find()无法语义搜索因其仅支持精确匹配，不理解“苹果手机”与“iphone”的语义相似性；mongodb向量搜索需$vectorsearch配合knnvector索引，字段必须为float数组且维度严格一致。
为什么直接用 find() 无法做语义搜索？
因为 find() 只支持精确匹配或简单范围查询，不理解“相似”——比如你搜“苹果手机”，它不会自动召回“iPhone”“iOS设备”这类语义相近但字面不同的文档。MongoDB 的向量搜索依赖 $vectorSearch 聚合阶段，必须配合已构建好的向量索引，且字段值必须是 array 类型的浮点数（如 [0.12, -0.45, 0.88, ...]），不能是字符串或对象。
常见错误现象：MongoServerError: Unrecognized pipeline stage name: '$vectorSearch' —— 说明你用的是 Serverless 实例、免费版 Atlas 集群，或未启用 Vector Search 功能；MongoServerError: vector search index not found —— 说明索引没建，或名字拼错，或建在了错误的集合上。
如何创建并验证向量索引？
索引必须通过 Atlas UI 或 createSearchIndex() 创建，**不能用 createIndex()**。字段名、维度数、嵌入模型类型三者必须和后续查询完全一致。
- 在 Atlas 控制台进入 Collection → “Search Indexes” → “Create Search Index”，选 JSON Schema 模式，填入类似：
{ "mappings": { "dynamic": false, "fields": { "embedding": { "type": "knnVector", "dimensions": 1536 } } } } - 索引名建议用小写字母+下划线（如
vector_index），避免空格或大写；建好后需等待状态变为READY（通常 1–5 分钟） - 用
db.collection.listSearchIndexes().toArray()在 Shell 中确认索引存在且就绪
Node.js 中调用 $vectorSearch 的最小可行代码
必须用 aggregate()，不能用 find()；queryVector 必须是你自己生成的、与索引维度一致的数组；path 必须精确匹配索引中定义的字段名（如 "embedding"）。
const result = await collection.aggregate([
{
$vectorSearch: {
index: "vector_index",
path: "embedding",
queryVector: [0.12, -0.45, 0.88 /* ... 共 1536 个 float */],
numCandidates: 100,
limit: 5
}
}
]).toArray();
注意：numCandidates 不是返回数，而是参与距离计算的候选文档上限（越大越准但越慢）；limit 才是最终返回条数。若漏设 numCandidates，默认只查 100 条，可能错过真正最近邻。
Embedding 向量从哪来？别在 Node.js 里自己算
OpenAI、Cohere、Google AI 等 API 返回的 embedding 是标准 float 数组，可直接塞进 queryVector；但千万别用 node-llama-cpp 或本地 sentence-transformers 在生产环境实时编码——延迟高、内存吃紧、GPU 利用率低。
- 推荐做法：用户输入文本 → 调用
openai.embeddings.create()获取向量 → 缓存该向量（如 Redis）→ 再传给 MongoDB 查询 - 字段存储时也必须是
Float64Array或普通 number 数组，不能是string（如"[0.12,-0.45]"）或Buffer - 如果 embedding 维度是 384（例如 all-MiniLM-L6-v2），索引和查询时都必须用 384，混用 1536 会报错
dimension mismatch
真正容易被忽略的是：向量预处理一致性。训练 embedding 模型时是否用了 truncation？是否归一化？这些必须和线上推理保持一致，否则余弦相似度会严重失真。
