Blog

Retool 的“2024 年 AI 现状”报告刚刚发布，MongoDB Atlas Vector Search 连续第二年被评为最受欢迎的矢量数据库。Atlas Vector Search 获得了最高净推荐值 (NPS)，该值用于衡量用户向同伴推荐解决方案的可能性。

Retool 的“AI 现状”报告是对开发者、技术领导者和 IT 决策者进行的全球年度调查，提供了对 AI 的当前和未来状态的洞察，包括矢量数据库、检索增强生成 (RAG)、AI 采用情况和使用 AI 创新的挑战。

MongoDB Atlas Vector Search 在 Retool 的 2023 年首份报告中获得了最高 NPS，并且在发布后仅五个月内就成为第二广泛使用的矢量数据库。今年，Atlas Vector Search 以 21.1% 的得票率并列成为最受欢迎的矢量数据库，仅次于获得 21.3% 投票率的 pgvector（PostgreSQL）。

该调查还指出，人们越来越多地采用 RAG 作为在大型语言模型 (LLM) 未受过训练的最新相关背景下生成更准确回答的首选方法。虽然 LLM 是在庞大的数据语料库中训练出来的，但并非所有数据都是最新的，也不能反映专有数据。在那些存在盲点的领域，LLM 因自信地提供不准确的“幻觉”而臭名昭著。微调是自定义 LLM 训练数据的一种方式，29.3% 的 Retool 调查受访者利用这种方法。但是，在拥有超过 5,000 名员工的企业中，现在有三分之一的企业利用 RAG 来访问时间敏感的数据（例如股市价格）和内部商业情报，例如客户和事务历史记录。

这是 MongoDB Atlas Vector Search 真正大放异彩的地方。在训练和评估阶段，客户可以轻松地利用他们在 MongoDB 中存储的数据来增强和显著改善其生成式 AI 应用程序的性能。

在一年的时间里，Retool 调查受访者的矢量数据库利用率急剧上升，从 2023 年的 20% 上升到 2024 年的 63.6%，令人瞠目。受访者表示，他们选择矢量数据库的主要评估标准是性能基准 (40%)、社区反馈 (39.3%) 和概念验证实验 (38%)。

该报告明确强调的痛点之一是 AI 技术堆栈的困难。超过 50% 的受访者表示，他们对自己的 AI 堆栈比较满意、不太满意或完全不满意。受访者还表示，在获得内部支持方面存在困难，而在需要采用新解决方案时，采购工作往往会使这一问题变得更加复杂。减少这种摩擦的一种方法是通过一套集成的解决方案，简化技术堆栈，并消除加入多个未知供应商的需要。矢量搜索是 MongoDB 的开发者数据平台 Atlas 的原生功能，因此无需依赖独立的解决方案。如果您已经在使用 MongoDB Atlas，创建 AI 驱动的体验只需将矢量数据添加到 Atlas 现有的 collection 中即可。

如果您是开发者，并想要开始使用 Atlas Vector Search 构建生成式人工智能应用程序，我们提供以下几个有用资源：

• 了解如何构建一个 AI 研究助手代理，该代理使用 MongoDB 作为内存提供商、Fireworks AI 进行函数调用以及 LangChain 集成和管理会话组件。

• 了解 LangChain 和 MongoDB Vector Search，并学习创建自己的聊天机器人，该机器人可以阅读长篇文档并为复杂的查询提供深刻的回答。

• 观看 Dataworkz 公司的 Sachin Smotra 深入探讨 RAG（检索增强生成）应用扩展的复杂性。

• 阅读我们的教程，了解如何在 Vertex AI 扩展的支持下将 Google Gemini 的高级自然语言处理与 MongoDB 相结合，从而增强数据库的可访问性和可用性。

• 浏览我们的资源中心，获取文章、分析报告、案例研究、白皮书等。