MongoDB 7.0+原生支持多维向量搜索，依赖$vectorSearch聚合阶段和专用ANN索引；需满足四条件：版本≥7.0.2并启用功能、字段为定长double数组、具备Project Data Access Admin权限、IP白名单（Atlas）或加载vectorSearch插件（本地）；查询必须置于aggregate管道首或次阶段，维度严格匹配且不归一化，索引不继承分片策略。
MongoDB 从 7.0 开始原生支持多维向量搜索，核心依赖 $vectorSearch 聚合阶段和专用的 vector search 索引 —— 它不是靠普通 B-tree 或文本索引模拟，而是基于 ANN（近似最近邻）算法构建的独立索引结构，能直接处理高维浮点数组（如 384、768、1536 维），无需降维或自建相似度计算逻辑。
创建 vector search 索引前必须确认的 4 个条件
很多报错（比如 "vector search is not enabled" 或 "no index found for $vectorSearch"）都源于这几点没对齐：
- 集群版本 ≥ 7.0.2（Atlas 上需开启 Vector Search 功能；本地 Community 版需显式安装
search和vectorSearch插件） - 集合中已存在一个
array类型字段，且每个元素是double，长度固定（例如[0.12, -0.88, 0.45, ...]） - 你有
Project Data Access Admin权限，否则createSearchIndexes命令会拒绝执行 - IP 地址已在 Atlas 访问列表中放行（本地部署可忽略，但需确认 mongod 启动时加载了 vector search 模块）
$vectorSearch 查询必须用聚合管道，不能单独使用
它不是像 find() 那样的独立操作，必须嵌在 aggregate() 中，且只能作为第一个或第二个阶段（受 pipeline 优化限制）。常见错误是把它当 filter 写进 find({ $vectorSearch: { ... } }) —— 这会直接报语法错误。
正确写法示例（以 768 维嵌入为例）：
db.movies.aggregate([
{
$vectorSearch: {
index: "vector_index",
path: "plot_embedding",
queryVector: [/* your 768-float array */],
limit: 10,
numCandidates: 100
}
},
{ $project: { title: 1, plot: 1, score: { $meta: "vectorSearchScore" } } }
])
注意：numCandidates 不是返回数，而是参与粗筛的候选数量，调太小会漏结果，太大影响延迟；默认 100 是平衡点。
维度必须严格匹配，且不支持动态长度
索引一旦建好，path 字段里所有向量的长度必须完全一致。MongoDB 不做截断、补零或归一化 —— 如果你混用了 384 维和 768 维的 embedding，查询时部分文档会因维度不匹配被静默跳过，且不报错。
建索引时需明确声明维度（虽然当前版本不强制校验，但驱动或 Atlas UI 会提示）：
在 Atlas UI 创建索引时，字段类型选 vector，并填入具体维度（如 768）；用命令行则靠你确保数据清洗干净：
- 插入前用
$size校验：db.movies.find({ "plot_embedding.767": { $exists: true }, "plot_embedding.768": { $exists: false } }) - 避免用
NumberDecimal或整数存 embedding —— 必须是double - 不同 embedding 模型（如 voyage-3-large vs. text-embedding-3-small）输出维度不同，别混用同一索引
最容易被忽略的是：vector search 索引不继承 collection 的分片策略，即使集合已分片，vector search 也只在主分片上构建索引（Atlas 自动处理，但自托管需手动协调）。如果数据量大且未预估好分片键，可能造成单点 ANN 计算瓶颈。
