使用LangChain将DocumentDB作为向量存储时遇'Database不可调用'错误求助

错误原因定位 #

出现ValueError: Error raised by inference endpoint: 'Database' object is not callable错误，核心原因大概率是以下两种情况之一：

1. Collection对象传递错误：你传入的MONGODB_COLLECTION实际是Database对象而非合法的Collection对象。LangChain的MongoDBAtlasVectorSearch类会对传入的collection执行调用类操作，而Database对象不支持该行为，从而触发报错。
2. MongoDBAtlasVectorSearch类的兼容性限制：该类是针对MongoDB Atlas开发优化的，尽管DocumentDB兼容MongoDB API，但部分内部逻辑（比如数据库对象的调用方式）可能存在差异，导致兼容失效。

针对性解决步骤 #

1. 校验Collection对象的正确性 #

确保你是按照正确流程获取Collection对象：

# 正确的DocumentDB连接与Collection获取流程
from pymongo import MongoClient

client = MongoClient("你的DocumentDB连接字符串")
db = client["目标数据库名称"]
MONGODB_COLLECTION = db["目标集合名称"]  # 这里必须是集合对象，而非数据库对象

检查代码中是否误将db（Database对象）赋值给了MONGODB_COLLECTION，这是最常见的触发该错误的原因。

2. 绕过类方法，手动实现文档插入与向量存储初始化 #

由于from_documents类方法可能存在兼容问题，可以手动完成文档嵌入、插入与向量存储初始化：

# 1. 手动为文档生成嵌入向量
docs_with_embeddings = []
for doc in docs:
    # 生成嵌入向量
    embedding = bedrock_embeddings.embed_query(doc.page_content)
    # 构造符合要求的文档结构
    doc_item = {
        "content": doc.page_content,
        "metadata": doc.metadata,
        "embedding": embedding
    }
    docs_with_embeddings.append(doc_item)

# 2. 将文档批量插入DocumentDB集合
MONGODB_COLLECTION.insert_many(docs_with_embeddings)

# 3. 手动初始化MongoDBAtlasVectorSearch
vector_search = MongoDBAtlasVectorSearch(
    collection=MONGODB_COLLECTION,
    embedding=bedrock_embeddings,
    index_name="你的向量索引名称"  # 需要提前在DocumentDB创建对应向量索引
)

3. 确认DocumentDB向量索引已正确创建 #

向量存储依赖提前创建的向量索引，按照DocumentDB的语法创建符合要求的索引（替换为你的嵌入维度）：

// 在DocumentDB的Mongo Shell中执行
db.目标集合名称.createIndex(
    {"embedding": "vector"},
    {"vectorOptions": {"type": "float", "dimensions": 1536}}  // 维度需与Bedrock嵌入模型一致
)

4. 升级LangChain版本 #

检查并升级到最新版LangChain，新版本可能修复了对DocumentDB的兼容问题：

pip install --upgrade langchain langchain-mongodb

内容的提问来源于stack exchange，提问作者thecoders