<p>隨着 MongoDB 超越其數據庫根基，創建一個統一的數據平台以在生產中運行 AI 工具，該供應商正在增加新的向量索引功能，並改善其核心平台的性能。</p>
<p>向量嵌入是數據的數值表示，使結構化和非結構化數據通過各種搜索方法（包括相似性和關鍵詞）變得易於發現。這些搜索將相關數據輸入到管道中，為代理和其他 AI 應用提供所需的 適當上下文知識，以便提供準確的輸出。</p>
<p>在 5 月 7 日的預覽中發佈的 MongoDB 向量搜索中的自動化航程 AI 嵌入，通過 MongoDB 的航程模型自動創建向量嵌入，將人類構建搜索基礎設施所需的時間從幾周減少到幾分鐘。</p>
<p>此外，MongoDB 8.3 的發佈於 5 月 7 日正式推出，改善了數據庫性能，以滿足 AI 工作負載對系統的更高需求，這些需求高於傳統的數據管理和分析工作負載。根據供應商的説法，新版本提供更高的 讀寫 性能、更高的 ACID 事務，而無需對代碼進行任何更改，並且能夠處理比 MongoDB 8.0 更復雜的操作。</p>
<p>根據 Moor Insights &amp; Strategy 的分析師 Mike Leone 的説法，這些新功能和改進代表了 MongoDB 朝着成為 AI 統一數據平台的進步。</p>
<p>“這是向前邁出的一步，因為底層的成分是真實的，” 他説，並指出 MongoDB 的願景是基於其能力。“MongoDB 擁有頂級的嵌入模型、操作數據庫，以及它們之間的連接，能夠説這三者都是第一方並緊密集成的競爭者非常少。這使得該平台的主張對我來説是有實質性的，而不是感覺像營銷。”</p>
<p>McKnight 諮詢公司的總裁 William McKnight 同樣指出，MongoDB 的新功能對用户來説是有價值的，並代表了該供應商的進步。然而，他也指出，MongoDB 的競爭對手正在 增加類似的功能。</p>
<p>“這些增強減少了手動操作，並提供了性能提升，使企業能夠以最小的操作複雜性部署安全的高速 AI 代理，” McKnight 説。“它們也可以被視為基本要求，因為所有主要平台都在類似地增加對 AI 代理的支持。”</p>
<h2>AI 的數據發現</h2>
<p>總部位於紐約市的 MongoDB 是一家長期的數據庫供應商，近年來 超越其根基，創建了一個用於 AI 工作負載的數據平台，以響應 企業對開發和部署代理及其他 AI 應用的興趣激增。</p>
<blockquote>
<p>這是向前邁出的一步，因為底層的成分是真實的。MongoDB 擁有頂級的嵌入模型、操作數據庫，以及它們之間的連接，能夠説這三者都是第一方並緊密集成的競爭者非常少。<strong>Mike Leone</strong> Moor Insights &amp; Strategy 分析師</p>
</blockquote>
<p>包括數據庫專家、數據平台供應商和超大規模雲服務商在內的競爭供應商，如 Oracle 和 AWS，也將增加使客户能夠構建和管理 AI 工具的功能作為優先事項。</p>
<p>然而，MongoDB 的新功能使該供應商保持了競爭力，其平台的簡易性提供了一些差異化，McKnight 表示。</p>
<p>“雖然專業競爭對手在原始向量延遲方面領先，但 MongoDB 通過消除在不同系統之間同步數據的需要，提供了操作簡便性和長期內存管理，” 他説。“它還具有高端的 JSON 樣式數據處理能力。最終，這是一個務實的選擇，結合了企業級的可靠性和高性能的 JSON 存儲，以及集成的 AI 編排。”</p>
<p>儘管企業對 AI 開發的興趣加劇，以及像 MongoDB 及其競爭對手提供的旨在簡化構建代理和其他 AI 應用的複雜過程的工具，但大多數 AI 項目 從未投入生產。高失敗率的原因各不相同，但無法檢索相關數據是其中之一，而沒有相關數據，AI 工具無法被信任以提供準確的輸出。</p>
<p>通過自動化創建向量嵌入的過程——這遵循了 MongoDB 在 1 月發佈的 五個航程 AI 嵌入和重新排序模型——MongoDB 正在解決困擾許多 AI 項目的數據檢索問題，Pete Johnson，該供應商的現場首席技術官表示。</p>
<p>“沒有一致的高準確性檢索，你無法信任代理所做的決策，而沒有這種信任，你無法將代理投入生產，” 他説。“這是我們從客户那裏聽到的情緒。”</p>
<p>儘管普遍認為通過升級到新的大型語言模型可以解決準確性問題，但 Johnson 繼續指出，基於無關數據的不準確性並不是 LLM 的問題。</p>
<p>“糟糕的人工智能往往不是大型語言模型的問題，而更多是檢索的問題，” 他説。“大型語言模型只能根據提供給它的信息進行操作，如果這些信息缺乏正確的上下文，那麼輸出結果不可避免地會出錯。”</p>
<p>除了 MongoDB，自 2026 年初以來，數據管理供應商推出的新功能旨在為代理和其他人工智能工具提供更合適的上下文，包括 Databricks、GoodData、Qlik 和 Tableau 等。</p>
<p>鑑於需要通過 檢索增強生成 管道發現上下文相關的數據，儘管平台性能的提升是有價值的，但根據 Leone 的説法，自動化航程 AI 嵌入是 MongoDB 新功能中最重要的。</p>
<p>“這是因為嵌入管道是生產 RAG 悄然消亡的地方，” 他説。“團隊發佈的東西在演示中看起來很美好，但六個月後數據發生了漂移，嵌入沒有變化，代理卻自信地檢索上個季度的現實。關閉數據庫中的這個循環可以讓代理在發佈一年後仍然值得信賴，而這正是客户真正價值的體現。”</p>
<p>McKnight 同樣指出了自動化 向量嵌入生成 的價值。</p>
<p>“自動化航程 AI 嵌入有潛力通過快速啓用語義搜索來減少部署時間，” 他説。“通過提供實時數據更新和頂級檢索準確性，這一功能確保人工智能代理在最當前和最精確的上下文中運行。”</p>
<p>除了自動化向量嵌入創建和 MongoDB 8.3 發佈後數據庫性能的提升，該供應商還與 LangGraph.js 進行了新的集成，併為 AWS PrivateLink 增加了跨區域連接。</p>
<p>根據供應商的核心產品首席產品官 Ben Cefalo 的説法，這些新功能旨在推動 MongoDB 成為人工智能平台的目標。</p>
<p>“這些更新推動了自動化檢索和持久代理記憶，作為我們統一代理人工智能堆棧的使命的一部分，加強了關鍵工作負載的核心數據庫基礎，並提供了部署生產人工智能所需的技能，” 他説。</p>
<h2>下一步</h2>
<p>隨着如此多的 企業構建代理 以及眾多數據和分析提供商試圖通過簡化人工智能開發來吸引這些企業，最能滿足現有用户需求並可能吸引新用户的供應商將是那些幫助客户快速發現和解決問題的供應商，Leone 表示。</p>
<p>“明年將暴露出許多在演示中看起來很好的代理，但在生產中悄然失敗，而獲勝的供應商將是那些幫助客户及早發現這一點的供應商，” 他説。</p>
<p>因此，他建議 MongoDB 增加 代理可觀察性 功能，以便開發人員和工程師在人工智能工具造成生產問題或在未達到那一步之前被廢棄之前解決潛在問題。</p>
<p>“如果我是 MongoDB，我會大力推進代理可觀察性和評估作為第一方能力，因為這正是他們已經在做的每一個 ‘在規模上信任代理’ 聲明背後的可信度層，” Leone 説。“擁有這一點可以讓人工智能原生團隊少一件需要從平台外部拼湊的事情。”</p>
<p>與此同時，McKnight 建議 MongoDB 擴大對複雜 數據結構 的支持。他指出，該供應商在操作簡便性方面表現出色，但對張量和矩陣等數據結構的支持將使其更好地處理高維數據。</p>
<p>“此外，加入內置搜索增強功能，如本地拼寫檢查和實時推薦，將彌合其當前文檔存儲根源與純搜索引擎的專業能力之間的差距，” McKnight 説。</p>
<p><em>Eric Avidon 是 Informa TechTarget 的高級新聞撰稿人，擁有超過三十年的經驗。他報道分析和數據管理領域的新聞。</em></p>

MDBX

<p>MongoDB 正在通過引入新的向量索引功能和提升性能來增強其 AI 平台，並推出 MongoDB 8.3。這些更新自動化了向量嵌入的創建，顯著減少了搜索基礎設施設置所需的時間。分析師指出，儘管 MongoDB 的進展具有價值，但競爭對手也在增強他們的 AI 能力。這些新功能旨在簡化數據檢索，解決阻礙 AI 項目成功的常見問題，因為準確的數據檢索對可靠的 AI 輸出至關重要</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>隨着 MongoDB 超越其數據庫根基，創建一個統一的數據平台以在生產中運行 AI 工具，該供應商正在增加新的向量索引功能，並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>向量嵌入是數據的數值表示，使結構化和非結構化數據通過各種搜索方法（包括相似性和關鍵詞）變得易於發現。這些搜索將相關數據輸入到管道中，為代理和其他 AI 應用提供所需的 適當上下文知識，以便提供準確的輸出。</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 日的預覽中發佈的 MongoDB 向量搜索中的自動化航程 AI 嵌入，通過 MongoDB 的航程模型自動創建向量嵌入，將人類構建搜索基礎設施所需的時間從幾周減少到幾分鐘。</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 的發佈於 5 月 7 日正式推出，改善了數據庫性能，以滿足 AI 工作負載對系統的更高需求，這些需求高於傳統的數據管理和分析工作負載。根據供應商的説法，新版本提供更高的 讀寫 性能、更高的 ACID 事務，而無需對代碼進行任何更改，並且能夠處理比 MongoDB 8.0 更復雜的操作。</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>根據 Moor Insights &amp; Strategy 的分析師 Mike Leone 的説法，這些新功能和改進代表了 MongoDB 朝着成為 AI 統一數據平台的進步。</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>“這是向前邁出的一步，因為底層的成分是真實的，” 他説，並指出 MongoDB 的願景是基於其能力。“MongoDB 擁有頂級的嵌入模型、操作數據庫，以及它們之間的連接，能夠説這三者都是第一方並緊密集成的競爭者非常少。這使得該平台的主張對我來説是有實質性的，而不是感覺像營銷。”</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 諮詢公司的總裁 William McKnight 同樣指出，MongoDB 的新功能對用户來説是有價值的，並代表了該供應商的進步。然而，他也指出，MongoDB 的競爭對手正在 增加類似的功能。</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>“這些增強減少了手動操作，並提供了性能提升，使企業能夠以最小的操作複雜性部署安全的高速 AI 代理，” McKnight 説。“它們也可以被視為基本要求，因為所有主要平台都在類似地增加對 AI 代理的支持。”</p>
</div><h2>Data discovery for AI</h2>
<div class="lb-trans"><h2>AI 的數據發現</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>總部位於紐約市的 MongoDB 是一家長期的數據庫供應商，近年來 超越其根基，創建了一個用於 AI 工作負載的數據平台，以響應 企業對開發和部署代理及其他 AI 應用的興趣激增。</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>這是向前邁出的一步，因為底層的成分是真實的。MongoDB 擁有頂級的嵌入模型、操作數據庫，以及它們之間的連接，能夠説這三者都是第一方並緊密集成的競爭者非常少。<strong>Mike Leone</strong> Moor Insights &amp; Strategy 分析師</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>包括數據庫專家、數據平台供應商和超大規模雲服務商在內的競爭供應商，如 Oracle 和 AWS，也將增加使客户能夠構建和管理 AI 工具的功能作為優先事項。</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 的新功能使該供應商保持了競爭力，其平台的簡易性提供了一些差異化，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>“雖然專業競爭對手在原始向量延遲方面領先，但 MongoDB 通過消除在不同系統之間同步數據的需要，提供了操作簡便性和長期內存管理，” 他説。“它還具有高端的 JSON 樣式數據處理能力。最終，這是一個務實的選擇，結合了企業級的可靠性和高性能的 JSON 存儲，以及集成的 AI 編排。”</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>儘管企業對 AI 開發的興趣加劇，以及像 MongoDB 及其競爭對手提供的旨在簡化構建代理和其他 AI 應用的複雜過程的工具，但大多數 AI 項目 從未投入生產。高失敗率的原因各不相同，但無法檢索相關數據是其中之一，而沒有相關數據，AI 工具無法被信任以提供準確的輸出。</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>通過自動化創建向量嵌入的過程——這遵循了 MongoDB 在 1 月發佈的 五個航程 AI 嵌入和重新排序模型——MongoDB 正在解決困擾許多 AI 項目的數據檢索問題，Pete Johnson，該供應商的現場首席技術官表示。</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>“沒有一致的高準確性檢索，你無法信任代理所做的決策，而沒有這種信任，你無法將代理投入生產，” 他説。“這是我們從客户那裏聽到的情緒。”</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>儘管普遍認為通過升級到新的大型語言模型可以解決準確性問題，但 Johnson 繼續指出，基於無關數據的不準確性並不是 LLM 的問題。</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語言模型的問題，而更多是檢索的問題，” 他説。“大型語言模型只能根據提供給它的信息進行操作，如果這些信息缺乏正確的上下文，那麼輸出結果不可避免地會出錯。”</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 年初以來，數據管理供應商推出的新功能旨在為代理和其他人工智能工具提供更合適的上下文，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>鑑於需要通過 檢索增強生成 管道發現上下文相關的數據，儘管平台性能的提升是有價值的，但根據 Leone 的説法，自動化航程 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>“這是因為嵌入管道是生產 RAG 悄然消亡的地方，” 他説。“團隊發佈的東西在演示中看起來很美好，但六個月後數據發生了漂移，嵌入沒有變化，代理卻自信地檢索上個季度的現實。關閉數據庫中的這個循環可以讓代理在發佈一年後仍然值得信賴，而這正是客户真正價值的體現。”</p>
</div><p>McKnight similarly noted the value of automating vector embedding generation.</p>
<div class="lb-trans"><p>McKnight 同樣指出了自動化 向量嵌入生成 的價值。</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>“自動化航程 AI 嵌入有潛力通過快速啓用語義搜索來減少部署時間，” 他説。“通過提供實時數據更新和頂級檢索準確性，這一功能確保人工智能代理在最當前和最精確的上下文中運行。”</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>除了自動化向量嵌入創建和 MongoDB 8.3 發佈後數據庫性能的提升，該供應商還與 LangGraph.js 進行了新的集成，併為 AWS PrivateLink 增加了跨區域連接。</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>根據供應商的核心產品首席產品官 Ben Cefalo 的説法，這些新功能旨在推動 MongoDB 成為人工智能平台的目標。</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>“這些更新推動了自動化檢索和持久代理記憶，作為我們統一代理人工智能堆棧的使命的一部分，加強了關鍵工作負載的核心數據庫基礎，並提供了部署生產人工智能所需的技能，” 他説。</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>隨着如此多的 企業構建代理 以及眾多數據和分析提供商試圖通過簡化人工智能開發來吸引這些企業，最能滿足現有用户需求並可能吸引新用户的供應商將是那些幫助客户快速發現和解決問題的供應商，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>“明年將暴露出許多在演示中看起來很好的代理，但在生產中悄然失敗，而獲勝的供應商將是那些幫助客户及早發現這一點的供應商，” 他説。</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，他建議 MongoDB 增加 代理可觀察性 功能，以便開發人員和工程師在人工智能工具造成生產問題或在未達到那一步之前被廢棄之前解決潛在問題。</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，我會大力推進代理可觀察性和評估作為第一方能力，因為這正是他們已經在做的每一個 ‘在規模上信任代理’ 聲明背後的可信度層，” Leone 説。“擁有這一點可以讓人工智能原生團隊少一件需要從平台外部拼湊的事情。”</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>與此同時，McKnight 建議 MongoDB 擴大對複雜 數據結構 的支持。他指出，該供應商在操作簡便性方面表現出色，但對張量和矩陣等數據結構的支持將使其更好地處理高維數據。</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，加入內置搜索增強功能，如本地拼寫檢查和實時推薦，將彌合其當前文檔存儲根源與純搜索引擎的專業能力之間的差距，” McKnight 説。</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 的高級新聞撰稿人，擁有超過三十年的經驗。他報道分析和數據管理領域的新聞。</em></p>
</div>

MongoDB 新增了向量和性能功能以支持 AI