为何触发BadValue错误？已确认query_vector为数组仍报错

执行以下Python代码时，始终触发错误：

{'ok': 0.0, 'errmsg': 'value must be of type array', 'code': 2, 'codeName': 'BadValue'}

已确认query_vector是100维浮点数组，但执行results = list(self.collection.aggregate(pipeline))时仍报错，代码如下：

def _get_relevant_documents(self, query: str) -> List[Document]:
    query_vector = self.embedding_model.embed_query(query)
    print("query_vector",type(query_vector))
    if hasattr(query_vector, "tolist"):
        query_vector = query_vector.tolist()
    print("query_vector2",type(query_vector))
    query_vector1 = [float(x) for x in query_vector]
    query_vector = query_vector1[:100]
    cosmos_search_stage = {
        "$search": {
            "cosmosSearch": {
                "vector": {
                    "path": "embedding",
                    "queryVector": query_vector,
                    "k": self.top_k,
                    "similarity": "COS"
                }
            }
        }
    }

    if self.keyword:
        cosmos_search_stage["$search"]["cosmosSearch"]["text"] = {
            "path": "description",
            "query": self.keyword
        }

    pipeline = [cosmos_search_stage]
    results = list(self.collection.aggregate(pipeline))

可能的报错原因及解决方法 #

1. 搜索阶段的结构层级错误 #

代码在添加关键词搜索时，错误地将text字段嵌套在了cosmosSearch内部，但MongoDB Cosmos Search的语法要求：$search下的cosmosSearch（向量搜索）和text（文本搜索）是同级字段，不能互相嵌套。

这种结构错误会导致MongoDB无法正确解析整个搜索请求，进而抛出类型误判的错误。

正确的结构应为：

"$search": {
    "cosmosSearch": {
        "vector": {...}
    },
    "text": {...}  # text与cosmosSearch同级
}

2. 验证query_vector的实际内容 #

虽然打印了类型，但建议直接输出query_vector的具体值，确认：

• 数组内无非法元素（如None、字符串等）
• 数组长度确实为100，且所有元素都是合法浮点数

可添加以下代码验证：

print("query_vector content:", query_vector)
print("vector length:", len(query_vector))

3. 检查集合的向量索引定义 #

确保集合上创建的向量索引中，path指定的embedding字段确实是数组类型，且维度与query_vector一致（100维）。索引维度与查询向量不匹配时，也可能触发类型相关的错误提示。

修正后的代码示例 #

def _get_relevant_documents(self, query: str) -> List[Document]:
    query_vector = self.embedding_model.embed_query(query)
    if hasattr(query_vector, "tolist"):
        query_vector = query_vector.tolist()
    # 合并切片与类型转换，简化代码
    query_vector = [float(x) for x in query_vector[:100]]

    cosmos_search_stage = {
        "$search": {
            "cosmosSearch": {
                "vector": {
                    "path": "embedding",
                    "queryVector": query_vector,
                    "k": self.top_k,
                    "similarity": "COS"
                }
            }
        }
    }

    if self.keyword:
        # 将text搜索放在$search下，与cosmosSearch同级
        cosmos_search_stage["$search"]["text"] = {
            "path": "description",
            "query": self.keyword
        }

    pipeline = [cosmos_search_stage]
    results = list(self.collection.aggregate(pipeline))

内容的提问来源于stack exchange，提问作者user23525