Troubleshooting issues with vector store and document retrieval from mongo database

        indexName = requestDTO.Index
      
        # Initialisation des paramètres pour les requètes sur MongoDB Atlas
        mongodb_client = pymongo.MongoClient(_mongoURI)
        store = MongoDBAtlasVectorSearch(mongodb_client, db_name=indexName)

        print(store)
        
        # Initialisation de l'index via les index sur MongoDB Atlas
        # Et inversement, commenter/décommenter si on veut juste query l'index existant
        # build index
        
        index = VectorStoreIndex.from_vector_store(store)
        # configure retriever
        
        retriever = VectorIndexRetriever(
            index=index                      
        )

        # configure response synthesizer, ici on peut chosir le mode réponse pour la query(ici on peut influer sur la maniere dont le contexte et le prompt sont itéré sur la query)
        
        response_synthesizer = get_response_synthesizer(response_mode=GetResponseMode(requestDTO.Mode), text_qa_template=qa_template)

        # assemble query engine, o recupere l'index grace au retriver et aussi le mode de reponse du "ResponseMode.TREE_SUMMARIZE" via response_synthesizer 
        
        query_engine = RetrieverQueryEngine(
            retriever=retriever, 
            response_synthesizer=response_synthesizer
        )

        # Partie permettant de créer la réponse

        query_engine = index.as_query_engine(similarity_top_k=requestDTO.LinkNumber,text_qa_template=qa_template)

- Add to your vector store 

from llama_index.core.node_parser import SentenceSplitter
from llama_index.core import Document

parser = SentenceSplitter()
nodes = parser.get_nodes_from_documents([Document(text="This is a text")])

for node in nodes:
    node_embedding = embed_model.get_text_embedding(
        node.get_content(metadata_mode="all")
    )
    node.embedding = node_embedding

store.add(nodes)


- Create retriever instance and do retrieve
index = VectorStoreIndex.from_vector_store(store)
retriever = index.as_retriever()

print(retriever.retrieve("ASK one query"))