Seus usuários querem uma pesquisa mais inteligente, com IA—encontrando a estadia perfeita mesmo com consultas em linguagem natural. Para isso, você criará um índice de Vector Search no MongoDB Atlas. Como engenheiro backend, você está construindo a base para pesquisa semântica, IA conversacional e descoberta de próximo nível.

Neste exercício, você configurará um índice vetorial que habilita pesquisa semântica nas descrições de seus anúncios, usando o modelo de embedding embutido do MongoDB, e adicionará um campo de filtro para tipo de propriedade.


Configure seu índice com estas especificações:

  • Nome do Índice: vector_index
  • Caminho do Campo de Texto: description
  • Modelo de Embedding: voyage-3-large
  • Caminho do Campo de Filtro: property_type

🛠️ Como Completar este Exercício

Escolha sua ferramenta favorita e indexe:

  • Interface web do MongoDB Atlas
  • MongoDB Compass
  • Extensão do MongoDB com o MongoDB Playground fornecido

💻 Usando VS Code?

  • Sugerimos usar o recurso Playground para uma experiência rápida e interativa.
  • No VSCode Online, localize e abra o arquivo vector-search-index-playground.mongodb.js (geralmente encontrado no canto inferior esquerdo do Explorer). MongoDB Playground

🖥️ Validação Frontend

Verifique o Status do Exercício:
Vá para o aplicativo e veja se o indicador do exercício mostra verde, indicando que sua implementação está correta.

vector-search-index


🚦 O Que Esperar

Com seu índice vetorial ativo, sua plataforma estará pronta para:

  • Pesquisa semântica que entende a intenção do usuário, não apenas palavras-chave
  • Chatbots com IA que correspondem consultas de hóspedes aos melhores anúncios
  • Resultados mais rápidos e relevantes com filtragem por tipo de propriedade
  • A base para experiências de descoberta avançadas e conversacionais

Você não está apenas indexando dados—está habilitando a próxima geração de pesquisa e IA para sua plataforma.
Pronto para desbloquear a pesquisa semântica? Vamos começar!