不支持。PyMongo 4.7+ 仅是 MongoDB 的 Python 驱动，不提供向量索引、嵌入计算或相似度排序能力，向量搜索需依赖 MongoDB 7.0+ 服务端的 $vectorSearch 聚合阶段及预建向量索引。
PyMongo 4.7+ 是否支持原生向量搜索？
不支持。PyMongo 本身只是 MongoDB 的 Python 驱动，不提供向量索引、嵌入计算或相似度排序能力。它只负责把你的查询发给服务端——而向量搜索功能必须由 MongoDB 7.0+（带 $vectorSearch 聚合阶段）和配套的向量索引支撑。PyMongo 的作用是正确构造并发送这个聚合管道。
常见错误现象：OperationFailure: Unrecognized pipeline stage name: '$vectorSearch'，说明你连的不是 MongoDB 7.0+ 服务器，或未启用 Atlas Vector Search（如果你用的是 MongoDB Atlas）。
- 确认服务端版本：运行
db.version()，必须 ≥ 7.0 - Atlas 用户需在 Collection 级别手动创建
vectorSearchindex，不能靠 PyMongo 自动建 - 本地部署 MongoDB 时，必须启用
featureCompatibilityVersion: "7.0"并重启
如何用 PyMongo 发起 $vectorSearch 查询？
核心是调用 collection.aggregate()，传入含 $vectorSearch 阶段的管道。注意字段名、索引名、embedding 维度必须与你在 Atlas 或本地创建的 vector index 完全一致。
示例（假设你已有一个叫 products 的集合，其 embedding 字段存了 1536 维 float 列表，且已建好名为 vector_index 的向量索引）：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
pipeline = [
{
"$vectorSearch": {
"index": "vector_index",
"path": "embedding",
"queryVector": [0.1, -0.5, 0.8, ...], # 必须是 Python list，长度=索引定义维度
"numCandidates": 100,
"limit": 5
}
},
{
"$project": {
"name": 1,
"description": 1,
"score": {"$meta": "vectorSearchScore"}
}
}
]
results = list(products_collection.aggregate(pipeline))
-
queryVector必须是纯 Pythonlist，不能是numpy.ndarray；若用 numpy，先转.tolist() -
numCandidates不是返回数，而是服务端内部粗筛候选集大小，建议设为limit * 10 ~ 100 -
$meta: "vectorSearchScore"是唯一合法方式获取相似度分，值越小越相似（欧氏距离）或越大越相似（余弦/点积，取决于索引配置）
为什么查不到结果或 score 全是 0？
大概率是 embedding 数据没对齐。MongoDB 向量搜索不校验 queryVector 和文档中 embedding 字段的数值分布或归一化状态，只做原始向量运算。如果训练时用了 L2 归一化，但写入 DB 前没归一化，或 query 时忘了归一化，就会导致分数失真甚至无匹配。
- 检查写入逻辑：确保插入前，每个
embedding都按与模型推理时**完全相同的方式**处理（例如 Hugging Facemodel.encode(..., normalize=True)） - 确认索引类型：Atlas 控制台里看 index definition 中的
similarity字段，是"euclidean"、"cosine"还是"dotProduct"，这决定了 score 解读方式 - 临时调试：用
find()抽几条文档，打印len(doc["embedding"])和type(doc["embedding"])，确认是 float list 且长度一致
PyMongo 连接与聚合性能要注意什么？
向量搜索本身是服务端计算密集型操作，PyMongo 层面主要影响传输和反序列化开销。真正卡顿往往来自网络延迟或服务端资源不足，而非驱动本身。
- 避免在循环里反复调用
aggregate()；批量查询请改用单次管道 +$facet或客户端合并 - 不要用
cursor.batch_size()试图“流式向量搜索”——$vectorSearch不支持游标分页，limit必须在 stage 内指定 - 如果经常查同一组 embedding，考虑加一层 Redis 缓存
queryVector → result_ids，key 可用hash(tuple(queryVector))（注意浮点精度问题）
最易被忽略的一点：Atlas 免费版默认关闭 $vectorSearch，即使版本够新也查不到，必须升级到 Serverless 实例或付费集群，并在 Atlas UI 显式开启 Vector Search 功能。
