Voyageai Cli

Name: Voyageai Cli
Author: mrlynn

本地服务

github.com/mrlynn记忆与知识1110 周前更新

代码仓库

关于 Voyageai Cli

Voyageai Cli 是用于 Voyage AI 嵌入和 MongoDB Atlas 的命令行工具与 MCP 服务，可构建语义搜索和 RAG 流程。它涵盖文档切分、导入、向量搜索、重排和成本估算。

主要功能

01切分并导入文档
02生成 Voyage AI 嵌入
03搜索 MongoDB Atlas 向量
04重排检索结果
05估算嵌入成本

适用场景

01为文档集合建立语义搜索索引
02构建带重排的检索流程
03导入前估算模型成本

MCP 相关

它向 MCP 客户端提供 11 个工具，用于 Voyage AI 嵌入与重排、MongoDB Atlas 向量搜索、文档导入、成本估算和模型探索。

#voyage-ai #embeddings #vector-search #mongodb #rag #reranking #semantic-search #retrieval

配置

本地服务的配置在各客户端中通用，复制后粘贴到客户端的 MCP 配置文件即可。

mcp.json · 通用配置

{
  "mcpServers": {
    "voyageai-cli": {
      "command": "npx",
      "args": [
        "-y",
        "voyageai-cli"
      ],
      "env": {
        "VOYAGE_API_KEY": "<VOYAGE_API_KEY>"
      }
    }
  }
}

启动命令npx -y voyageai-cli

需要配置的环境变量

VOYAGE_API_KEY密钥

本地服务需要在你的电脑上安装运行环境（如 Node.js 18+）。各客户端的配置文件位置不同，请参考客户端文档。

安装包

npmvoyageai-clistdio

工具

收录的工具列表 · 更新于 3 周前

参数	类型	必填	说明
query	string	是	自然语言问题或搜索查询
db	string	否	MongoDB 数据库名称。未指定时使用 vai 配置的默认值。
collection	string	否	包含嵌入文档的集合。省略时使用默认 vai 配置。
limit	integer	否	要返回的最大结果数
model	string	否	Voyage AI 嵌入模型。默认值：voyage-4-large
rerank	boolean	否	是否使用 Voyage AI 重排器对结果重新排序
filter	object	否	用于向量搜索的 MongoDB 预筛选条件（例如，{ 'metadata.type': 'api-doc' }）

详细介绍

voyageai-cli

voyageai-cli 演示

从文档到语义搜索，最快只需几步。对文件进行分块，生成 Voyage AI 嵌入向量，存储在 MongoDB Atlas，再通过两阶段检索进行查询——可在终端、浏览器或桌面应用中使用。

⚠️ 免责声明： 这是一个由社区独立构建的工具，并非 MongoDB, Inc. 或 Voyage AI 的官方产品。详情请参阅免责声明。

为什么选择 Voyage AI？

Voyage AI 提供先进的嵌入模型，具有业内最佳的质量成本比。以下是开发者选择 Voyage AI 的原因：

优势	含义
🎯 RTEB 排名第一	Voyage 4 在检索基准测试中排名第一，表现优于 OpenAI、Cohere 等提供商
💰 最高可节省 83% 成本	非对称检索：使用 `voyage-4-lite` 为文档生成嵌入向量，使用 `voyage-4-large` 进行查询，质量相同，成本仅为一小部分
🔗 共享嵌入空间	所有 Voyage 4 模型都能生成兼容的嵌入向量，因此你可以灵活搭配，以优化成本与质量之间的平衡
🏢 领域专用模型	针对代码、金融、法律和多语言内容的专用模型，表现胜过通用替代方案
⚡ 两阶段检索	Rerank-2.5 通过强大的交叉编码器重新评估候选项，提升搜索精度

开始使用：

# Get a free API key at https://dash.voyageai.com
vai quickstart    # Interactive tutorial — zero to semantic search in 2 minutes

了解更多： Voyage AI 文档 · 定价 · 博客

三种使用方式

🖥️ 命令行工具

vai

22 个命令 · 5 种分块策略
在终端中运行端到端 RAG 流水线

curl -fsSL https://vaicli.com/install.sh | sh

🌐 Web Playground

vai playground

7 个交互式标签页 + 工作流商店
含 20 多个可安装的工作流包

在浏览器中启动

💻 桌面应用

独立的 Electron 应用

安全的密钥链存储、深色/浅色主题，
MongoDB LeafyGreen 设计系统

从 GitHub Releases 下载

🏪 工作流商店

vai store 或 Playground

浏览、安装并运行预构建的
来自 npm 的 RAG 工作流

官方与社区软件包

桌面应用

使用 Electron 和 MongoDB LeafyGreen 设计系统构建的独立桌面应用。CLI 和 Playground 能做的一切，都能通过原生应用体验实现。

主要功能

🔐 安全存储 API 密钥 — 将 Voyage AI API 密钥和 MongoDB URI 存储在操作系统的密钥链中（macOS Keychain、Windows Credential Vault、Linux Secret Service）。不会生成明文配置文件。
🎨 深色和浅色主题 — 支持完整主题，可自动检测系统设置，基于 MongoDB 的 LeafyGreen 设计令牌构建。
🍃 MongoDB LeafyGreen UI — 全面采用 LeafyGreen 组件和图标，呈现原生 MongoDB 风格与体验。
📱 侧边栏导航 — 简洁、可折叠的侧边栏，可快速访问所有功能：Embed、Compare、Search、Benchmark、Explore、Settings 等。
⚡ 包含 Playground 的所有功能 — 涵盖 Web Playground 的所有标签页，另有系统托盘集成等桌面应用专属便利功能。

安装

从 GitHub Releases 下载适用于你平台的最新版本：

平台	下载
macOS（Apple Silicon）	`.dmg`
macOS（Intel）	`.dmg`
Windows	`.exe` 安装程序
Linux	`.AppImage` / `.deb`

更喜欢使用 CLI？ 使用 curl -fsSL https://vaicli.com/install.sh | sh 或 brew install mrlynn/vai/vai 安装

Web Playground

基于浏览器的交互式界面，无需编写代码即可探索 Voyage AI 嵌入。它随 CLI 一同提供，只需运行：

vai playground

默认浏览器会打开功能齐全的界面：

标签页	功能
Embed	为任意文本生成嵌入、查看向量、调整维度和模型
Compare	并排比较两个或多个文本的相似度，并显示余弦相似度分数
Search	连接到 MongoDB Atlas，使用筛选器和重排序执行向量相似度搜索
Benchmark	使用你自己的数据，对比 Voyage 4 系列模型的延迟、成本和质量
Explore	通过降维（PCA/t-SNE）和聚类可视化嵌入空间
Workflow Store	浏览、安装和运行 20 多个官方及社区工作流包
About	项目信息、链接和版本详情
Settings	配置 API 密钥、MongoDB URI、默认模型和偏好设置

Playground 与 CLI 使用相同的后端。通过 vai config 配置的 API 密钥或 MongoDB URI 都会自动提供给 Playground 使用。

CLI — 快速入门

22 个命令 · 1,000 多项测试 · 5 种分块策略 · 端到端 RAG 流水线

安装

# Fastest — one command, no dependencies
curl -fsSL https://vaicli.com/install.sh | sh

# Via npm
npm install -g voyageai-cli

# Via Homebrew
brew install mrlynn/vai/vai

5 分钟搭建 RAG 流水线

将一整个文档文件夹转化为可搜索的向量数据库：

# Set credentials
export VOYAGE_API_KEY="your-key"
export MONGODB_URI="mongodb+srv://user:[email protected]/"

# Initialize project
vai init --yes

# Chunk → embed → store (one command)
vai pipeline ./docs/ --db myapp --collection knowledge --create-index

# Search with two-stage retrieval
vai query "How do I configure replica sets?" --db myapp --collection knowledge

完成。文档已分块，使用 voyage-4-large 生成嵌入，连同元数据存储在 Atlas 中，已创建向量索引，并且可以通过重排序进行搜索。

项目配置

无需在每条命令中重复输入 --db myapp --collection docs：

vai init

创建 .vai.json 并设置默认值——模型、数据库、集合、分块策略。每条命令都会自动读取该文件。需要时可通过 CLI 标志覆盖默认值。

{
  "model": "voyage-4-large",
  "db": "myapp",
  "collection": "knowledge",
  "field": "embedding",
  "dimensions": 1024,
  "chunk": {
    "strategy": "recursive",
    "size": 512,
    "overlap": 50
  }
}

代码生成与脚手架

`vai generate` — 生产就绪的代码片段

根据 .vai.json 配置生成可直接使用的代码：

# List available components
vai generate --list

# Generate and pipe to files
vai generate client > lib/voyage.js
vai generate retrieval > lib/retrieval.js
vai generate search-api > routes/search.js

# Different targets
vai generate client --target python    # Flask
vai generate retrieval --target nextjs # Next.js + MUI

组件：client、connection、retrieval、ingest、search-api

目标：vanilla（Node.js/Express）、nextjs（Next.js + MUI）、python（Flask）

`vai scaffold` — 完整的入门项目

创建包含所有预配置文件的完整项目目录：

# Node.js + Express API (9 files)
vai scaffold my-rag-api

# Next.js + Material UI (13 files)
vai scaffold my-app --target nextjs

# Python + Flask (8 files)
vai scaffold flask-api --target python

# Preview without creating files
vai scaffold my-app --dry-run

每个项目都包含：服务器、API 路由、Voyage AI 客户端、MongoDB 连接、检索模块、数据导入流水线、.env.example 和 README。

数据生命周期

`vai purge` — 移除过期嵌入

根据条件从 MongoDB 中移除嵌入：

# Remove docs embedded with an old model
vai purge --model voyage-3.5

# Remove docs whose source files no longer exist
vai purge --stale

# Remove docs older than a date
vai purge --before 2026-01-01

# Filter by source pattern
vai purge --source "docs/old/*.md"

# Preview before deleting
vai purge --model voyage-3.5 --dry-run

`vai refresh` — 使用新设置重新生成嵌入

使用新的模型、维度或分块设置就地重新生成文档嵌入：

# Upgrade to a new model
vai refresh --model voyage-4-large

# Change dimensions for cost savings
vai refresh --model voyage-4-large --dimensions 256

# Re-chunk with a better strategy, then re-embed
vai refresh --rechunk --strategy markdown --chunk-size 1024

# Preview what would change
vai refresh --model voyage-4-large --dry-run

核心工作流

`vai pipeline` — 分块 → 嵌入 → 存储

端到端命令。接收文件或目录，对其分块、批量生成嵌入，并存储到 MongoDB Atlas。

# Directory of docs
vai pipeline ./docs/ --db myapp --collection knowledge --create-index

# Single file
vai pipeline whitepaper.pdf --db myapp --collection papers

# Preview without API calls
vai pipeline ./docs/ --dry-run

# Custom chunking
vai pipeline ./docs/ --strategy markdown --chunk-size 1024 --overlap 100

支持：.txt、.md、.html、.json、.jsonl、.pdf（可选的 pdf-parse 依赖）。自动检测 Markdown 文件并采用基于标题的分块方式。

`vai query` — 搜索 + 重排序

一条命令完成两阶段检索：嵌入查询 → 向量搜索 → 重排序 → 返回结果。

# Search with reranking (default)
vai query "How does authentication work?" --db myapp --collection knowledge

# Vector search only (skip rerank)
vai query "auth setup" --no-rerank

# With pre-filter
vai query "performance tuning" --filter '{"category": "guides"}' --top-k 10

`vai chunk` — 文档分块

需要控制流水线时，可单独执行分块。

# Chunk a directory, output JSONL
vai chunk ./docs/ --output chunks.jsonl --stats

# Specific strategy
vai chunk paper.md --strategy markdown --chunk-size 1024

# Preview
vai chunk ./docs/ --dry-run

五种策略：fixed、sentence、paragraph、recursive（默认）、markdown。

`vai estimate` — 成本估算器

在确定方案前比较对称与非对称嵌入策略。

vai estimate --docs 10M --queries 100M --months 12

显示所有 Voyage 4 模型组合的成本明细，包括非对称检索（使用 voyage-4-large 嵌入文档，使用 voyage-4-lite 查询——质量相同，成本仅为一小部分）。

单独的命令

需要精细控制时使用：

# Embed text
vai embed "What is MongoDB?" --model voyage-4-large --dimensions 512

# Rerank documents
vai rerank --query "database performance" \
  --documents "MongoDB is fast" "PostgreSQL is relational" "Redis is cached"

# Compare similarity
vai similarity "MongoDB is a database" "Atlas is a cloud database"

# Store a single document
vai store --db myapp --collection docs --field embedding \
  --text "MongoDB Atlas provides managed cloud databases"

# Bulk import from file
vai ingest --file corpus.jsonl --db myapp --collection docs --field embedding

# Vector search (raw)
vai search --query "cloud database" --db myapp --collection docs

# Manage indexes
vai index create --db myapp --collection docs --field embedding
vai index list --db myapp --collection docs

模型与基准测试

# List models with architecture and shared space info
vai models --wide

# Show RTEB benchmark scores
vai models --benchmarks

Voyage 4 系列

模型	架构	每 100 万个令牌的价格	RTEB 得分	最适合
voyage-4-large	MoE	$0.12	71.41	质量最佳——首个用于生产环境的 MoE 嵌入模型
voyage-4	Dense	$0.06	70.07	质量与成本均衡
voyage-4-lite	Dense	$0.02	68.10	大规模使用、预算有限
voyage-4-nano	Dense	免费（开放权重）	—	本地开发、边缘设备、HuggingFace

**共享嵌入空间：**所有 Voyage 4 模型生成的嵌入彼此兼容。使用 voyage-4-large 嵌入文档，使用 voyage-4-lite 查询——无需重新向量化。

竞争格局（RTEB NDCG@10）

模型	得分
voyage-4-large	71.41
voyage-4	70.07
Gemini Embedding 001	68.66
voyage-4-lite	68.10
Cohere Embed v4	65.75
OpenAI v3 Large	62.57

另有：voyage-code-3（代码）、voyage-finance-2（金融）、voyage-law-2（法律）、rerank-2.5 / rerank-2.5-lite。

本地推理

使用 voyage-4-nano 在本地运行嵌入——无需 API 密钥、网络或费用。 Nano 与 Voyage 4 API 模型共享相同的嵌入空间，因此你可以先在本地进行原型开发，准备就绪后再升级到 API。

**前提条件：**Python 3.10+，以及约 700MB 的模型磁盘空间。

一次性设置

vai nano setup      # Creates venv, installs deps, downloads model
vai nano status     # Verify everything is ready

使用方法

# Embed text locally
vai embed "What is MongoDB?" --local

# Run the full pipeline locally
vai pipeline ./docs/ --local --db myapp --collection knowledge

# Bulk ingest with local embeddings
vai ingest --file corpus.jsonl --local --db myapp --collection docs

交互式演示

vai demo nano       # Zero-dependency guided walkthrough

涵盖相似度矩阵、MRL 维度比较和交互式 REPL—— 全程无需 API 密钥或 MongoDB 连接。

Nano 命令

命令	描述
`vai nano setup`	设置 Python venv、安装依赖项并下载模型
`vai nano status`	检查本地推理是否就绪
`vai nano test`	对本地推理进行冒烟测试
`vai nano info`	显示模型详情和缓存位置
`vai nano clear-cache`	删除缓存的模型文件

升级路径

由于 nano 与 Voyage 4 共用嵌入空间，因此你的本地嵌入与 voyage-4、voyage-4-lite 和 voyage-4-large 兼容。添加 API 密钥后无需重新向量化。

对你的数据进行基准测试

已发布的基准测试衡量的是标准化数据集上的平均质量。vai benchmark 衡量的是对你的用例真正重要的内容：

# Compare model latency and cost
vai benchmark embed --models voyage-4-large,voyage-4,voyage-4-lite --rounds 5

# Test asymmetric retrieval on your data
vai benchmark asymmetric --file your-corpus.txt --query "your actual query"

# Validate shared embedding space
vai benchmark space

# Compare quantization tradeoffs
vai benchmark quantization --model voyage-4-large --dtypes float,int8,ubinary

# Project costs at scale
vai benchmark cost --tokens 500 --volumes 100,1000,10000,100000

评估

衡量并比较你的检索质量：

# Evaluate retrieval pipeline
vai eval --test-set test.jsonl --db myapp --collection docs

# Save results for later comparison
vai eval --test-set test.jsonl --save baseline.json

# Compare against a baseline (shows deltas)
vai eval --test-set test.jsonl --baseline baseline.json

# Compare multiple configurations
vai eval compare --test-set test.jsonl --configs baseline.json,experiment.json

# Evaluate reranking in isolation
vai eval --mode rerank --test-set rerank-test.jsonl

# Compare rerank models
vai eval --mode rerank --models "rerank-2.5,rerank-2.5-lite" --test-set test.jsonl

指标： MRR、nDCG@K、Recall@K、MAP、Precision@K

测试集格式（JSONL）：

{"query": "What is vector search?", "relevant": ["doc_id_1", "doc_id_2"]}

学习

通过交互式说明了解关键概念：

vai explain embeddings        # What are vector embeddings?
vai explain moe               # Mixture-of-experts architecture
vai explain shared-space      # Shared embedding space & asymmetric retrieval
vai explain rteb              # RTEB benchmark scores
vai explain quantization      # Matryoshka dimensions & quantization
vai explain two-stage         # The embed → search → rerank pattern
vai explain nano              # voyage-4-nano open-weight model
vai explain models            # How to choose the right model

涵盖嵌入、重排序、向量搜索、RAG 等内容的 17 个主题。

环境与身份验证

变量	必需场景	描述
`VOYAGE_API_KEY`	所有嵌入/重排序操作	MongoDB Atlas 提供的模型 API 密钥
`MONGODB_URI`	store、search、query、pipeline、index	MongoDB Atlas 连接字符串

凭据按以下顺序解析：环境变量 → .env 文件 → ~/.vai/config.json。

# Or use the built-in config store
echo "your-key" | vai config set api-key --stdin
vai config set mongodb-uri "mongodb+srv://..."

所有配置键

CLI 键	描述	示例
`api-key`	Voyage AI API 密钥	`vai config set api-key pa-...`
`mongodb-uri`	MongoDB Atlas 连接字符串	`vai config set mongodb-uri "mongodb+srv://..."`
`base-url`	覆盖 API 端点（Atlas AI 或 Voyage）	`vai config set base-url https://ai.mongodb.com/v1`
`default-model`	默认嵌入模型	`vai config set default-model voyage-3`
`default-dimensions`	默认输出维度	`vai config set default-dimensions 512`
`default-db`	工作流/命令的默认 MongoDB 数据库	`vai config set default-db my_knowledge_base`
`default-collection`	工作流/命令的默认 MongoDB 集合	`vai config set default-collection documents`
`llm-provider`	用于 chat/generate 的大模型提供商（`anthropic`、`openai`、`ollama`）	`vai config set llm-provider anthropic`
`llm-api-key`	大模型提供商 API 密钥	`vai config set llm-api-key sk-...`
`llm-model`	覆盖大模型	`vai config set llm-model claude-sonnet-4-5-20250929`
`llm-base-url`	覆盖大模型端点（例如用于 Ollama）	`vai config set llm-base-url http://localhost:11434`
`show-cost`	在操作后显示费用估算	`vai config set show-cost true`
`telemetry`	启用/停用匿名使用情况遥测	`vai config set telemetry false`

配置存储在 ~/.vai/config.json 中。使用 vai config get 查看所有值（机密信息会被隐藏），或使用 vai config get <key> 查看指定值。桌面应用的 Settings → Database 页面也会读取和写入此文件。

遥测

vai 会为 CLI 和桌面应用收集匿名使用情况遥测数据。首次启动时，vai 会在发送任何遥测数据之前显示一次性通知。CLI 和桌面应用通过 ~/.vai/config.json 共用同一遥测偏好设置和通知状态。

使用内置遥测控制项：

vai telemetry
vai telemetry off
vai telemetry on
vai telemetry status
vai telemetry reset

你也可以通过环境变量停用遥测：

export VAI_TELEMETRY=0
export DO_NOT_TRACK=1

如需在本地审查，请设置：

export VAI_TELEMETRY_DEBUG=1

这会将遥测负载输出到 stderr，而不是发送出去。

Shell 补全

# Bash
vai completions bash >> ~/.bashrc

# Zsh
mkdir -p ~/.zsh/completions
vai completions zsh > ~/.zsh/completions/_vai

涵盖全部 22 个命令、子命令、标志、模型名称和说明主题。

所有命令

命令	描述
项目设置
`vai init`	使用 `.vai.json` 初始化项目
`vai generate`	生成代码片段（检索、导入、客户端）
`vai scaffold`	创建完整的入门项目
RAG 流水线
`vai pipeline`	分块 → 嵌入 → 存储（端到端）
`vai query`	搜索 + 重排（两阶段检索）
`vai chunk`	对文档分块（5 种策略）
`vai estimate`	成本估算器（对称与非对称）
嵌入
`vai embed`	生成嵌入
`vai rerank`	按相关性对文档重排
`vai similarity`	比较文本相似度
数据管理
`vai store`	嵌入并存储单个文档
`vai ingest`	批量导入并显示进度
`vai search`	向量相似度搜索
`vai index`	管理 Atlas Vector Search 索引
`vai purge`	按条件删除嵌入
`vai refresh`	使用新模型／设置重新嵌入
评估
`vai eval`	评估检索质量（MRR、nDCG、Recall）
`vai eval compare`	并排比较配置
`vai benchmark`	用于模型比较的 8 个子命令
工作流商店
`vai store list`	浏览可用工作流（官方 + 社区）
`vai store install`	从 npm 安装工作流包
`vai store run`	运行已安装的工作流
`vai store uninstall`	移除已安装的工作流
MCP 服务
`vai mcp`	启动 MCP 服务（向 AI Agent 提供 vai 工具）
`vai mcp install`	将 vai 安装到 AI 工具配置中（Claude、Cursor 等）
`vai mcp uninstall`	从 AI 工具配置中移除 vai
`vai mcp status`	显示所有工具的安装状态
`vai mcp generate-key`	为 HTTP 服务身份验证生成 API 密钥
工具与学习
`vai models`	列出模型、基准测试和架构
`vai explain`	25 个交互式概念讲解
`vai config`	管理持久化配置
`vai ping`	测试 API 和 MongoDB 连通性
`vai playground`	交互式 Web Playground
`vai demo`	引导式演示
`vai completions`	Shell 补全脚本
`vai about`	关于此工具
`vai version`	打印版本号

工作流商店

通过 Playground UI 或命令行浏览、安装和运行预构建的 RAG 工作流。工作流商店提供 20 个官方工作流，以及不断壮大的社区生态，其中的包发布在 npm 上。

浏览与安装

# Open the visual Workflow Store in the Playground
vai playground    # Click the grid icon → Store

# Or from the CLI
vai store list                    # Browse available workflows
vai store install model-shootout  # Install a workflow
vai store run model-shootout      # Run it

官方工作流

工作流	类别	功能
model-shootout	实用工具	使用你的数据并排比较 voyage-4-large、voyage-4 和 voyage-4-lite
asymmetric-search	检索	使用 voyage-4-large 进行嵌入，使用 voyage-4-lite 进行查询 — 成本降低约 83%
cost-optimizer	实用工具	量化非对称检索的确切成本节省
question-decomposition	检索	将复杂问题拆分为子查询，并行搜索，然后合并并重排
knowledge-base-bootstrap	集成	端到端入门：导入 → 验证 → 测试查询 → 状态报告
hybrid-precision-search	检索	并行采用三种检索策略，然后合并并重排
embedding-drift-detector	分析	持续监控嵌入质量
multilingual-search	检索	将查询翻译为多种语言，并行搜索各语言内容

此外还有 12 个工作流，涵盖代码迁移、金融风险扫描、临床方案匹配、会议行动项等。

社区包

任何人都可以向 npm 发布工作流。为你的包添加 vai-workflow 标签，并在 package.json 中添加 vai-workflow 字段：

{
  "name": "vai-workflow-my-pipeline",
  "keywords": ["vai-workflow"],
  "vai-workflow": {
    "category": "retrieval",
    "tags": ["custom", "my-use-case"],
    "tools": ["query", "rerank", "generate"]
  }
}

社区工作流会自动与官方包一同显示在商店中。

MCP 服务

将 vai 的 RAG 工具提供给任何兼容 MCP 的 AI Agent 使用——Claude Desktop、Claude Code、Cursor、Windsurf、VS Code 等。提供 11 个工具，用于嵌入、检索、重排、摄取和学习——无需编写代码即可使用。

一键设置

# Install into your AI tool of choice
vai mcp install claude
vai mcp install cursor
vai mcp install all          # all supported tools at once

# Check what's configured
vai mcp status

安装命令会合并到现有配置中，不会更改你的其他 MCP 服务。

支持的工具

目标	AI 工具
`claude`	Claude Desktop
`claude-code`	Claude Code
`cursor`	Cursor
`windsurf`	Windsurf
`vscode`	VS Code

Agent 可使用的工具

安装后，你的 AI Agent 可以使用以下工具：

工具	功能
`vai_query`	完整 RAG：嵌入 → 向量搜索 → 重排
`vai_search`	原始向量相似度搜索
`vai_rerank`	根据查询重排文档
`vai_embed`	生成嵌入向量
`vai_similarity`	计算文本之间的余弦相似度
`vai_ingest`	对文档分块、嵌入并存储
`vai_collections`	列出带有向量索引的 MongoDB 集合
`vai_models`	列出模型、定价和基准测试结果
`vai_topics`	浏览教育主题
`vai_explain`	获取概念的详细解释
`vai_estimate`	估算嵌入成本

传输模式

vai mcp                                    # stdio (default, local)
vai mcp --transport http --port 3100       # HTTP (remote, multi-client)

📖 完整文档： docs/mcp-server.md

截图

桌面应用 — 深色主题

Vai - 嵌入选项卡（深色）

桌面应用 — 设置

Vai - 设置（深色）

桌面应用 — 浅色主题

Vai - 嵌入选项卡（浅色）

搜索与重排

基准测试

Vai - 基准测试选项卡

项目结构

这是一个轻量级单体仓库，将 CLI 与桌面应用分开：

voyageai-cli/
├── src/            ← Core library + CLI + web playground (npm package)
├── electron/       ← Desktop app (distributed via GitHub Releases)
├── docs/           ← Shared documentation
├── test/           ← Test suites
└── .github/
    └── workflows/
        ├── ci.yml           ← Tests + npm publish for CLI
        └── release-app.yml  ← Electron builds + GitHub Releases

发布渠道

产品	渠道	用户可获得的内容
CLI (`vai`)	`npm install -g voyageai-cli`	终端工具、22 条命令、RAG 流水线
Web Playground	`vai playground`	在本地运行，除 CLI 外无需安装其他内容
桌面应用	GitHub Releases	独立应用，无需 Node

开发脚本

# CLI development
npm test                    # Run test suite
npm run test:watch         # Watch mode

# Electron app development  
npm run app:install        # Install electron dependencies
npm run app:start          # Launch electron app
npm run app:dev            # Launch with DevTools
npm run app:build          # Build for all platforms

要求

Node.js 18+
MongoDB Atlas 账户（免费层即可）
Voyage AI 模型 API 密钥（在 Atlas 中创建）

作者

由 Michael Lynn 开发，他是 MongoDB 的首席员工开发者倡导者。

免责声明

这是一个社区工具，与 MongoDB, Inc. 或 Voyage AI 无关联，也未获其认可或支持。所有商标均归其各自所有者所有。

官方文档与支持：

MongoDB： mongodb.com | Atlas | 支持
Voyage AI： MongoDB Voyage AI 文档

许可证

支持 Markdown

登录后评论

第一次接触 MCP？

从协议是什么，到在客户端里装上第一个服务，这几条回答覆盖了大多数入门问题。

阅读入门指南

一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。

Voyageai Cli

关于 Voyageai Cli

主要功能

适用场景

MCP 相关

配置

工具

详细介绍

voyageai-cli

为什么选择 Voyage AI？

三种使用方式

🖥️ 命令行工具

🌐 Web Playground

💻 桌面应用

🏪 工作流商店

目录

桌面应用

主要功能

安装

Web Playground

CLI — 快速入门

安装

5 分钟搭建 RAG 流水线

项目配置

代码生成与脚手架

vai generate — 生产就绪的代码片段

vai scaffold — 完整的入门项目

数据生命周期

vai purge — 移除过期嵌入

vai refresh — 使用新设置重新生成嵌入

核心工作流

vai pipeline — 分块 → 嵌入 → 存储

vai query — 搜索 + 重排序

vai chunk — 文档分块

vai estimate — 成本估算器

单独的命令

模型与基准测试

Voyage 4 系列

竞争格局（RTEB NDCG@10）

本地推理

一次性设置

使用方法

交互式演示

Nano 命令

升级路径

对你的数据进行基准测试

评估

学习

环境与身份验证

所有配置键

遥测

Shell 补全

所有命令

工作流商店

浏览与安装

官方工作流

社区包

MCP 服务

一键设置

支持的工具

Agent 可使用的工具

传输模式

截图

桌面应用 — 深色主题

桌面应用 — 设置

桌面应用 — 浅色主题

搜索与重排

基准测试

项目结构

发布渠道

开发脚本

要求

作者

免责声明

许可证

评论

第一次接触 MCP？

MCP（Model Context Protocol）是什么？

MCP 服务和客户端有什么区别？

本地服务与远程服务怎么选？

`vai generate` — 生产就绪的代码片段

`vai scaffold` — 完整的入门项目

`vai purge` — 移除过期嵌入

`vai refresh` — 使用新设置重新生成嵌入

`vai pipeline` — 分块 → 嵌入 → 存储

`vai query` — 搜索 + 重排序

`vai chunk` — 文档分块

`vai estimate` — 成本估算器