검색 및 벡터 검색 기능으로 자체 관리형 앱의 성능 강화
MongoDB는 MongoDB Community Edition 및 MongoDB Enterprise Server에서 사용할 수 있는 검색 및 벡터 검색 역량의 공개 프리뷰를 발표하게 되어 기쁩니다. 이러한 새로운 역량을 통해 개발자는 강력한 검색 기능을 갖춘 자체 관리형 환경에서 직접 정교한 AI기반 애플리케이션을 프로토타이핑, 반복 및 빌드할 수 있습니다. 다재다능함은 개발자가 MongoDB를 사랑하는 이유 중 하나입니다. MongoDB는 어디서든 실행이 가능합니다. 1 여기에는 많은 개발자가 MongoDB 여정을 시작하는 로컬 설정, 확장 시기가 되면 최대 규모의 엔터프라이즈 데이터 센터, 그리고 MongoDB의 완전 관리형 클라우드 서비스인 MongoDB Atlas 가 포함됩니다. 개발이 어디에서 이루어지든 MongoDB는 모든 개발자의 워크플로에 무리 없이 통합됩니다. MongoDB Community Edition 은 수백만 명의 개발자가 학습하고, 테스트하며, 스킬을 향상시키는 데 사용하는 무료 소스 사용 가능 버전의 MongoDB입니다. MongoDB Enterprise Server 는 MongoDB의 핵심 데이터베이스의 상용 버전입니다. 온프레미스 또는 퍼블릭, 프라이빗, 하이브리드 클라우드 환경에서 자체 관리형 배포를 선호하는 회사를 위해 추가적인 엔터프라이즈급 기능을 제공합니다. 이제 Community Edition 및 Enterprise Server에서 네이티브 검색 및 벡터 검색 역량을 사용할 수 있게 되면서, MongoDB는 애플리케이션이 어디에 배포되든 간단하고 일관적인 환경을 제공하여
MongoDB는 MongoDB Community Edition 및 MongoDB Enterprise Server에서 사용할 수 있는 검색 및 벡터 검색 역량의 공개 프리뷰를 발표하게 되어 기쁩니다. 이러한 새로운 역량을 통해 개발자는 강력한 검색 기능을 갖춘 자체 관리형 환경에서 직접 정교한 AI기반 애플리케이션을 프로토타이핑, 반복 및 빌드할 수 있습니다.
다재다능함은 개발자가 MongoDB를 사랑하는 이유 중 하나입니다. MongoDB는 어디서든 실행이 가능합니다.1 여기에는 많은 개발자가 MongoDB 여정을 시작하는 로컬 설정, 확장 시기가 되면 최대 규모의 엔터프라이즈 데이터 센터, 그리고 MongoDB의 완전 관리형 클라우드 서비스인 MongoDB Atlas가 포함됩니다. 개발이 어디에서 이루어지든 MongoDB는 모든 개발자의 워크플로에 무리 없이 통합됩니다.
MongoDB Community Edition은 수백만 명의 개발자가 학습하고, 테스트하며, 스킬을 향상시키는 데 사용하는 무료 소스 사용 가능 버전의 MongoDB입니다. MongoDB Enterprise Server는 MongoDB의 핵심 데이터베이스의 상용 버전입니다. 온프레미스 또는 퍼블릭, 프라이빗, 하이브리드 클라우드 환경에서 자체 관리형 배포를 선호하는 회사를 위해 추가적인 엔터프라이즈급 기능을 제공합니다.
이제 Community Edition 및 Enterprise Server에서 네이티브 검색 및 벡터 검색 역량을 사용할 수 있게 되면서, MongoDB는 애플리케이션이 어디에 배포되든 간단하고 일관적인 환경을 제공하여 훌륭한 애플리케이션을 구축할 수 있도록 하는 것을 목표로 합니다.
검색과 벡터 검색은 무엇인가요?
MongoDB Atlas의 제품과 유사하게 MongoDB Community Edition 및 MongoDB Enterprise Server는 이제 두 가지 별개이지만 보완적인 검색 역량을 지원합니다.
-
전체 텍스트 검색은 관련성 기반 앱 기능을 구축하기 위한 원활하고 확장 가능한 경험을 제공하는 임베디드 역량입니다.
-
벡터 검색을 통해 개발자는 네이티브의 모든 기능을 갖춘 벡터 데이터베이스 기능을 사용하여 시맨틱 검색 및 생성형 AI 기반 지능형 애플리케이션을 구축할 수 있습니다.
이번 공개 프리뷰에서는 핵심 검색 집계 단계에 대한 기능적 제한이 없습니다. 따라서 $search, $searchMeta 및 $vectorSearch는 모두 프리뷰 상태의 기능을 제외하고 Atlas에서 제공되는 기능과 동등하게 지원됩니다. 자세한 내용을 원하시면 검색 및 벡터 검색 문서 페이지를 확인하세요.
통합 검색을 통해 개발자 과제 해결
과거에는 고급 검색 기능을 자체 관리형 애플리케이션에 통합하기 위해 외부 검색 엔진이나 벡터 데이터베이스를 MongoDB에 추가로 연결해야 했습니다. 이 접근 방식은 개발자와 조직의 모든 단계에서 마찰을 일으켜 다음과 같은 결과를 초래했습니다.
-
아키텍처의 복잡성: 여러 이질적인 시스템에서 데이터를 관리하고 동기화하는 것은 복잡성을 증가시키고, 추가적인 스킬을 요구하며, 개발 워크플로를 복잡하게 만듭니다.
-
운영 오버헤드: 각 시스템에 대해 별도의 프로비저닝, 보안, 업그레이드 및 모니터링을 처리하는 것은 DevOps 팀에 큰 부담을 주었습니다.
-
개발자 생산성 감소: 개발자는 데이터베이스와 검색 엔진 모두에 대해 서로 다른 쿼리 API와 언어를 학습하고 사용해야 합니다. 이로 인해 빈번한 컨텍스트 전환, 더 가파른 학습 곡선 및 더 느린 릴리스 주기가 발생했습니다.
-
일관성 과제: 프라이머리 데이터베이스를 별도의 검색 또는 벡터 인덱스와 맞추는 것은 결과가 비동기화될 위험이 있습니다. 거래 보장 및 데이터 일관성에 대한 홍보에도 불구하고 이러한 인덱스는 결국 일관성을 유지하지 못했습니다. 이로 인해 빠르게 변화하는 환경에서 불완전한 결과가 발생했습니다.
이제 검색과 벡터 검색이 MongoDB Community Edition 및 MongoDB Enterprise Server에 통합되어 이러한 절충안은 사라집니다. 이제 개발자는 MongoDB의 친숙한 쿼리 프레임워크를 사용하여 강력한 검색 역량을 만들 수 있으며, 동기화 부담과 여러 단일 목적 시스템을 관리할 필요가 없습니다. 이번 릴리스는 데이터 아키텍처를 간소화하고, 운영 오버헤드를 줄이며, 애플리케이션 개발을 가속화합니다.
이러한 역량을 통해 개발자는 정교한 기본 역량을 활용하여 다양한 강력한 애플리케이션을 빌드할 수 있습니다. 잠재적인 사용 사례는 다음과 같습니다.
MongoDB는 LangChain, LangGraph 및 LlamaIndex와 같은 프레임워크와 네이티브 통합을 제공합니다. 이로 인해 워크플로가 간소화되고, 개발이 가속화되며, RAG 또는 에이전트 기능이 애플리케이션에 직접 내장됩니다. MongoDB에서 지원하는 다른 AI 프레임워크에 대해 더 학습하려면 이 문서를 확인하세요.
MongoDB의 파트너와 챔피언들은 이미 더 다양한 환경에서 검색 및 벡터 검색을 활용하여 이점을 경험하고 있습니다.
"이미 인기를 끌고 있는 MongoDB Community Edition에서 MongoDB 검색과 벡터 검색을 사용할 수 있게 되어 매우 기쁩니다. 이제 우리 고객들은 배포서버 모드와 선호하는 환경에 따라 MongoDB와 LangChain을 활용하여 최첨단 거대 언어 모델 애플리케이션을 빌드할 수 있습니다."—Harrison Chase, LangChain CEO
"MongoDB는 Clarifresh가 뛰어난 소프트웨어를 빌드하는 데 도움을 주었으며, 저는 항상 그 견고한 기반에 깊은 인상을 받았습니다. 이제 MongoDB Community Edition에서 검색 및 벡터 검색 기능을 사용할 수 있게 되어, 소스 코드에 대한 접근성, 어디서나 배포할 수 있는 유연성, 커뮤니티 주도의 확장성에 대한 신뢰를 얻게 됩니다. 이는 MongoDB의 개발자 헌신을 재확인하는 흥미로운 이정표입니다."—Luke Thompson, Clarifresh MongoDB 챔피언
"MongoDB Community Edition에서의 다음 검색 경험에 대해 매우 기대하고 있습니다. 고객은 검색 및 생성형 인공지능 지원 애플리케이션을 실행할 수 있는 최고의 유연성을 원하며, 이 기능을 Community에 도입함으로써 어디서나 완전히 새로운 방식으로 빌드하고 테스트할 수 있게 되었습니다."—Jerry Liu, LlamaIndex CEO
"MongoDB Community의 전체 텍스트 및 벡터 검색 비공개 프리뷰에 참여하는 것은 매우 흥미로운 기회였습니다. Community Edition에서 $search, $searchMeta, $vectorSearch를 직접 사용하면 추가 시스템이나 통합 없이도 Atlas에서 사용하는 것과 동일한 강력한 역량을 제공합니다. 초기 프리뷰 단계에서도 이미 워크플로를 간소화하고 더 빠르고 관련성 높은 결과를 제공하고 있습니다."—Michael Höller, akazia Consulting MongoDB 챔피언
공개 프리뷰 액세스
공개 프리뷰는 무료로 제공되며 테스트, 평가 및 피드백 목적으로만 제공됩니다.
MongoDB Community Edition과 함께 검색 및 벡터 검색을 수행하세요. 새로운 역량은 MongoDB 버전 8.2 이상과 호환되며, 표준 mongodb 데이터베이스 바이너리와 상호 작용하는 별도의 바이너리인 mongot에서 작동합니다.
시작하려면 다음을 확인하세요.
-
MongoDB Community Server 클러스터는 다음의 세 가지 방법 중 하나로 실행됩니다.
-
MongoDB 다운로드 페이지에서 MongoDB Community Server 버전 8.2를 다운로드하세요. 공개 프리뷰부터 이 기능은 지원되는 Linux 배포판 및 아키텍처에서 자체 관리형 배포에 사용할 수 있으며, MongoDB Community Edition 버전 8.2 이상에서 사용할 수 있습니다.
-
MongoDB 다운로드 페이지에서 mongot 바이너리를 다운로드하세요.
-
공개 Docker 허브 리포지토리에서 MongoDB Community Server 8.2용 컨테이너 이미지를 가져오세요.
-
출시 예정: MongoDB Controllers for Kubernetes Operator를 사용하여 배포하세요(Community Server 검색 지원은 버전 1.5 이상에서 예정됨).
MongoDB Enterprise Server에서 사용할 검색 및 벡터 검색을 수행하세요. 새로운 역량은 고객의 Kubernetes 환경에서 자체 관리형 검색 노드로 배포됩니다. 이는 Kubernetes 내부 또는 외부에 있는 모든 MongoDB Enterprise Server 클러스터에 원활하게 연결됩니다.
시작하려면 다음을 확인하세요.
-
MongoDB Enterprise Server 클러스터가 실행 중입니다.
-
버전 8.0.10+(MongoDB Controllers for Kubernetes operator 1.4용).
-
버전 8.2+(MongoDB Controllers for Kubernetes operator 1.5+용).
-
Kubernetes 환경입니다.
-
MongoDB Controllers for Kubernetes Operator의 컨트롤러는 Kubernetes 클러스터에 설치됩니다. 설치 지침은 여기에서 확인하세요.
MongoDB Community Edition 및 MongoDB Enterprise Server의 설정에 대한 포괄적인 문서도 제공됩니다.
다음 단계
공개 프리뷰 기간 동안 MongoDB는 고객 피드백을 바탕으로 추가 업데이트 및 로드맵 기능을 제공할 것입니다. 공개 프리뷰 이후, 이러한 검색 및 벡터 검색 기능은 온프레미스 배포에서 사용할 수 있도록 일반적으로 제공될 것으로 예상됩니다. Community Edition의 경우 이러한 역량은 서버 측 공용 라이선스(SSPL)의 일부로 추가 비용 없이 제공됩니다.
MongoDB Enterprise Server의 경우, 이러한 역량은 향후 출시될 새로운 유료 구독 서비스에 포함될 예정입니다. 구독의 가격 및 패키지 세부 정보는 출시가 임박하면 제공될 예정입니다. 클라우드에서 완전 관리형 환경을 원하는 개발자를 위해 MongoDB Atlas는 오늘날 이러한 역량의 프로덕션 준비 버전을 제공합니다.
MongoDB는 피드백을 듣고 싶습니다! feedback.mongodb.com에서 새로운 기능을 제안하거나 기존 아이디어에 투표하세요. 이 제품의 미래를 결정하는 데 입력이 중요합니다. 사용자는 MongoDB 계정 팀에 문의하여 더 포괄적인 피드백을 제공할 수 있습니다.
1 MongoDB는 모든 주요 퍼블릭 클라우드 공급자, 프라이빗 클라우드, 로컬, 온프레미스 및 하이브리드 환경에서 완전 관리형 멀티 클라우드 서비스로 배포될 수 있습니다.
Sign in to highlight and annotate this article

Conversation starters
Daily AI Digest
Get the top 5 AI stories delivered to your inbox every morning.
More about
llamalangchainllamaindexNemotron ColEmbed V2: Top-Performing Late Interaction Embedding Models for Visual Document Retrieval
arXiv:2602.03992v2 Announce Type: replace Abstract: Retrieval-Augmented Generation (RAG) systems have been popular for generative applications, powering language models by injecting external knowledge. Companies have been trying to leverage their large catalog of documents (e.g. PDFs, presentation slides) in such RAG pipelines, whose first step is the retrieval component. Dense retrieval has been a popular approach, where embedding models are used to generate a dense representation of the user query that is closer to relevant content embeddings. More recently, VLM-based embedding models have become popular for visual document retrieval, as they preserve visual information and simplify the indexing pipeline compared to OCR text extraction. Motivated by the growing demand for visual document
How Do Language Models Process Ethical Instructions? Deliberation, Consistency, and Other-Recognition Across Four Models
arXiv:2604.00021v1 Announce Type: new Abstract: Alignment safety research assumes that ethical instructions improve model behavior, but how language models internally process such instructions remains unknown. We conducted over 600 multi-agent simulations across four models (Llama 3.3 70B, GPT-4o mini, Qwen3-Next-80B-A3B, Sonnet 4.5), four ethical instruction formats (none, minimal norm, reasoned norm, virtue framing), and two languages (Japanese, English). Confirmatory analysis fully replicated the Llama Japanese dissociation pattern from a prior study ($\mathrm{BF}_{10} > 10$ for all three hypotheses), but none of the other three models reproduced this pattern, establishing it as model-specific. Three new metrics -- Deliberation Depth (DD), Value Consistency Across Dilemmas (VCAD), and O
Disentangling Prompt Element Level Risk Factors for Hallucinations and Omissions in Mental Health LLM Responses
arXiv:2604.00014v1 Announce Type: new Abstract: Mental health concerns are often expressed outside clinical settings, including in high-distress help seeking, where safety-critical guidance may be needed. Consumer health informatics systems increasingly incorporate large language models (LLMs) for mental health question answering, yet many evaluations underrepresent narrative, high-distress inquiries. We introduce UTCO (User, Topic, Context, Tone), a prompt construction framework that represents an inquiry as four controllable elements for systematic stress testing. Using 2,075 UTCO-generated prompts, we evaluated Llama 3.3 and annotated hallucinations (fabricated or incorrect clinical content) and omissions (missing clinically necessary or safety-critical guidance). Hallucinations occurre
Knowledge Map
Connected Articles — Knowledge Graph
This article is connected to other articles through shared AI topics and tags.
More in Open Source AI
Architecting the AI Era: Samsung Electronics and NVIDIA Define the Future at GTC 2026 - samsung.com
<a href="https://news.google.com/rss/articles/CBMi2AFBVV95cUxQMmk2TEFJVlUyeFdZUnFpRG5ycWpqcnJKc3pQcVNUaW1DNVcxNjF5U0JTbG9nMGZIM2JKalNuei1TYU5sMVR0blFlMmFEa0lPTVBoLVNhTjZiOUFDWEtHN1NHem1OYy1FUm04ZG40M0UtdzdKUU02Si1QYWZvX1dKWDl4QXhCd3RtRlVaZFRmUHlpMmdUbzE4dHNkWm5lWFBhYTJQTjI4N0VvUzdVYjNENnJWZHViYU1CQ1ZyelVEZDZFWmQwUU9yWjk5dmZuVHN3YVQxM2xnbk8?oc=5" target="_blank">Architecting the AI Era: Samsung Electronics and NVIDIA Define the Future at GTC 2026</a> <font color="#6f6f6f">samsung.com</font>

Del aprendizaje a la práctica: Por qué decidí dejar de estudiar en privado y empezar a compartir 🚀
<p>¡Hola a todos! 👋</p> <p>Llevo mucho tiempo sumergido en cursos, laboratorios y documentación. Durante meses (o incluso años), mi enfoque ha sido absorber todo lo posible sobre Cloud Engineering, Data Analysis entre otros temas. Sin embargo, hoy he tomado una decisión importante: dejar de guardar mis proyectos en carpetas locales y empezar a compartirlos con la comunidad.</p> <p>He decidido que la mejor forma de crecer no es solo estudiando, sino exponiendo mi trabajo al criterio de otros profesionales para recibir feedback, mejorar y, con suerte, ayudar a alguien que esté en un camino similar.</p> <p>🛠️ Mi primer aporte: Procesamiento de Datos<br> Hoy les presento un repositorio en el que he estado trabajando. Es una herramienta diseñada para estandarizar y agilizar el procesamiento d
Building Human Resilience for the Age of AI - Elon University
<a href="https://news.google.com/rss/articles/CBMiiwFBVV95cUxQTVdzSmQ5aXhaZkYtdTdCUWlKamdpM3JIa25SYklSTFhRR2ozcUUzZTdhb2ZKVzc1Vk9yRDI2M2RjVjZhdEowTkJUOXprQThZREtrLXc1NFh5SkdEbUY5MFZBNzdnU3hFV29POFAtZWpDR3R5US02UEo1ZXpCTnMwTVM2alFSTzM1b2Q4?oc=5" target="_blank">Building Human Resilience for the Age of AI</a> <font color="#6f6f6f">Elon University</font>
-ymg95y67um.png)
Discussion
Sign in to join the discussion
No comments yet — be the first to share your thoughts!