MongoDB Atlas 集成

使用 LangChain Python 与 MongoDB Atlas 集成。

MongoDB Atlas 是一个完全托管的云 数据库，支持 AWS、Azure 和 GCP。它现在支持在 MongoDB 文档数据上原生 进行向量搜索。

安装和设置

请查看 详细配置说明。

我们需要安装 langchain-mongodb Python 包。

pip

pip install langchain-mongodb

uv add langchain-mongodb

向量存储

请查看 使用示例。

from langchain_mongodb import MongoDBAtlasVectorSearch

检索器

全文搜索检索器

Hybrid Search Retriever 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

Hybrid Search Retriever 结合向量和全文搜索，并通过 Reciprocal Rank Fusion（RRF）算法对它们进行加权。

from langchain_mongodb.retrievers import MongoDBAtlasHybridSearchRetriever

模型缓存

MongoDBCache

这是一个在 MongoDB 中存储简单缓存的抽象。它不使用语义缓存，也不需要在生成前在集合上创建索引。

要导入此缓存：

from langchain_mongodb.cache import MongoDBCache

要在您的 LLM 中使用此缓存：

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度来检索缓存的提示。底层它将 MongoDB Atlas 同时作为缓存和向量存储使用。 MongoDBAtlasSemanticCache 继承自 MongoDBAtlasVectorSearch，并且需要定义 Atlas 向量搜索索引才能工作。请查看 使用示例 了解如何设置索引。

要导入此缓存：

from langchain_mongodb.cache import MongoDBAtlasSemanticCache

要在您的 LLM 中使用此缓存：

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,
))

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.