操作失败：未找到相似性索引（Cosmos DB for MongoDB）

Question

我正在开发一个聊天机器人项目，在该项目中，我通过 MongoDB 将数据集保存到 cosmosDB 中，并在 python 中使用它来检查用户查询嵌入和块嵌入的相似性。 我收到如下错误：OperationFailure：未找到矢量相似性搜索查询的相似性索引。完整错误：{'ok'：0.0，'errmsg'：'未找到矢量相似性搜索查询的相似性索引.', '代码': 2, '代码名称': 'BadValue'}.

这是我正在使用的代码：

# simple function to assist with vector search
def vector_search(query, num_result=5):
    query_embedding = get_embedding(query)
    print(len(query_embedding))
    pipeline = [
        {
            '$search':{
                'cosmosSearch':{
                    'vector': query_embedding,
                    'path': '/text_embedding',
                    'k':num_result,
                },
                'returnStoredSource':True
            }
        },
        {'$project': {'similarityScore': {'$meta': 'searchScore'},
                      'document': '$$ROOT'}}
    ]
    results = collection.aggregate(pipeline)
    return list(results)

还有 这是我用于创建新索引的代码：如下所示：

# Here we are using the 1st method. 
db.command({
    'createIndexes': 'de_iceing_test',
    'indexes':[
    {
        'name': 'text_embedding',
        'key':{
            'contentVector':1,
        
        },
        'cosmosSearchOptions':{
            'kind': 'vector-ivf',
            'numLists':5,        # number of lists to use in the IVF index
            'similarity': 'COS', # cosine similarity metric
            'dimensions': 1536   # dimensional vector
        }
    }
    ]
})

你能帮我解决这个错误吗？

请帮我删除上面和下面提到的这个错误：

OperationFailure: Similarity index was not found for a vector similarity search query., full error: {'ok': 0.0, 'errmsg': 'Similarity index was not found for a vector similarity search query.', 'code': 2, 'codeName': 'BadValue'}

Answer 1

根据微软提供的官方示例，需要设置

cosmosSearch

为索引内容，

{ 
    "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> 
            } 
        } 
    ] 
}

因此，对于您的场景，您可以预期索引定义如下：

db.command({
    'createIndexes': 'de_iceing_test',
    'indexes':[
    {
        'name': 'text_embedding',
        'key':{
            'contentVector': "cosmosSearch", # here
        
        },
        'cosmosSearchOptions':{
            'kind': 'vector-ivf',
            'numLists':5,        # number of lists to use in the IVF index
            'similarity': 'COS', # cosine similarity metric
            'dimensions': 1536   # dimensional vector
        }
    }
    ]
})