> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# MongoDB Atlas 集成

> 使用 LangChain Python 与 MongoDB Atlas 集成。

> [MongoDB Atlas](https://www.mongodb.com/docs/atlas/) 是一个完全托管的云
> 数据库，支持 AWS、Azure 和 GCP。它现在支持在 MongoDB 文档数据上原生
> 进行向量搜索。

## 安装和设置

请查看 [详细配置说明](/oss/python/integrations/vectorstores/mongodb_atlas)。

我们需要安装 `langchain-mongodb` Python 包。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langchain-mongodb
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-mongodb
  ```
</CodeGroup>

## 向量存储

请查看 [使用示例](/oss/python/integrations/vectorstores/mongodb_atlas)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_mongodb import MongoDBAtlasVectorSearch
```

## 检索器

### 全文搜索检索器

> `Hybrid Search Retriever` 使用 Lucene 的标准（`BM25`）分析器执行全文搜索。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_mongodb.retrievers import MongoDBAtlasFullTextSearchRetriever
```

### 混合搜索检索器

> `Hybrid Search Retriever` 结合向量和全文搜索，并通过 `Reciprocal Rank Fusion`（`RRF`）算法对它们进行加权。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_mongodb.retrievers import MongoDBAtlasHybridSearchRetriever
```

## 模型缓存

### MongoDBCache

这是一个在 MongoDB 中存储简单缓存的抽象。它不使用语义缓存，也不需要在生成前在集合上创建索引。

要导入此缓存：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_mongodb.cache import MongoDBCache
```

要在您的 LLM 中使用此缓存：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_core.globals import set_llm_cache

# use any embedding provider...
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings

mongodb_atlas_uri = "<YOUR_CONNECTION_STRING>"
COLLECTION_NAME="<YOUR_CACHE_COLLECTION_NAME>"
DATABASE_NAME="<YOUR_DATABASE_NAME>"

set_llm_cache(MongoDBCache(
    connection_string=mongodb_atlas_uri,
    collection_name=COLLECTION_NAME,
    database_name=DATABASE_NAME,
))
```

### MongoDBAtlasSemanticCache

语义缓存允许用户根据用户输入与之前缓存结果之间的语义相似度来检索缓存的提示。底层它将 MongoDB Atlas 同时作为缓存和向量存储使用。
`MongoDBAtlasSemanticCache` 继承自 `MongoDBAtlasVectorSearch`，并且需要定义 Atlas 向量搜索索引才能工作。请查看 [使用示例](/oss/python/integrations/vectorstores/mongodb_atlas) 了解如何设置索引。

要导入此缓存：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_mongodb.cache import MongoDBAtlasSemanticCache
```

要在您的 LLM 中使用此缓存：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_core.globals import set_llm_cache

# use any embedding provider...
from tests.integration_tests.vectorstores.fake_embeddings import FakeEmbeddings

mongodb_atlas_uri = "<YOUR_CONNECTION_STRING>"
COLLECTION_NAME="<YOUR_CACHE_COLLECTION_NAME>"
DATABASE_NAME="<YOUR_DATABASE_NAME>"

set_llm_cache(MongoDBAtlasSemanticCache(
    embedding=FakeEmbeddings(),
    connection_string=mongodb_atlas_uri,
    collection_name=COLLECTION_NAME,
    database_name=DATABASE_NAME,
))
```

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\python\integrations\providers\mongodb_atlas.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>