text"].
db.exampleCollection.aggregate([
{
'$search': {
"cosmosSearch": {
"vector": "<query_vector>",
"path": <path_to_vector>,
"k": num_results,
"filter": {<property_to_filter>: {"$nin": ["not in this text", "or this text"]}}
},
"returnStoredSource": True }},
{'$project': { 'similarityScore': { '$meta': 'searchScore' }, 'document' : '$$ROOT' }
}
]);
Importante
Mientras se encuentra en versión preliminar, la búsqueda filtrada de vectores puede requerir que ajuste los parámetros de índice vectorial para lograr una mayor precisión. Por ejemplo, aumentar m, efConstruction o efSearch cuando se usa HNSW, o numLists, o nProbes cuando se usa SIGHT, puede dar lugar a mejores resultados. Debe probar la configuración antes de usarla para asegurarse de que los resultados son satisfactorios.
Uso de herramientas de orquestación de LLM
Uso como base de datos vectorial con Semantic Kernel
Ahora puede usar Semantic Kernel para orquestar la recuperación de información desde el núcleo virtual de Azure Cosmos DB for MongoDB y el LLM. Obtenga más información aquí.
Uso como base de datos vectorial con LangChain
Use LangChain para orquestar la recuperación de información desde el núcleo virtual de Azure Cosmos DB for MongoDB y el LLM. Obtenga más información aquí.
Uso como caché semántica con LangChain
Use LangChain y Azure Cosmos DB for MongoDB (núcleo virtual) para orquestar el almacenamiento en caché semántico, mediante respuestas de LLM previamente grabadas que pueden ahorrar costos de API de LLM y reducir la latencia de las respuestas. Obtenga más información aquí.
Características y limitaciones
- Métricas de distancia admitidas: L2 (euclidiano), producto interno y coseno.
- Métodos de indexación admitidos: IVFFLAT (GA) y HSNW (versión preliminar)
- Indexación de vectores de hasta 2000 dimensiones de tamaño.
- La indexación solo se aplica a un vector por ruta de acceso.
- Solo se puede crear un índice por ruta de acceso vectorial.
Resumen
En esta guía se muestra cómo crear un índice vectorial, agregar documentos con datos vectoriales, realizar una búsqueda de similitud y recuperar la definición de índice. Con la base de datos vectorial integrada puede almacenar, indexar y consultar de forma eficaz datos vectoriales de alta dimensión directamente en el núcleo virtual de Azure Cosmos DB for MongoDB. Le permite desbloquear todo el potencial de los datos con incrustaciones vectoriales y le capacita para crear aplicaciones más precisas, potentes y eficaces.
Contenido relacionado
- Solución de referencia comercial .NET RAG Pattern
- Tutorial de .NET: bot de chat de recetas
- Patrón RAG de C#: integración de servicios Open AI con Cosmos
- Patrón RAG de Python: bot de chat de productos de Azure
- Tutorial del cuaderno de Python: integración de bases de datos vectoriales a través de LangChain
- Tutorial del cuaderno de Python: integración del almacenamiento en caché de LLM a través de LangChain
- Python: Integración LlamaIndex
- Python: Integración de memoria de kernel semántica