MongoDB mit Claude Code: Mongoose und Aggregation Pipeline 2026

# Prompt: "Erstelle Mongoose-Schema für ein Blog-System mit # Posts, Comments (verschachtelt) und User-References" // models/Post.ts — Claude Code generiert: import mongoose, { Schema, Document, Model } from 'mongoose' interface IComment { author: mongoose.Types.ObjectId text: string createdAt: Date } interface IPost extends Document { title: string slug: string content: string author: mongoose.Types.ObjectId tags: string[] comments: IComment[] publishedAt: Date | null views: number } const CommentSchema = new Schema<IComment>({ author: { type: Schema.Types.ObjectId, ref: 'User', required: true }, text: { type: String, required: true, maxlength: 2000 }, createdAt: { type: Date, default: Date.now } }, { _id: true }) const PostSchema = new Schema<IPost>({ title: { type: String, required: true, maxlength: 200 }, slug: { type: String, required: true, unique: true }, content: { type: String, required: true }, author: { type: Schema.Types.ObjectId, ref: 'User', required: true }, tags: [{ type: String, lowercase: true, trim: true }], comments: [CommentSchema], publishedAt: { type: Date, default: null }, views: { type: Number, default: 0 } }, { timestamps: true }) // Indizes für Performance PostSchema.index({ slug: 1 }) // Unique, schnelle Abfrage PostSchema.index({ author: 1, publishedAt: -1 }) // User-Posts sortiert PostSchema.index({ tags: 1 }) // Tag-Filter PostSchema.index({ title: 'text', content: 'text' }) // Volltextsuche export const Post: Model<IPost> = mongoose.model('Post', PostSchema)

# Prompt: "Implementiere CRUD für Posts mit Pagination, Populate und Volltextsuche" // Paginierte Liste mit Author-Details const posts = await Post .find({ publishedAt: { $ne: null }, tags: 'javascript' }) .populate('author', 'name email avatar') // Nur bestimmte Felder .sort({ publishedAt: -1 }) .skip((page - 1) * limit) .limit(limit) .lean() // Schneller: Plain JS Object // Volltextsuche (benötigt text Index) const results = await Post.find( { $text: { $search: searchQuery } }, { score: { $meta: 'textScore' } } ).sort({ score: { $meta: 'textScore' } }) // Atomic Update — View-Counter erhöhen const post = await Post.findOneAndUpdate( { slug }, { $inc: { views: 1 } }, // Atomic Increment { new: true } // Updated Document zurückgeben ) // Comment hinzufügen (eingebettet) await Post.updateOne( { _id: postId }, { $push: { comments: { author: userId, text: commentText } } } )

# Prompt: "Erstelle eine Aggregation Pipeline für Blog-Statistiken: # Top-Autoren nach Views, Posts pro Tag, Durchschnittliche Kommentaranzahl" const stats = await Post.aggregate([ // Stage 1: Nur published Posts { $match: { publishedAt: { $ne: null } } }, // Stage 2: Nach Autor gruppieren { $group: { _id: '$author', totalViews: { $sum: '$views' }, postCount: { $sum: 1 }, avgComments: { $avg: { $size: '$comments' } }, tags: { $addToSet: '$tags' } }}, // Stage 3: Author-Details hinzufügen { $lookup: { from: 'users', localField: '_id', foreignField: '_id', as: 'author' }}, { $unwind: '$author' }, // Stage 4: Felder umbenennen und sortieren { $project: { authorName: '$author.name', totalViews: 1, postCount: 1, avgComments: { $round: ['$avgComments', 1] } }}, { $sort: { totalViews: -1 } }, { $limit: 10 } ])

# Compound Indizes für häufige Query-Muster: # Query: find({ status: 'active', createdAt: { $gte: ... } }).sort({ createdAt: -1 }) PostSchema.index({ status: 1, createdAt: -1 }) // Compound Index # Explain Plan — Query analysieren: const plan = await Post.find({ tags: 'vue' }).explain('executionStats') # Prüfe: totalDocsExamined vs totalDocsReturned # Gut: beide gleich. Schlecht: viel mehr examined als returned → Index fehlt # MongoDB Atlas Search (Vektoren + Volltext): # Atlas Search Index erstellen für semantische Suche # $vectorSearch Stage für AI-powered Suche # Connection Pooling (Production): mongoose.connect(MONGODB_URI, { maxPoolSize: 10, serverSelectionTimeoutMS: 5000, socketTimeoutMS: 45000 })