-dxuktmi8uo.jpg)
使用MongoDB构建AI：集成向量搜索和Cohere以打造前沿企业应用
内容提要
Cohere是一家领先的企业AI平台，提供大型语言模型（LLMs）和文本生成和嵌入模型。其模型在性能和成本之间提供最佳平衡，并可在生产环境中大规模部署。Cohere的平台与云无关，可通过API和流行的云托管服务访问，并可部署在VPC或本地。Cohere的Embed 3和Rerank 3模型可与MongoDB Atlas Vector Search一起使用，构建先进的语义搜索系统。
延伸解读
Embed Jobs 端点：提升大规模嵌入效率
Cohere 新推出的 Embed Jobs 端点允许一次性传入整个数据集进行嵌入，解决了以往需要逐条传递文档导致的吞吐量限制。这简化了大规模数据集的嵌入流程，并便于将嵌入结果导回存储系统。对于需要处理海量数据的企业，这一改进显著提升了开发效率和操作便捷性。
Rerank 3：增强复杂数据搜索准确性
Rerank 3 模型可以轻松添加到搜索系统的最后阶段，仅需少量代码即可提升搜索准确性。它支持超过100种语言，并在 JSON、代码和表格等复杂数据上表现出高精度。对于依赖传统密集检索系统的开发者，Rerank 3 提供了一种有效的语义增强手段，能够显著改善搜索结果的相关性。
MongoDB Atlas 与 Cohere 的协同优势
MongoDB Atlas 作为高吞吐量的 OLTP 数据库，与 Cohere 的批量嵌入结合，为构建复杂生成式 AI 应用提供了强大支持。Atlas Vector Search 能够处理大规模向量摄入，确保嵌入立即可用于语义搜索和 RAG。同时，Atlas Triggers 支持实时嵌入新内容，使应用能够基于实时运营数据动态更新，满足高度动态的生成式 AI 应用需求。
统一平台降低生成式 AI 开发复杂度
通过将源应用数据、元数据和向量嵌入统一在 MongoDB Atlas 中，并通过单一 API 访问，开发者能够更快、更低成本地构建生成式 AI 应用。MongoDB 的查询 API 支持基于元数据的预过滤，加速相关向量嵌入的检索。这种集成简化了开发流程，并依托 Atlas 的安全性和成熟性，适用于关键任务工作负载。
Q&A
Cohere的Embed模型有什么特点？
Cohere的Embed模型支持多语言，用户可以指定计算嵌入的数据类型，从而提高搜索结果的准确性。
如何使用Cohere和MongoDB Atlas构建语义搜索系统？
可以将Cohere的Embed 3和Rerank 3模型与MongoDB Atlas Vector Search结合，构建先进的语义搜索系统。
Cohere的Embed Jobs端点有什么优势？
Embed Jobs端点允许一次性传递整个数据集，提高了开发者的体验和处理效率。
MongoDB Atlas如何支持生成AI应用？
MongoDB Atlas提供高吞吐量的OLTP数据库，支持与Cohere的批量嵌入结合，构建复杂的生成AI应用。
Rerank 3模型在搜索系统中起什么作用？
Rerank 3模型可以在搜索系统的最后阶段添加，提升复杂数据的搜索准确性，支持100多种语言。
Cohere和MongoDB Atlas的结合对开发者有什么好处？
结合使开发者能够更快地构建基于实时数据的生成AI应用，降低了成本和复杂性。
