<p>随着 MongoDB 超越其数据库根基，创建一个统一的数据平台以在生产中运行 AI 工具，该供应商正在增加新的向量索引功能，并改善其核心平台的性能。</p>
<p>向量嵌入是数据的数值表示，使结构化和非结构化数据通过各种搜索方法（包括相似性和关键词）变得易于发现。这些搜索将相关数据输入到管道中，为代理和其他 AI 应用提供所需的 适当上下文知识，以便提供准确的输出。</p>
<p>在 5 月 7 日的预览中发布的 MongoDB 向量搜索中的自动化航程 AI 嵌入，通过 MongoDB 的航程模型自动创建向量嵌入，将人类构建搜索基础设施所需的时间从几周减少到几分钟。</p>
<p>此外，MongoDB 8.3 的发布于 5 月 7 日正式推出，改善了数据库性能，以满足 AI 工作负载对系统的更高需求，这些需求高于传统的数据管理和分析工作负载。根据供应商的说法，新版本提供更高的 读写 性能、更高的 ACID 事务，而无需对代码进行任何更改，并且能够处理比 MongoDB 8.0 更复杂的操作。</p>
<p>根据 Moor Insights &amp; Strategy 的分析师 Mike Leone 的说法，这些新功能和改进代表了 MongoDB 朝着成为 AI 统一数据平台的进步。</p>
<p>“这是向前迈出的一步，因为底层的成分是真实的，” 他说，并指出 MongoDB 的愿景是基于其能力。“MongoDB 拥有顶级的嵌入模型、操作数据库，以及它们之间的连接，能够说这三者都是第一方并紧密集成的竞争者非常少。这使得该平台的主张对我来说是有实质性的，而不是感觉像营销。”</p>
<p>McKnight 咨询公司的总裁 William McKnight 同样指出，MongoDB 的新功能对用户来说是有价值的，并代表了该供应商的进步。然而，他也指出，MongoDB 的竞争对手正在 增加类似的功能。</p>
<p>“这些增强减少了手动操作，并提供了性能提升，使企业能够以最小的操作复杂性部署安全的高速 AI 代理，” McKnight 说。“它们也可以被视为基本要求，因为所有主要平台都在类似地增加对 AI 代理的支持。”</p>
<h2>AI 的数据发现</h2>
<p>总部位于纽约市的 MongoDB 是一家长期的数据库供应商，近年来 超越其根基，创建了一个用于 AI 工作负载的数据平台，以响应 企业对开发和部署代理及其他 AI 应用的兴趣激增。</p>
<blockquote>
<p>这是向前迈出的一步，因为底层的成分是真实的。MongoDB 拥有顶级的嵌入模型、操作数据库，以及它们之间的连接，能够说这三者都是第一方并紧密集成的竞争者非常少。<strong>Mike Leone</strong> Moor Insights &amp; Strategy 分析师</p>
</blockquote>
<p>包括数据库专家、数据平台供应商和超大规模云服务商在内的竞争供应商，如 Oracle 和 AWS，也将增加使客户能够构建和管理 AI 工具的功能作为优先事项。</p>
<p>然而，MongoDB 的新功能使该供应商保持了竞争力，其平台的简易性提供了一些差异化，McKnight 表示。</p>
<p>“虽然专业竞争对手在原始向量延迟方面领先，但 MongoDB 通过消除在不同系统之间同步数据的需要，提供了操作简便性和长期内存管理，” 他说。“它还具有高端的 JSON 样式数据处理能力。最终，这是一个务实的选择，结合了企业级的可靠性和高性能的 JSON 存储，以及集成的 AI 编排。”</p>
<p>尽管企业对 AI 开发的兴趣加剧，以及像 MongoDB 及其竞争对手提供的旨在简化构建代理和其他 AI 应用的复杂过程的工具，但大多数 AI 项目 从未投入生产。高失败率的原因各不相同，但无法检索相关数据是其中之一，而没有相关数据，AI 工具无法被信任以提供准确的输出。</p>
<p>通过自动化创建向量嵌入的过程——这遵循了 MongoDB 在 1 月发布的 五个航程 AI 嵌入和重新排序模型——MongoDB 正在解决困扰许多 AI 项目的数据检索问题，Pete Johnson，该供应商的现场首席技术官表示。</p>
<p>“没有一致的高准确性检索，你无法信任代理所做的决策，而没有这种信任，你无法将代理投入生产，” 他说。“这是我们从客户那里听到的情绪。”</p>
<p>尽管普遍认为通过升级到新的大型语言模型可以解决准确性问题，但 Johnson 继续指出，基于无关数据的不准确性并不是 LLM 的问题。</p>
<p>“糟糕的人工智能往往不是大型语言模型的问题，而更多是检索的问题，” 他说。“大型语言模型只能根据提供给它的信息进行操作，如果这些信息缺乏正确的上下文，那么输出结果不可避免地会出错。”</p>
<p>除了 MongoDB，自 2026 年初以来，数据管理供应商推出的新功能旨在为代理和其他人工智能工具提供更合适的上下文，包括 Databricks、GoodData、Qlik 和 Tableau 等。</p>
<p>鉴于需要通过 检索增强生成 管道发现上下文相关的数据，尽管平台性能的提升是有价值的，但根据 Leone 的说法，自动化航程 AI 嵌入是 MongoDB 新功能中最重要的。</p>
<p>“这是因为嵌入管道是生产 RAG 悄然消亡的地方，” 他说。“团队发布的东西在演示中看起来很美好，但六个月后数据发生了漂移，嵌入没有变化，代理却自信地检索上个季度的现实。关闭数据库中的这个循环可以让代理在发布一年后仍然值得信赖，而这正是客户真正价值的体现。”</p>
<p>McKnight 同样指出了自动化 向量嵌入生成 的价值。</p>
<p>“自动化航程 AI 嵌入有潜力通过快速启用语义搜索来减少部署时间，” 他说。“通过提供实时数据更新和顶级检索准确性，这一功能确保人工智能代理在最当前和最精确的上下文中运行。”</p>
<p>除了自动化向量嵌入创建和 MongoDB 8.3 发布后数据库性能的提升，该供应商还与 LangGraph.js 进行了新的集成，并为 AWS PrivateLink 增加了跨区域连接。</p>
<p>根据供应商的核心产品首席产品官 Ben Cefalo 的说法，这些新功能旨在推动 MongoDB 成为人工智能平台的目标。</p>
<p>“这些更新推动了自动化检索和持久代理记忆，作为我们统一代理人工智能堆栈的使命的一部分，加强了关键工作负载的核心数据库基础，并提供了部署生产人工智能所需的技能，” 他说。</p>
<h2>下一步</h2>
<p>随着如此多的 企业构建代理 以及众多数据和分析提供商试图通过简化人工智能开发来吸引这些企业，最能满足现有用户需求并可能吸引新用户的供应商将是那些帮助客户快速发现和解决问题的供应商，Leone 表示。</p>
<p>“明年将暴露出许多在演示中看起来很好的代理，但在生产中悄然失败，而获胜的供应商将是那些帮助客户及早发现这一点的供应商，” 他说。</p>
<p>因此，他建议 MongoDB 增加 代理可观察性 功能，以便开发人员和工程师在人工智能工具造成生产问题或在未达到那一步之前被废弃之前解决潜在问题。</p>
<p>“如果我是 MongoDB，我会大力推进代理可观察性和评估作为第一方能力，因为这正是他们已经在做的每一个 ‘在规模上信任代理’ 声明背后的可信度层，” Leone 说。“拥有这一点可以让人工智能原生团队少一件需要从平台外部拼凑的事情。”</p>
<p>与此同时，McKnight 建议 MongoDB 扩大对复杂 数据结构 的支持。他指出，该供应商在操作简便性方面表现出色，但对张量和矩阵等数据结构的支持将使其更好地处理高维数据。</p>
<p>“此外，加入内置搜索增强功能，如本地拼写检查和实时推荐，将弥合其当前文档存储根源与纯搜索引擎的专业能力之间的差距，” McKnight 说。</p>
<p><em>Eric Avidon 是 Informa TechTarget 的高级新闻撰稿人，拥有超过三十年的经验。他报道分析和数据管理领域的新闻。</em></p>

MDBX

<p>MongoDB 正在通过引入新的向量索引功能和提升性能来增强其 AI 平台，并推出 MongoDB 8.3。这些更新自动化了向量嵌入的创建，显著减少了搜索基础设施设置所需的时间。分析师指出，尽管 MongoDB 的进展具有价值，但竞争对手也在增强他们的 AI 能力。这些新功能旨在简化数据检索，解决阻碍 AI 项目成功的常见问题，因为准确的数据检索对可靠的 AI 输出至关重要</p>

<p>As MongoDB expands beyond its database roots to create a unified data platform for running AI tools in production, the vendor is adding new vector indexing capabilities and improving the performance of its core platform.</p>
<div class="lb-trans"><p>随着 MongoDB 超越其数据库根基，创建一个统一的数据平台以在生产中运行 AI 工具，该供应商正在增加新的向量索引功能，并改善其核心平台的性能。</p>
</div><p>Vector embeddings are numerical representations of data that make both structured and unstructured data easy to discover through various search methods, including similarity and keyword. Such searches feed relevant data into pipelines that provide agents and other AI applications the proper contextual knowledge they need to deliver accurate outputs.</p>
<div class="lb-trans"><p>向量嵌入是数据的数值表示，使结构化和非结构化数据通过各种搜索方法（包括相似性和关键词）变得易于发现。这些搜索将相关数据输入到管道中，为代理和其他 AI 应用提供所需的 适当上下文知识，以便提供准确的输出。</p>
</div><p>Unveiled in preview on May 7, Automated Voyage AI Embeddings in MongoDB Vector Search automates creating vector embeddings via MongoDB's Voyage models, reducing the time it takes to build a search infrastructure from weeks when performed by humans to minutes.</p>
<div class="lb-trans"><p>在 5 月 7 日的预览中发布的 MongoDB 向量搜索中的自动化航程 AI 嵌入，通过 MongoDB 的航程模型自动创建向量嵌入，将人类构建搜索基础设施所需的时间从几周减少到几分钟。</p>
</div><p>In addition, the launch of MongoDB 8.3, made generally available on May 7, improves database performance to meet the higher demands that AI workloads place on systems than traditional data management and analytics workloads. The new version delivers higher reads and writes, higher ACID transactions without requiring any changes in code, and is capable of handling more complex operations than MongoDB 8.0, according to the vendor.</p>
<div class="lb-trans"><p>此外，MongoDB 8.3 的发布于 5 月 7 日正式推出，改善了数据库性能，以满足 AI 工作负载对系统的更高需求，这些需求高于传统的数据管理和分析工作负载。根据供应商的说法，新版本提供更高的 读写 性能、更高的 ACID 事务，而无需对代码进行任何更改，并且能够处理比 MongoDB 8.0 更复杂的操作。</p>
</div><p>Together, the new and improved capabilities represent MongoDB's advancement toward becoming a unified data platform for AI, according to Mike Leone, an analyst at Moor Insights &amp; Strategy.</p>
<div class="lb-trans"><p>根据 Moor Insights &amp; Strategy 的分析师 Mike Leone 的说法，这些新功能和改进代表了 MongoDB 朝着成为 AI 统一数据平台的进步。</p>
</div><p>&#34;It's a step forward because the ingredients underneath are real,&#34; he said, noting that MongoDB's aspiration is grounded in its capabilities. &#34;MongoDB owns a top-tier embedding model, the operational database, and now the wiring between them, and very few competitors can say all three are first-party and tightly integrated. That's makes the platform claim land for me instead of feeling like marketing.&#34;</p>
<div class="lb-trans"><p>“这是向前迈出的一步，因为底层的成分是真实的，” 他说，并指出 MongoDB 的愿景是基于其能力。“MongoDB 拥有顶级的嵌入模型、操作数据库，以及它们之间的连接，能够说这三者都是第一方并紧密集成的竞争者非常少。这使得该平台的主张对我来说是有实质性的，而不是感觉像营销。”</p>
</div><p>William McKnight, president of McKnight consulting, likewise noted that MongoDB's new capabilities are valuable for users and represent progress for the vendor. However, he also pointed out that MongoDB's competitors are adding similar capabilities.</p>
<div class="lb-trans"><p>McKnight 咨询公司的总裁 William McKnight 同样指出，MongoDB 的新功能对用户来说是有价值的，并代表了该供应商的进步。然而，他也指出，MongoDB 的竞争对手正在 增加类似的功能。</p>
</div><p>&#34;These enhancements reduce manual plumbing and provide performance gains, allowing enterprises to deploy secure, high-speed AI agents with minimal operational complexity,&#34; McKnight said. &#34;They could also be viewed as table stakes since all major platforms are similarly adding support for AI agents.&#34;</p>
<div class="lb-trans"><p>“这些增强减少了手动操作，并提供了性能提升，使企业能够以最小的操作复杂性部署安全的高速 AI 代理，” McKnight 说。“它们也可以被视为基本要求，因为所有主要平台都在类似地增加对 AI 代理的支持。”</p>
</div><h2>Data discovery for AI</h2>
<div class="lb-trans"><h2>AI 的数据发现</h2>
</div><p>Based in New York City, MongoDB is a longtime database vendor that has expanded beyond its roots to create a data platform for AI workloads over the past few years in response to surging enterprise interest in developing and deploying agents and other AI applications.</p>
<div class="lb-trans"><p>总部位于纽约市的 MongoDB 是一家长期的数据库供应商，近年来 超越其根基，创建了一个用于 AI 工作负载的数据平台，以响应 企业对开发和部署代理及其他 AI 应用的兴趣激增。</p>
</div><blockquote>
<p>It's a step forward because the ingredients underneath are real. MongoDB owns a top-tier embedding model, the operational database, and now the wiring between them, and very few competitors can say all three are first-party and tightly integrated. <strong>Mike Leone</strong> Analyst, Moor Insights &amp; Strategy</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>这是向前迈出的一步，因为底层的成分是真实的。MongoDB 拥有顶级的嵌入模型、操作数据库，以及它们之间的连接，能够说这三者都是第一方并紧密集成的竞争者非常少。<strong>Mike Leone</strong> Moor Insights &amp; Strategy 分析师</p>
</blockquote>
</div><p>Competing vendors including database specialists, data platform vendors and hyperscalers such as Oracle and AWS have also made it a priority to add features that enable customers to build and manage AI tools.</p>
<div class="lb-trans"><p>包括数据库专家、数据平台供应商和超大规模云服务商在内的竞争供应商，如 Oracle 和 AWS，也将增加使客户能够构建和管理 AI 工具的功能作为优先事项。</p>
</div><p>MongoDB's new capabilities, however, keep the vendor current, and the simplicity of its platform provides some differentiation, according to McKnight.</p>
<div class="lb-trans"><p>然而，MongoDB 的新功能使该供应商保持了竞争力，其平台的简易性提供了一些差异化，McKnight 表示。</p>
</div><p>&#34;While specialized rivals lead in raw vector latency, MongoDB offers operational simplicity and long-term memory management by eliminating the need to sync data between disparate systems,&#34; he said. &#34;It also has high-end capabilities for JSON-styled data. Ultimately, it's a pragmatic choice that combines enterprise-grade reliability and high-performance JSON storage with integrated AI orchestration.&#34;</p>
<div class="lb-trans"><p>“虽然专业竞争对手在原始向量延迟方面领先，但 MongoDB 通过消除在不同系统之间同步数据的需要，提供了操作简便性和长期内存管理，” 他说。“它还具有高端的 JSON 样式数据处理能力。最终，这是一个务实的选择，结合了企业级的可靠性和高性能的 JSON 存储，以及集成的 AI 编排。”</p>
</div><p>Despite heightened enterprise interest in AI development and tools provided by vendors such as MongoDB and its competitors designed to simplify the complex process of building agents and other AI applications, most AI initiatives never make it into production. The reasons for the high failure rate vary, but the inability to retrieve relevant data, without which AI tools can't be trusted to deliver accurate outputs, is among them.</p>
<div class="lb-trans"><p>尽管企业对 AI 开发的兴趣加剧，以及像 MongoDB 及其竞争对手提供的旨在简化构建代理和其他 AI 应用的复杂过程的工具，但大多数 AI 项目 从未投入生产。高失败率的原因各不相同，但无法检索相关数据是其中之一，而没有相关数据，AI 工具无法被信任以提供准确的输出。</p>
</div><p>By automating the process of creating vector embeddings -- which follows MongoDB's January release of five Voyage AI embedding and reranking models -- MongoDB is addressing the data retrieval problems that plague many AI projects, according to Pete Johnson, the vendor's field chief technology officer.</p>
<div class="lb-trans"><p>通过自动化创建向量嵌入的过程——这遵循了 MongoDB 在 1 月发布的 五个航程 AI 嵌入和重新排序模型——MongoDB 正在解决困扰许多 AI 项目的数据检索问题，Pete Johnson，该供应商的现场首席技术官表示。</p>
</div><p>&#34;Without consistent, high-accuracy retrieval, you can't trust the decisions that an agent makes, and without that trust, you can't put an agent into production,&#34; he said. &#34;That's the sentiment we hear from customers.&#34;</p>
<div class="lb-trans"><p>“没有一致的高准确性检索，你无法信任代理所做的决策，而没有这种信任，你无法将代理投入生产，” 他说。“这是我们从客户那里听到的情绪。”</p>
</div><p>Despite the common sentiment that accuracy problems can be addressed by upgrading to a new large language model, inaccuracy based on irrelevant data is not an LLM problem, Johnson continued.</p>
<div class="lb-trans"><p>尽管普遍认为通过升级到新的大型语言模型可以解决准确性问题，但 Johnson 继续指出，基于无关数据的不准确性并不是 LLM 的问题。</p>
</div><p>&#34;Bad AI often less an LLM problem and more of a retrieval problem,&#34; he said. &#34;The LLM can only act on the information that it's given, if that information … is lacking the right context, then the output will inevitably be wrong.&#34;</p>
<div class="lb-trans"><p>“糟糕的人工智能往往不是大型语言模型的问题，而更多是检索的问题，” 他说。“大型语言模型只能根据提供给它的信息进行操作，如果这些信息缺乏正确的上下文，那么输出结果不可避免地会出错。”</p>
</div><p>In addition to MongoDB, data management vendors unveiling new capabilities aimed at feeding agents and other AI tools with more appropriate context since the start of 2026 include Databricks, GoodData, Qlik and Tableau, among others.</p>
<div class="lb-trans"><p>除了 MongoDB，自 2026 年初以来，数据管理供应商推出的新功能旨在为代理和其他人工智能工具提供更合适的上下文，包括 Databricks、GoodData、Qlik 和 Tableau 等。</p>
</div><p>Given the need to discover contextually relevant data through retrieval-augmented generation pipelines for AI, while platform performance improvements are valuable, the Automated Voyage AI Embeddings are the most significant of MongoDB's new capabilities, according to Leone.</p>
<div class="lb-trans"><p>鉴于需要通过 检索增强生成 管道发现上下文相关的数据，尽管平台性能的提升是有价值的，但根据 Leone 的说法，自动化航程 AI 嵌入是 MongoDB 新功能中最重要的。</p>
</div><p>&#34;It's the one because the embedding pipeline is where production RAG quietly dies,&#34; he said. &#34;Teams ship something that demos beautifully, then six months later the data has drifted, the embeddings haven't, and the agent is confidently retrieving last quarter's reality. Closing that loop in the database keeps an agent trustworthy a year after it ships, and that's where the real customer value shows up.&#34;</p>
<div class="lb-trans"><p>“这是因为嵌入管道是生产 RAG 悄然消亡的地方，” 他说。“团队发布的东西在演示中看起来很美好，但六个月后数据发生了漂移，嵌入没有变化，代理却自信地检索上个季度的现实。关闭数据库中的这个循环可以让代理在发布一年后仍然值得信赖，而这正是客户真正价值的体现。”</p>
</div><p>McKnight similarly noted the value of automating vector embedding generation.</p>
<div class="lb-trans"><p>McKnight 同样指出了自动化 向量嵌入生成 的价值。</p>
</div><p>&#34;Automated Voyage AI Embeddings have the potential to reduce deployment time by enabling semantic search quickly,&#34; he said. &#34;By providing real-time data updates and top-tier retrieval accuracy, this feature ensures that AI agents operate with the most current and precise context available.&#34;</p>
<div class="lb-trans"><p>“自动化航程 AI 嵌入有潜力通过快速启用语义搜索来减少部署时间，” 他说。“通过提供实时数据更新和顶级检索准确性，这一功能确保人工智能代理在最当前和最精确的上下文中运行。”</p>
</div><p>Beyond automated vector embedding creation and added database performance with the launch of MongoDB 8.3, the vendor made a new integration with LangGraph.js generally available and added cross-region connectivity for AWS PrivateLink.</p>
<div class="lb-trans"><p>除了自动化向量嵌入创建和 MongoDB 8.3 发布后数据库性能的提升，该供应商还与 LangGraph.js 进行了新的集成，并为 AWS PrivateLink 增加了跨区域连接。</p>
</div><p>Collectively, the new features are designed to advance MongoDB's goal of becoming a platform for AI, according to Ben Cefalo, the vendor's chief product officer for core products.</p>
<div class="lb-trans"><p>根据供应商的核心产品首席产品官 Ben Cefalo 的说法，这些新功能旨在推动 MongoDB 成为人工智能平台的目标。</p>
</div><p>&#34;These updates advance automated retrieval and persistent agent memory as part of our mission to unify the agentic AI stack, strengthen the core database foundation for mission critical workloads and provide with the skills to deploy production AI,&#34; he said.</p>
<div class="lb-trans"><p>“这些更新推动了自动化检索和持久代理记忆，作为我们统一代理人工智能堆栈的使命的一部分，加强了关键工作负载的核心数据库基础，并提供了部署生产人工智能所需的技能，” 他说。</p>
</div><h2>Next steps</h2>
<div class="lb-trans"><h2>下一步</h2>
</div><p>With so many enterprises building agents and so many data and analytics providers trying to appeal to those enterprises by simplifying AI development, the vendors that best serve the needs of existing users and potentially capture new ones will be those that help customers see and fix problems quickly, according to Leone.</p>
<div class="lb-trans"><p>随着如此多的 企业构建代理 以及众多数据和分析提供商试图通过简化人工智能开发来吸引这些企业，最能满足现有用户需求并可能吸引新用户的供应商将是那些帮助客户快速发现和解决问题的供应商，Leone 表示。</p>
</div><p>&#34;The next year is going to expose a lot of agents that looked great in a demo and quietly fail in production, and the vendors who win will be the ones who help customers catch that early,&#34; he said.</p>
<div class="lb-trans"><p>“明年将暴露出许多在演示中看起来很好的代理，但在生产中悄然失败，而获胜的供应商将是那些帮助客户及早发现这一点的供应商，” 他说。</p>
</div><p>Consequently, he suggested that MongoDB add agent observability capabilities so developers and engineers can address potential issues with AI tools before they cause problems in production or get scrapped before they ever make it that far.</p>
<div class="lb-trans"><p>因此，他建议 MongoDB 增加 代理可观察性 功能，以便开发人员和工程师在人工智能工具造成生产问题或在未达到那一步之前被废弃之前解决潜在问题。</p>
</div><p>&#34;If I were MongoDB, I'd lean hard into agent observability and evaluation as a first-party capability, since that's the credibility layer behind every 'trust an agent at scale' claim they're already making,&#34; Leone said. &#34;Owning that gives AI-native teams one less thing to stitch together from outside the platform.&#34;</p>
<div class="lb-trans"><p>“如果我是 MongoDB，我会大力推进代理可观察性和评估作为第一方能力，因为这正是他们已经在做的每一个 ‘在规模上信任代理’ 声明背后的可信度层，” Leone 说。“拥有这一点可以让人工智能原生团队少一件需要从平台外部拼凑的事情。”</p>
</div><p>McKnight, meanwhile, suggested that MongoDB broaden its support for complex data structures. He noted that the vendor excels at operational simplicity, but support for data structures such as tensors and matrices would enable it to better handle high-dimensionality data.</p>
<div class="lb-trans"><p>与此同时，McKnight 建议 MongoDB 扩大对复杂 数据结构 的支持。他指出，该供应商在操作简便性方面表现出色，但对张量和矩阵等数据结构的支持将使其更好地处理高维数据。</p>
</div><p>&#34;Furthermore, incorporating built-in search enhancements such as native spellcheck and real-time recommendations would bridge the gap between its current document-store roots and the specialized capabilities of pure-play search engines,&#34; McKnight said.</p>
<div class="lb-trans"><p>“此外，加入内置搜索增强功能，如本地拼写检查和实时推荐，将弥合其当前文档存储根源与纯搜索引擎的专业能力之间的差距，” McKnight 说。</p>
</div><p><em>Eric Avidon is a senior news writer for Informa TechTarget and a journalist with more than three decades of experience. He covers analytics and data management.</em></p>
<div class="lb-trans"><p><em>Eric Avidon 是 Informa TechTarget 的高级新闻撰稿人，拥有超过三十年的经验。他报道分析和数据管理领域的新闻。</em></p>
</div>

MongoDB 新增了向量和性能功能以支持 AI