ApsaraDB for MongoDB:Layanan Model MongoDB

Prasyarat

• Anda telah membuat instans replica set atau sharded cluster ApsaraDB for MongoDB versi 8.3 atau lebih baru. Untuk petunjuknya, lihat Create Instance.

• Anda telah menginstal mongosh (MongoDB Shell) di mesin lokal Anda.

Aktifkan node Search

1. Pada panel navigasi kiri halaman detail instans, pilih AI Capabilities > MongoDB Search.

2. Klik Enable Search Service, pilih spesifikasi dan jumlah node Search, lalu konfirmasi.

3. Tunggu hingga status node Search berubah menjadi running. Proses ini biasanya memerlukan beberapa menit.

Setelah layanan diaktifkan, instans mendukung tahapan agregasi $search dan $vectorSearch, serta perintah manajemen indeks Search seperti createSearchIndexes.

Aktifkan Layanan Model

1. Pada panel navigasi kiri halaman detail instans, pilih AI Capabilities > Model Service.

2. Klik Activate Now. Setelah layanan diaktifkan, sistem akan menetapkan titik akhir khusus untuk instans dan menghasilkan API Key.

   dds-<instance-id>-aigateway.mongodbaiapp.<region>.rds.aliyuncs.com

Buat indeks vektor auto-embedding

Hubungkan ke instans. Informasi koneksi dapat ditemukan pada halaman Database Connection di Konsol.

mongosh "mongodb://<user>:<password>@dds-<instance-id>.mongodb.<region>.rds.aliyuncs.com:3717,dds-<instance-id>.mongodb.<region>.rds.aliyuncs.com:3717/admin?replicaSet=mgset-<replica-set-id>"

Setelah terhubung, jalankan skrip berikut:

use("mydb");

// 1. Masukkan dokumen contoh—hanya teks biasa, tidak perlu perhitungan vektor
db.articles.insertMany([
  { title: "Cat",  content: "Cats are small, agile mammals often kept as pets" },
  { title: "Dog",  content: "Dogs are loyal companions known for their trainability" },
  { title: "Bird", content: "Most birds can fly, and many migrate across continents" }
]);

// 2. Buat indeks vektor autoEmbed untuk bidang content
//    MongoDB secara otomatis menghasilkan vektor menggunakan model yang ditentukan
db.runCommand({
  createSearchIndexes: "articles",
  indexes: [{
    name: "vector_index",
    type: "vectorSearch",
    definition: {
      fields: [
        { type: "autoEmbed", modality: "text", path: "content", model: "text-embedding-v4" },
        { type: "filter", path: "title" }
      ]
    }
  }]
});

// 3. Periksa status indeks—indeks siap digunakan ketika queryable bernilai true
db.articles.aggregate([{ $listSearchIndexes: {} }]);

Untuk set data kecil, indeks biasanya dibuat dalam beberapa detik. Indeks siap digunakan ketika nilai queryable pada output bernilai true.

Lakukan pencarian semantik

Setelah indeks siap, Anda dapat melakukan kueri menggunakan bahasa alami. Teks kueri akan secara otomatis diubah menjadi vektor oleh model yang sama.

db.articles.aggregate([
  {
    $vectorSearch: {
      index: "vector_index",
      path: "content",
      query: "which animals can fly",   // Teks biasa, bukan vektor
      numCandidates: 100,
      limit: 3
    }
  },
  { $project: { title: 1, score: { $meta: "vectorSearchScore" } } }
]);

Hasil yang diharapkan: Dokumen dengan judul Bird memiliki skor tertinggi karena kontennya paling dekat secara semantik dengan kueri "which animals can fly".

Panggil model lain (Opsional)

Layanan Model juga mendukung model lain. Model yang tersedia meliputi: qwen3.6-flash, qwen3.6-plus, qwen3.5-flash, qwen3.5-plus, dan deepseek-v4-pro.

Kirim permintaan chat streaming:

curl -X POST \
  http://dds-<instance-id>-aigateway.mongodbaiapp.<region>.rds.aliyuncs.com:8000/v1/chat/completions \
  -H "Authorization: Bearer <api-key>" \
  -H "Content-Type: application/json" \
  -H "Accept: text/event-stream" \
  --no-buffer \
  -d '{
    "model": "qwen3.6-plus",
    "messages": [{"role": "user", "content": "Hello"}],
    "max_tokens": 100,
    "stream": true
  }'

Ganti placeholder berikut:

Langkah selanjutnya

• Pencarian hibrida: Gabungkan $search (full-text) dan $vectorSearch (semantik) untuk meningkatkan recall.

• Ganti model: Ubah bidang model dalam definisi indeks autoEmbed untuk mengganti model penyematan tanpa perlu mengelola bidang vektor secara manual.