MongoDB Atlas Vector Search再度荣获最受欢迎的向量数据库称号_mongodb出了atlas vector search

最新发布的《2024 年 Retool AI 现状报告》显示，MongoDB Atlas Vector Search 再次荣获最受欢迎的向量数据库称号，这已是它连续第二年获此殊荣。 Atlas Vector Search 在净推荐值 （NPS）方面斩获最高分，这一指标精准反映了用户向同行推荐该解决方案的意愿强度。

Retool AI现状报告是一项针对全球开发者、技术领导者和IT决策者的年度调查，旨在深入了解当前及未来AI领域的发展趋势，包括向量数据库、 检索增强生成（RAG）、AI应用以及利用AI进行创新所面临的挑战。

自2023年Retool发布首份报告以来，MongoDB Atlas Vector Search就获得了最高的NPS，并在短短五个月内便成为了使用第二广泛的向量数据库。 今年，Atlas Vector Search以21.1%的得票率在最受欢迎的向量数据库中名列前茅，仅次于得票率为21.3%的pgvector（PostgreSQL）。

该调查还指出，随着对更精准答案这一需求的增长，RAG（检索增强生成） 正逐渐成为首选方法，它能基于大语言模型（LLM）未训练过的最新相关的上下文生成更准确的答案。尽管LLM是基于海量数据训练出来的，但这些数据并非全然最新，也未能涵盖所有专有信息。尤其在那些存在盲区的领域，LLM 常因自信地提供不准确的“人工幻觉”而备受诟病。而微调正是定制LLM训练数据的一种有效方式，Retool的调查显示，有29.3%的受访者正是采用了这种方法来优化模型性能。但是，在员工超过5000人的企业中，三分之一的企业已开始利用RAG来访问时效性强的数据（如股市价格）及内部商业智能（如客户与交易历史）。

这正是MongoDB Atlas Vector Search大放异彩之处。在训练和评估阶段，用户能轻松利用MongoDB中存储的数据，来大幅提升生成式AI应用程序的性能。

短短一年内 ，Retool调查中受访者对向量数据库的采用率从2023年的20%激增至2024年的63.6%，增长惊人 。受访者表示，他们选择向量数据库的主要考量因素包括性能基准（40%）、社区反馈（39.3%）以及概念验证实验（38%）。

报告明确指出，AI技术堆栈的复杂性是一大痛点。

50%以上的受访者表示，他们对当前的AI技术堆栈感到“基本满意”、“不太满意”或“完全不满意”。此外，受访者还提到，在引入新解决方案时，内部认可和采购流程往往让这一过程变得棘手。为了缓解这些难题，一个集成了多种解决方案的套件显得尤为重要，它能简化技术堆栈，从而避免与多个未知供应商打交道。

MongoDB的开发者数据平台Atlas内置了向量搜索功能，因此无需额外安装独立的解决方案。 如果您已经在使用 MongoDB Atlas ，那么创建AI驱动型应用程序就变得更加简单，只需将向量数据添加到Atlas中的现有数据集合中即可。

如果您是开发者，正打算利用Atlas Vector Search来构建生成式AI应用程序，我们为您准备了丰富的资源助力启航：

• 学习如何构建一个以MongoDB为记忆库、Fireworks AI负责函数调用、LangChain来集成和管理对话组件的AI研究助手。
• 了解LangChain与MongoDB Vector Search，掌握如何打造一款能阅读长文档、精准回答复杂问题的聊天机器人。
• 观看Dataworkz的Sachin Smotra分享，深入了解如何优化RAG（检索增强生成）应用程序的扩展策略。
• 跟随我们的教程，探索如何通过Vertex AI Extensions将Google Gemini的高级自然语言处理能力与MongoDB结合，从而提升数据库的可访问性和可用性。
• 浏览我们的资源中心，海量文章、分析师报告、案例研究、白皮书等内容等您发掘。

想深入了解AI领域的最新趋势与应用情况？请阅读完整的《2024 年 Retool AI 现状报告》。

MongoDB Atlas
MongoDB Atlas 是 MongoDB 公司提供的 MongoDB 云服务，由 MongoDB 数据库的开发团队构建和运维，可以在亚马逊云科技、Microsoft Azure、Google Cloud Platform 云平台上轻松部署、运营和扩展。MongoDB Atlas 内建了 MongoDB 安全和运维最佳实践，可自动完成基础设施的部署、数据库的构建、高可用部署、数据的全球分发、备份等即费时又需要大量经验运维工作。让您通过简单的界面和 API 就 可以完成这些工作，由此您可以将更多宝贵的时间花在构建您的应用上。