Xây dựng Trợ lý Hỏi & Đáp trong Django với MongoDB Auto-Embeddings
Xây dựng tìm kiếm ngữ nghĩa trong Django với auto-embeddings của MongoDB: không cần mã nhúng, tự động đồng bộ lại khi tài liệu thay đổi, và truy vấn văn bản thuần.
Trong một thiết lập retrieval-augmented generation (RAG) điển hình, bạn tạo embeddings khi chèn tài liệu, tạo lại khi nội dung thay đổi, và tự nhúng mọi truy vấn. Automated Embedding đơn giản hóa quy trình xây dựng tìm kiếm ngữ nghĩa, khi MongoDB Atlas xử lý việc tạo, cập nhật, truy vấn embeddings một cách bản địa, và Vector Search lưu trữ các vector embedding đã tạo trên cụm của bạn.
Cách MongoDB thực hiện nhúng tự động
Khi một chỉ mục vector kiểu autoEmbed được tạo, MongoDB sẽ tạo embeddings cho trường đã chọn, dùng mô hình VoyageAI, giữ chúng đồng bộ khi tài liệu thay đổi, và nhúng văn bản truy vấn tại thời điểm tìm kiếm bằng cùng mô hình đó. Các embeddings được tạo được lưu không đồng bộ trên cụm MongoDB trong một cơ sở dữ liệu nội bộ riêng.
Trong hướng dẫn này, chúng ta sẽ xây dựng một Trợ lý Hỏi & Đáp cho tài liệu với autoembeddings của MongoDB. Backend MongoDB cho Django sẽ được dùng để định nghĩa models và nạp tài liệu, và MongoDB sẽ được dùng để tra cứu, tự động tạo và đồng bộ embeddings, và LLM sẽ trả về tài liệu dựa trên kết quả truy xuất.
Đến cuối hướng dẫn, bạn sẽ xây dựng giai đoạn truy xuất của một pipeline RAG: một tìm kiếm ngữ nghĩa trên các tài liệu Federal Register nơi auto-embeddings xử lý công việc nhúng thay bạn. Tài liệu được nhúng khi bạn chèn, nhúng lại khi chúng thay đổi, và truy vấn của bạn được nhúng tại thời điểm tìm kiếm, tất cả mà không cần viết mã nhúng.
Từ thư mục gốc dự án, chạy lệnh sau để tạo dự án và ứng dụng Django mới. Thêm dấu . ở cuối lệnh startproject, để Django cài dự án vào thư mục hiện tại thay vì tạo một thư mục lồng nhau mới.
django-admin startproject regulations_qa --template https://github.com/mongodb-labs/django-mongodb-project/archive/refs/heads/6.0.x.zip .Được hỗ trợ bởi
Đăng ký ứng dụng trong regulations_qa/settings.py bằng cách thêm vào INSTALLED_APPS:
INSTALLED_APPS =['regulations_qa.apps.MongoAdminConfig','regulations_qa.apps.MongoAuthConfig','regulations_qa.apps.MongoContentTypesConfig','django.contrib.sessions','django.contrib.messages','django.contrib.staticfiles','django_mongodb_backend','documents',]Được hỗ trợ bởi
Cấu hình biến môi trường
Tạo tệp .env ở thư mục gốc dự án với các giá trị của riêng bạn, và liệt kê tệp này trong .gitignore để không bị commit khi bạn đẩy mã lên.
# .env
SECRET_KEY=[REPLACE_WITH_YOUR_SECRET_KEY]
MONGODB_URI="mongodb+srv://<username>:<password>@<cluster>.mongodb.net/?retryWrites=true&w=majority"
DB_NAME=regulations_qa
VECTOR_INDEX_NAME=autoembed_indexĐược hỗ trợ bởi
Xóa dòng SECRET_KEY = '...' hardcode gốc khỏi settings.py, sao chép giá trị Django đã tạo trong settings.py khi bạn chạy startproject và thay vào tệp .env của bạn. Theo mặc định giá trị đó được hardcode, và chúng ta chuyển nó vào .env để tránh đưa vào hệ thống quản lý phiên bản, vì Django dùng nó để ký cookie phiên, token CSRF, và các dữ liệu nhạy cảm khác.
Mở regulations_qa/settings.py và đảm bảo có đầy đủ những nội dung sau. Các dòng import và load_dotenv() đặt ở đầu. Thay thế các định nghĩa SECRET_KEY và DATABASES hiện có, và thêm dòng VECTOR_INDEX_NAME:
import os
from dotenv import load_dotenv
load_dotenv()
SECRET_KEY = os.getenv("SECRET_KEY")
VECTOR_INDEX_NAME = os.getenv("VECTOR_INDEX_NAME")
DATABASES ={'default':{'ENGINE':'django_mongodb_backend','HOST': os.getenv("MONGODB_URI"),'NAME': os.getenv("DB_NAME"),},}Được hỗ trợ bởi
Tạo thư mục cho các lệnh quản trị
Tiếp theo, chúng ta tạo các thư mục với tệp __init__.py rỗng cho các lệnh quản trị, vì Django chỉ phát hiện lệnh tùy chỉnh trong package management/commands/.
mkdir-p documents/management/commands documents/services &&touch documents/management/__init__.py documents/management/commands/__init__.py documents/services/__init__.pyĐược hỗ trợ bởi
Nguồn dữ liệu: Các tài liệu Federal Register
Trong hướng dẫn này, chúng ta sẽ lập chỉ mục các tài liệu từ Federal Register; ấn phẩm hàng ngày của chính phủ Hoa Kỳ về các quy định, quy định đề xuất và thông báo. Nguồn dữ liệu là một API công khai gồm các tài liệu có tiêu đề và phần tóm tắt ngắn bằng văn xuôi, rất phù hợp với tìm kiếm ngữ nghĩa.
Bản ghi có các trường như title, type, abstract, document_number (ID duy nhất), publication_date, html_url, và danh sách agencies.
Một số tài liệu có giá trị null, nên chúng ta sẽ bỏ qua.
Phần tóm tắt có chứa markup như <INF>2.5</INF> trong “PM2.5”, nên chúng ta loại bỏ thẻ trước khi lưu.
Kết quả được phân trang tối đa 100 mỗi yêu cầu, và mỗi trang có next_page_url (dựa trên cursor) để theo tiếp.
Thử endpoint qua shell
curl-g"https://www.federalregister.gov/api/v1/documents.json?conditions[agencies][]=environmental-protection-agency&per_page=2"Được hỗ trợ bởi
Lưu ý: Đây là dữ liệu công khai của chính phủ Hoa Kỳ dùng cho mục đích minh họa. Đây không phải nguồn pháp lý; để nghiên cứu pháp lý, hãy dùng ấn bản chính thức.
Nạp dữ liệu
Chúng ta sẽ bắt đầu bằng cách tạo các model trong tệp models.py.
python manage.py makemigrations documents
python manage.py migrateĐược hỗ trợ bởi
Tiếp theo, chuyển sang phần nạp dữ liệu.
# documents/management/commands/ingest_federal_register.pyimport re
import time
import requests
from django.core.management.base import BaseCommand
from documents.models import Document
API_URL ="https://www.federalregister.gov/api/v1/documents.json"
TAG_PATTERN = re.compile(r"<[^>]+>")classCommand(BaseCommand):help="Load Federal Register documents into MongoDB."defadd_arguments(self, parser):
parser.add_argument("--agency", default="environmental-protection-agency")
parser.add_argument("--limit",type=int, default=300)defhandle(self,*args,**options):
params =[("conditions[agencies][]", options["agency"]),("conditions[type][]","RULE"),("conditions[type][]","PRORULE"),("per_page","100"),]
headers ={"User-Agent":"regulations-qa-tutorial"}
url, processed = API_URL,0while url and processed < options["limit"]:
response = requests.get(
url,
params=params if url == API_URL elseNone,
headers=headers,
timeout=30,)
response.raise_for_status()
page = response.json()for item in page["results"]:
abstract = TAG_PATTERN.sub("", item.get("abstract")or"").strip()ifnot abstract:continue
agencies = item.get("agencies")or[{}]
Document.objects.update_or_create(
document_number=item["document_number"],
defaults={"title": TAG_PATTERN.sub("", item["title"]),"doc_type": item["type"],"agency": agencies[0].get("name",""),"publication_date": item["publication_date"],"abstract": abstract,"source_url": item["html_url"],},)
processed +=1if processed >= options["limit"]:break
url = page.get("next_page_url")
time.sleep(1)
self.stdout.write(f"Documents in database: {Document.objects.count()}")Được hỗ trợ bởi
Chạy lệnh:
python manage.py ingest_federal_register --limit100Được hỗ trợ bởi
Bạn có thể xác nhận việc nhập dữ liệu trong giao diện MongoDB Atlas:
Định nghĩa Chỉ mục Auto-Embed
Chỉ mục vector search cho MongoDB biết trường nào sẽ thực hiện nhúng và chỉ định mô hình sẽ dùng. Sau đó, MongoDB sẽ tự động tạo và lưu trữ các embeddings.
Trong Atlas UI, mở cụm của bạn, vào Search & Vector Search, và nhấp Create Search Index.
Chọn Vector Search làm loại tìm kiếm và Automated Embedding làm cách thiết lập dữ liệu vector của bạn.
Chọn trình soạn thảo JSON, chọn cơ sở dữ liệu của bạn và collection documents_document, và đặt tên chỉ mục là autoembed_index (tên này phải khớp với VECTOR_INDEX_NAME trong tệp .env). Dán định nghĩa sau:
{"fields":[{"type":"autoEmbed","modality":"text","path":"abstract","model":"voyage-4-lite"}]}Được hỗ trợ bởi
Rà soát định nghĩa, sau đó tạo chỉ mục.
Chờ đến khi trạng thái chỉ mục hiển thị sẵn sàng truy vấn, vì embeddings đang được tạo ở nền.
Truy vấn bằng văn bản thuần
Với auto-embeddings, chúng ta dùng stage $vectorSearch với truy vấn văn bản thuần và nhúng câu hỏi bằng cùng mô hình mà chỉ mục dùng, nên không có lời gọi nhúng nào trong mã của chúng ta.
Để thực hiện điều này, chúng ta sẽ tạo một module service.
# documents/services/search_service.pyfrom functools import lru_cache
from django.conf import settings
from pymongo import MongoClient
from documents.models import Document
DEFAULT_LIMIT =5@lru_cache(maxsize=1)# create the client once and reuse itdef_get_client():return MongoClient(settings.DATABASES["default"]["HOST"])def_get_collection():
db_name = settings.DATABASES["default"]["NAME"]return _get_client()[db_name][Document._meta.db_table]def_get_index_name():
index_name = settings.VECTOR_INDEX_NAME
ifnot index_name:raise ValueError("VECTOR_INDEX_NAME is not set. Add it to your .env file.")return index_name
defsemantic_search(question:str, limit:int= DEFAULT_LIMIT)->list:"""Search with a plain-text question.
There is no query vector to pass in: MongoDB embeds the question
with the index's model.
"""
pipeline =[{"$vectorSearch":{"index": _get_index_name(),"path":"abstract","query": question,"numCandidates": limit *20,"limit": limit,}},{"$project":{"_id":0,"document_number":1,"title":1,"abstract":1,"source_url":1,"score":{"$meta":"vectorSearchScore"},}},]returnlist(_get_collection().aggregate(pipeline))Được hỗ trợ bởi
_get_client() tạo kết nối đến MongoDB một lần và tái sử dụng. lru_cache ghi nhớ kết quả của lần gọi đầu, vì vậy mọi tìm kiếm dùng chung một client thay vì mở kết nối mới mỗi lần.
_get_collection() chọn cơ sở dữ liệu regulations_qa và collection documents_document, dùng cùng cấu hình mà Django đang dùng.
_get_index_name() đọc tên chỉ mục từ settings và đưa ra lỗi rõ ràng nếu thiếu.
semantic_search() gửi câu hỏi dạng văn bản trong trường query. Stage thứ hai cắt tỉa kết quả về các trường cần thiết và thêm điểm tương đồng.
Sau đó thêm một helper để tìm kiếm tài liệu:
# documents/management/commands/search_docs.pyfrom django.core.management.base import BaseCommand
from documents.services.search_service import semantic_search
classCommand(BaseCommand):help="Run a plain-text search."defadd_arguments(self, parser):
parser.add_argument("question")defhandle(self,*args,**options):for hit in semantic_search(options["question"]):
self.stdout.write(f"{hit['score']:.3f}{hit['document_number']}{hit['title'][:80]}")Được hỗ trợ bởi
Bây giờ, để kiểm thử, chạy:
python manage.py search_docs "limits on pollution from factories"Được hỗ trợ bởi
Trong ví dụ, chúng ta chọn các câu hỏi không chia sẻ từ khóa với phần tóm tắt. Một câu hỏi về “limits on pollution from factories” sẽ truy xuất các tài liệu về tiêu chuẩn phát thải.
Lưu ý: Trên cụm miễn phí (M0) không có phương thức thanh toán, các yêu cầu nhúng truy vấn có thể bị giới hạn tốc độ.
Demo: Chỉnh sửa tài liệu và xem đồng bộ lại
Cho phần demo, chúng ta có thể dùng Search Tester trong MongoDB Atlas, gắn với autoembed_index đã tạo trước đó trên collection regulations_qa.documents_document, hoặc dùng Python shell.
Bước 1: Tìm kiếm qua MongoDB Atlas và shell
Để thử trong giao diện MongoDB Atlas, nhập truy vấn này:
from documents.models import Document
from documents.services.search_service import semantic_search
Q ="which states need to clean up their air"
hits = semantic_search(Q, limit=10)print("\n".join(f"{i}{h['score']:.3f}{h['document_number']}{h['title'][:70]}"for i, h inenumerate(hits,1)))Được hỗ trợ bởi
Kết quả đầu ra sẽ giống như những gì ta thấy qua giao diện.
Bước 2: Chỉnh sửa tài liệu
target = hits[-1]
doc = Document.objects.get(document_number=target["document_number"])
original = doc.abstract
doc.abstract = original +" This action also identifies which states and areas must clean up their air to meet health-based standards."
doc.save()print(target["document_number"],"edited")Được hỗ trợ bởi
Bước 3: Tìm kiếm lại
Auto-embeddings được tạo không đồng bộ, nên chờ 30–60 giây, rồi chạy lại truy vấn:
hits = semantic_search(Q, limit=10)print("\n".join(f"{i}{h['score']:.3f}{h['document_number']}{h['title'][:70]}"for i, h inenumerate(hits,1)))Được hỗ trợ bởi
Bây giờ, chúng ta kỳ vọng thấy tài liệu đã chỉnh sửa xếp hạng cao hơn trước.
Chạy cùng truy vấn trong Search Tester để xem kết quả qua giao diện.
Điều đã xảy ra là MongoDB nhận thấy trường đã lập chỉ mục thay đổi và tạo lại embedding cho tài liệu đó, nên tài liệu 2026-16515, vốn đứng thứ 10 trong mẫu, đã được xếp hạng cao hơn và ở vị trí thứ 5 sau khi chỉnh sửa và đồng bộ.
Tổng kết
Chúc mừng bạn đã hoàn thành đến đây! Chúng ta đã có một trợ lý Hỏi & Đáp cho tài liệu sử dụng dữ liệu mà MongoDB xử lý quy trình embedding. Điều này đạt được qua các bước sau:
Chèn: tài liệu được nạp qua Django ORM
Chỉ mục: một định nghĩa chỉ mục, tạo trong Atlas UI, chỉ định trường và mô hình.
Truy vấn: câu hỏi văn bản thuần qua một service nhỏ mà không cần thêm lời gọi nhúng riêng.
Chỉnh sửa: thay đổi ở trường đã lập chỉ mục được đồng bộ lại mà không cần script nhúng lại.
Lưu ý: Dữ liệu trong hướng dẫn này đến từ Federal Register, nơi xuất bản các tài liệu của chính phủ Hoa Kỳ. Hướng dẫn này độc lập và không được Federal Register bảo trợ hay chứng thực.
Afi vận động cho các nhà phát triển tại MongoDB với trọng tâm là Django và Python, hỗ trợ kỹ sư xây dựng cùng các công nghệ dữ liệu hiện đại thông qua hướng dẫn, bài nói chuyện và hoạt động cộng đồng. Là Microsoft MVP được công nhận cho Python và Web, cô phục vụ trong ban quản trị Django Software Foundation và là Trưởng ban Chương trình của DjangoCon US 2025. Afi cũng là Điều phối viên Khu vực của Black Python Devs, đồng thời là người đóng góp mã nguồn mở năng động và diễn giả quốc tế.
Những gì Auto-Embeddings đơn giản hóa
Trong một thiết lập retrieval-augmented generation (RAG) điển hình, bạn tạo embeddings khi chèn tài liệu, tạo lại khi nội dung thay đổi, và tự nhúng mọi truy vấn. Automated Embedding đơn giản hóa quy trình xây dựng tìm kiếm ngữ nghĩa, khi MongoDB Atlas xử lý việc tạo, cập nhật, truy vấn embeddings một cách bản địa, và Vector Search lưu trữ các vector embedding đã tạo trên cụm của bạn.
Cách MongoDB thực hiện nhúng tự động
Khi một chỉ mục vector kiểu
autoEmbedđược tạo, MongoDB sẽ tạo embeddings cho trường đã chọn, dùng mô hìnhVoyageAI, giữ chúng đồng bộ khi tài liệu thay đổi, và nhúng văn bản truy vấn tại thời điểm tìm kiếm bằng cùng mô hình đó. Các embeddings được tạo được lưu không đồng bộ trên cụm MongoDB trong một cơ sở dữ liệu nội bộ riêng.Trong hướng dẫn này, chúng ta sẽ xây dựng một Trợ lý Hỏi & Đáp cho tài liệu với autoembeddings của MongoDB. Backend MongoDB cho Django sẽ được dùng để định nghĩa models và nạp tài liệu, và MongoDB sẽ được dùng để tra cứu, tự động tạo và đồng bộ embeddings, và LLM sẽ trả về tài liệu dựa trên kết quả truy xuất.
Đến cuối hướng dẫn, bạn sẽ xây dựng giai đoạn truy xuất của một pipeline RAG: một tìm kiếm ngữ nghĩa trên các tài liệu Federal Register nơi auto-embeddings xử lý công việc nhúng thay bạn. Tài liệu được nhúng khi bạn chèn, nhúng lại khi chúng thay đổi, và truy vấn của bạn được nhúng tại thời điểm tìm kiếm, tất cả mà không cần viết mã nhúng.
Có hai cách để theo dõi hướng dẫn này.
Thiết lập
Trước khi bắt đầu, hãy đảm bảo bạn có:
Khi đã xong các điều kiện tiên quyết này, bước tiếp theo là tạo thư mục dự án của bạn.
Tạo dự án và môi trường ảo
Tạo một thư mục trống cho dự án và
cdvào đó.Đây là thư mục gốc của dự án. Tạo và kích hoạt môi trường ảo tại đây, nếu bạn chưa làm:
Để kích hoạt môi trường ảo trên macOS hoặc Linux, chạy:
Trên Windows, chạy:
Cài đặt phụ thuộc
Tạo tệp
requirements.txtở thư mục gốc dự án với nội dung sau:Sau đó cài đặt tất cả:
Tạo Dự án Django và Ứng dụng Django
Từ thư mục gốc dự án, chạy lệnh sau để tạo dự án và ứng dụng Django mới. Thêm dấu
.ở cuối lệnhstartproject, để Django cài dự án vào thư mục hiện tại thay vì tạo một thư mục lồng nhau mới.Tạo ứng dụng
documentsĐăng ký ứng dụng trong
regulations_qa/settings.pybằng cách thêm vàoINSTALLED_APPS:Cấu hình biến môi trường
Tạo tệp
.envở thư mục gốc dự án với các giá trị của riêng bạn, và liệt kê tệp này trong.gitignoređể không bị commit khi bạn đẩy mã lên.Xóa dòng
SECRET_KEY = '...'hardcode gốc khỏisettings.py, sao chép giá trị Django đã tạo trongsettings.pykhi bạn chạystartprojectvà thay vào tệp.envcủa bạn. Theo mặc định giá trị đó được hardcode, và chúng ta chuyển nó vào.envđể tránh đưa vào hệ thống quản lý phiên bản, vì Django dùng nó để ký cookie phiên, token CSRF, và các dữ liệu nhạy cảm khác.Mở
regulations_qa/settings.pyvà đảm bảo có đầy đủ những nội dung sau. Các dòng import vàload_dotenv()đặt ở đầu. Thay thế các định nghĩaSECRET_KEYvàDATABASEShiện có, và thêm dòngVECTOR_INDEX_NAME:Tạo thư mục cho các lệnh quản trị
Tiếp theo, chúng ta tạo các thư mục với tệp
__init__.pyrỗng cho các lệnh quản trị, vì Django chỉ phát hiện lệnh tùy chỉnh trong packagemanagement/commands/.Nguồn dữ liệu: Các tài liệu Federal Register
Trong hướng dẫn này, chúng ta sẽ lập chỉ mục các tài liệu từ Federal Register; ấn phẩm hàng ngày của chính phủ Hoa Kỳ về các quy định, quy định đề xuất và thông báo. Nguồn dữ liệu là một API công khai gồm các tài liệu có tiêu đề và phần tóm tắt ngắn bằng văn xuôi, rất phù hợp với tìm kiếm ngữ nghĩa.
Tài liệu API: https://www.federalregister.gov/developers/documentation/api/v1
Bản ghi có các trường như
title,type,abstract,document_number(ID duy nhất),publication_date,html_url, và danh sáchagencies.<INF>2.5</INF>trong “PM2.5”, nên chúng ta loại bỏ thẻ trước khi lưu.next_page_url(dựa trên cursor) để theo tiếp.Thử endpoint qua shell
Lưu ý: Đây là dữ liệu công khai của chính phủ Hoa Kỳ dùng cho mục đích minh họa. Đây không phải nguồn pháp lý; để nghiên cứu pháp lý, hãy dùng ấn bản chính thức.
Nạp dữ liệu
Chúng ta sẽ bắt đầu bằng cách tạo các model trong tệp
models.py.Tiếp theo, chúng ta tạo và chạy migration.
Tiếp theo, chuyển sang phần nạp dữ liệu.
Chạy lệnh:
Bạn có thể xác nhận việc nhập dữ liệu trong giao diện MongoDB Atlas:
Định nghĩa Chỉ mục Auto-Embed
Chỉ mục vector search cho MongoDB biết trường nào sẽ thực hiện nhúng và chỉ định mô hình sẽ dùng. Sau đó, MongoDB sẽ tự động tạo và lưu trữ các embeddings.
documents_document, và đặt tên chỉ mục làautoembed_index(tên này phải khớp vớiVECTOR_INDEX_NAMEtrong tệp.env). Dán định nghĩa sau:Rà soát định nghĩa, sau đó tạo chỉ mục.
Truy vấn bằng văn bản thuần
Với auto-embeddings, chúng ta dùng stage
$vectorSearchvới truy vấn văn bản thuần và nhúng câu hỏi bằng cùng mô hình mà chỉ mục dùng, nên không có lời gọi nhúng nào trong mã của chúng ta.Để thực hiện điều này, chúng ta sẽ tạo một module service.
_get_client()tạo kết nối đến MongoDB một lần và tái sử dụng.lru_cacheghi nhớ kết quả của lần gọi đầu, vì vậy mọi tìm kiếm dùng chung một client thay vì mở kết nối mới mỗi lần._get_collection()chọn cơ sở dữ liệuregulations_qavà collectiondocuments_document, dùng cùng cấu hình mà Django đang dùng._get_index_name()đọc tên chỉ mục từ settings và đưa ra lỗi rõ ràng nếu thiếu.semantic_search()gửi câu hỏi dạng văn bản trong trườngquery. Stage thứ hai cắt tỉa kết quả về các trường cần thiết và thêm điểm tương đồng.Sau đó thêm một helper để tìm kiếm tài liệu:
Bây giờ, để kiểm thử, chạy:
Trong ví dụ, chúng ta chọn các câu hỏi không chia sẻ từ khóa với phần tóm tắt. Một câu hỏi về “limits on pollution from factories” sẽ truy xuất các tài liệu về tiêu chuẩn phát thải.
Lưu ý: Trên cụm miễn phí (M0) không có phương thức thanh toán, các yêu cầu nhúng truy vấn có thể bị giới hạn tốc độ.
Demo: Chỉnh sửa tài liệu và xem đồng bộ lại
Cho phần demo, chúng ta có thể dùng
Search Testertrong MongoDB Atlas, gắn vớiautoembed_indexđã tạo trước đó trên collectionregulations_qa.documents_document, hoặc dùng Python shell.Bước 1: Tìm kiếm qua MongoDB Atlas và shell
Để thử trong giao diện MongoDB Atlas, nhập truy vấn này:
Để thử qua shell:
Mở shell với
python manage.py shell, sau đó chạy:Kết quả đầu ra sẽ giống như những gì ta thấy qua giao diện.
Bước 2: Chỉnh sửa tài liệu
Bước 3: Tìm kiếm lại
Auto-embeddings được tạo không đồng bộ, nên chờ 30–60 giây, rồi chạy lại truy vấn:
Bây giờ, chúng ta kỳ vọng thấy tài liệu đã chỉnh sửa xếp hạng cao hơn trước.
Chạy cùng truy vấn trong Search Tester để xem kết quả qua giao diện.
Điều đã xảy ra là MongoDB nhận thấy trường đã lập chỉ mục thay đổi và tạo lại embedding cho tài liệu đó, nên tài liệu
2026-16515, vốn đứng thứ 10 trong mẫu, đã được xếp hạng cao hơn và ở vị trí thứ 5 sau khi chỉnh sửa và đồng bộ.Tổng kết
Chúc mừng bạn đã hoàn thành đến đây! Chúng ta đã có một trợ lý Hỏi & Đáp cho tài liệu sử dụng dữ liệu mà MongoDB xử lý quy trình embedding. Điều này đạt được qua các bước sau:
Lưu ý: Dữ liệu trong hướng dẫn này đến từ Federal Register, nơi xuất bản các tài liệu của chính phủ Hoa Kỳ. Hướng dẫn này độc lập và không được Federal Register bảo trợ hay chứng thực.
Tài liệu tham khảo