# 一段异响录音，几秒定位汽车故障：MongoDB谈AI时代的数据库 > Training Data No. 31 中文精读 - 原标题：MongoDB’s Sahir Azam: Vector Databases and the Data Structure of AI - 发布日期：2025-02-13 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/031-mongodbs-sahir-azam-vector-databases-and-the-data-structure-sKdott.html - 精读字数：约 5242 字（阅读约 12 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 欧洲一家大型车企的维修网络里，老师傅们过去靠耳朵吃饭。车主说车里有怪声，师傅凭经验拆检，再翻厚厚的维修手册，才能定位毛病、下单零件。碰上疑难杂症，折腾几个小时都未必查得准。 现在，师傅用手机录下那段异响，系统拿音频嵌入模型把它和已知故障声音库做语义匹配，几秒钟给出诊断，再用自然语言问一句“下一步怎么修”。 红杉资本播客《Training Data》2025 年 2 月 13 日这一期的嘉宾萨希尔·阿扎姆，管这个应用叫“汽车诊断界的 Shazam”。他是 MongoDB 的产品与增长负责人，公司从卖本地软件转型到云订阅服务，他是操盘手之一，现在负责 MongoDB 在 AI 时代的方向。这期节目里，他和红杉投资人索尼娅·黄、帕特·格雷迪聊了快一个小时，从向量数据库聊到 AI 代理，再聊到一场教科书级的业务转型。挑重点讲。 ## 先说大判断：AI 对数据库是顺风 节目开头，索尼娅抛出问题：AI 会改变数据库市场吗？ 萨希尔把问题往上挪了一层：更值得问的是，AI 会不会改变软件开发本身。他的答案很确定，会。生成式 AI 正在做传统确定性软件做不了的事，红杉管这个趋势叫“服务即软件”。软件形态变了，人和计算机的交互方式变了，底下数据库层的玩法自然跟着变。 具体拆开是两股力量。第一股，**生成式 AI 让造软件变得前所未有地容易，世界上的软件会更多，软件多了，需要持久化的数据就更多**。这是宏观层面的顺风，对整个数据基础设施赛道都成立。交互方式的变化更值得玩味：除了网页和手机应用，机器人正在被 AI 重做一遍，LangChain 最近还发了篇文章讲“环境代理”，程序响应各种信号，不需要人主动操作。萨希尔判断，人机交互的顶层变化才刚刚开始。 第二股力量跟企业数据有关。早期的生成式 AI 应用大多是跟大模型聊聊天，对数据持久化要求不高。企业要真用起来，就得让模型的回答锚定在自己的私有数据上，控制检索质量，这就要求数据层和基础模型频繁互动。企业最值钱的数据，恰恰是不在互联网上、没法拿去公开训练的那些。 帕特随即抬杠。他提起英伟达 CEO 黄仁勋在红杉首届 AI Ascent 大会上的说法：“未来每个像素都会被生成，而非被渲染。”渲染，大致就是从数据库里取出来再画出来。如果内容全靠模型现场生成，数据库会不会被边缘化？ 萨希尔先承认这是个好问题，然后给了句大实话： > “我们内部常开玩笑，AI 应用终究还是应用。你依然要把交易安全地持久化，确保人们的银行余额准确；你依然需要按文本关键词搜索，光有语义匹配不够。” **生成式 AI 带来的数据需求是叠加的，原有的需求一点没少。**该存的交易还得存，该有的关键词搜索还得有，向量检索、语义匹配是加在新账本上的新条目。 他最看重一个数字：世界上 70% 的数据是非结构化的。文档、录音、图片，过去躺在硬盘里，应用基本用不上。嵌入模型把这 70% 激活了，变成应用可以直接调用的东西。**数据库必须学会高质量地检索非结构化数据，这是 AI 时代数据库层最大的机会。** ## 两个企业案例，钱都算得出来 开头那个修车案例，萨希尔算了笔账。一家车企，全球几千家经销商、上百种车型，每次疑难诊断省下几个小时，乘起来就是几百万美元的节省，还不算客户体验和品牌口碑的提升。技术栈拆开看，全是非结构化数据的活：音频嵌入模型处理异响录音，语义检索匹配故障声音库，自然语言接口查维修手册。 第二个案例来自诺和诺德，全球最大的药企之一。一款药要获批，必须提交临床研究报告，人工撰写、结构化、审阅，周期漫长。诺和诺德用大模型学习自家所有已批准药物和内部流程，现在初稿几分钟就能生成，而且初稿质量比人工写的还高，光是最初的起草环节就省下大量时间。 萨希尔点出这些案例的共同点：技术谈不上多前沿，价值在于**把 AI 放进有规模、有真实痛点的场景，投入产出直接算得出来**。他还提到一个观察：最激进的应用往往先出现在风险容忍度高的创业公司，但企业级案例更能说明 AI 的真实成色。 ## 向量数据库是新品类，还是新原语？ MongoDB 做向量能力，比 ChatGPT 爆火更早。起因很朴素：很多客户一边用 MongoDB 存业务数据，一边在旁边架一个带倒排索引的全文检索引擎，两套系统之间来回拷数据。客户烦了：为了搜个东西，为什么要维护两套数据库？MongoDB 的解法是把检索做进主库，一个数据库同时服务交易查询和全文检索。 接着，一批电商客户提出更进一步的需求：把关键词检索和语义相似度检索混着用，搜索质量才够高。向量能力就这么被客户一步步拽出来的。ChatGPT 一火，MongoDB 踩下油门，加速整合，跟一堆 AI 框架和模型厂商做集成。 这个位置有数据佐证。索尼娅说，红杉定期调查被投公司的 AI 技术栈，向量数据库这一项，MongoDB 是被勾选最多的厂商。萨希尔补充，向量现在是 MongoDB 增长最快的新产品线。 索尼娅接着问：向量数据库到底是个新品类，还是被硬塞进信息检索场景的旧技术？ 萨希尔的答案：向量是一种原语，就像数据库里的 B 树索引、文本索引一样，是基础设施的基本构件。**要管理非结构化数据，向量索引加高质量嵌入模型，就是一个新的基础构件，这个东西不会消失。**真正还在剧烈演变的，是怎么从向量里提取高质量结果：嵌入模型怎么选、RAG 架构怎么搭、要不要叠知识图谱，全都没定论。 聊到向量检索和知识图谱的关系，他的判断是互补。图谱能表达向量嵌入本身推不出来的关系，元数据预过滤能提升检索质量，这些手段叠着用效果最好。MongoDB 的产品哲学是把它们装进同一个系统，让开发者不用在图数据库、关系数据库、向量数据库之间来回倒腾数据。萨希尔管多系统拼接的做法叫“RAG 杂技”：能做，但开发负担极重，应用代码里全是补丁，一般团队玩不转。 索尼娅给了个心智模型：LLM 是大脑，数据库是记忆，对吗？萨希尔说这个类比成立，但只说了一半。代理的工作流越来越复杂，要协调多个环节、追踪每一步的中间结果，状态必须存在某个地方，所以**AI 应用会越来越“有状态”，数据库的消耗跟着水涨船高**。另一半是：数据库存的不只是记忆，还是世界状态的实时映射。模型推理时要去查业务里正在发生的交易，模型延迟越低，这种实时交互就越紧密。 帕特追问了一个大胆的类比：OpenAI 和 Anthropic 的 API 业务，能不能拿 MongoDB 当参照系？都坐在公有云之上、应用层之下。萨希尔的回应是，“LLM 是新操作系统”这个说法他一直觉得不合逻辑，他看到的是**模型和数据库并排站着，是互补组件，一起支撑上面的应用**。模型负责概率性的推理和交互，数据库负责确定性的交易和检索，谁也替代不了谁。 顺着这个话题，索尼娅问了个更远的问题：如果未来有几亿人类开发者，加上数以万亿计的“代理开发者”，什么样的体验能让代理选你？萨希尔说，越往代理驱动走，状态越重要，复杂工作流需要存储、更新、协调中间结果。抽象层次越高，对数据库越有利。他举了 Vercel 的 v0 和 Replit 的例子：早期 AI 生成软件已经表现出对高抽象、好体验的偏好。帕特补了一句圈里流行的话：英语是最高级的抽象层，极限状态下，你用大白话描述需求，模型直接吐出代码。萨希尔相信这个方向，也相信数据库是顺风，前提是自己别躺平。 MongoDB 还在做一件很少人提的事：给 LLM 做 SEO。网上爬来的代码不一定代表 MongoDB 的最佳实践，模型生成的 Mongo 代码质量差，最后挨骂的是 MongoDB。所以他们正在和几家实验室合作，想办法提交“权威训练数据”，让模型生成高质量的 Mongo 代码。数据库厂商的竞争维度，悄悄多了一条。 索尼娅还问到训练数据的事：公开数据快被用完了，下一批 tokens 藏在企业私有数据里，MongoDB 会不会变成训练数据供应商？萨希尔的边界划得很清楚：客户存在 MongoDB 里的数据归客户，客户没点头，MongoDB 不会拿去训练任何模型。他看到的用法分几层：最简单的，拿业务数据和元数据做 RAG；主流的，把元数据、交易数据和语义检索合到一个系统里做高质量检索，这是他观察到市场正在去的方向；再往前一步，有客户拿自己的数据微调、甚至从头训练专用小模型。他判断，**不会有单一模式通吃所有场景，客户会按延迟和性能要求各选各的路**。 ## 概率软件的最后一公里 帕特给过一个分界线：确定性的事，交给关系数据库、图数据库这些传统家族；概率性的事，交给大模型。两边功能互补，拼起来才是完整的应用。萨希尔认同这个框架，并且往前多走了一步：概率性的部分，怎么做质量？ 他在节目里引用了 Ben Thompson（Stratechery 作者）的一个说法：**概率软件时代，质量的关键在最后一公里，怎么把可靠性做到 99.99%。**制造业那一整套质量工程学，可能要搬到软件行业来。 传统软件查数据库，同一个输入永远返回同一个结果。概率软件做不到。所以质量取决于几个环节的组合：嵌入模型的质量、RAG 架构的设计、和业务实时交易数据的融合程度。 萨希尔由此推出一个很实际的判断： > “在一个概率性的世界里，如果质量不够高，我不认为它会进入保守企业的关键业务场景。” 这句话解释了 MongoDB 为什么把宝押在“高质量检索”上。企业要敢把 AI 应用放在客户面前，尤其受监管行业，检索质量必须可预测。最先进的客户已经开始把元数据过滤、关键词排序、语义理解全部整合到一个系统里，单一手段的质量天花板不够用了。 聊到推理模型，萨希尔认为这对数据库又是一层利好：推理意味着长链条逻辑、长期运行的任务，这些都需要状态持久化。模型越会推理，越离不开数据库。他自己最近很迷 Google 的 Gemini Deep Research，认为这类产品的体验空间还很大。 ## 从卖许可证到卖订阅：可以抄的转型作业 节目后半段换了个话题，帕特请萨希尔复盘 MongoDB 从本地部署软件到云订阅服务的转型。这段对正在做 AI 转型的公司特别有参考价值，因为 MongoDB 是少数把这件事做成的大公司，如今公司年收入已到十亿美元量级。 第一条经验：转型这个词要当真。**很多公司把这种转型当成加一个新产品线，MongoDB 把它当成整个公司的业务转型**。财务模型、客户成功、销售组织，每个职能部门都要重新想一遍自己在云订阅模式下的样子，每个职能负责人都要为此负责。 第二条：自上而下的支持不能少。启动 Atlas 云服务是全公司级别的优先事项，这一点必须反复传达。萨希尔回忆，他去敲其他职能负责人的门要资源时，靠的就是这种背书，用他的话说，走的是“穿梭外交”路线。 第三条：新业务不能圈起来养。**很多公司的新业务死法，是被隔离成一个小部门，资源饿死在角落里**。MongoDB 的做法是让每个职能领导都觉得转型是自己的事，自己不会因为转型丢掉什么。 第四条：销售端要贴身打。早期每一单云业务，产品团队都跟着销售和售前一起上。萨希尔回忆，那段时间他每天晚上在纽约的小办公室里转一圈，挨个问：这个单子怎么样了？需要什么支持？客户提了什么异议？异议是产品问题就进路线图，是话术问题就改培训。再加上销售激励（SPIFF）和强考核，硬是把新业务的势头拉了起来。他也强调，客户该留在本地就留在本地，MongoDB 不强推，尊重客户的选择节奏。 他补了一句很扎心的话：**转型里最重要的事，很多都跟技术无关**。商业模式的切换、面向新买家的销售培训，每个职能都要伤筋动骨。大家都盯着“怎么造出一个可靠的云数据库”这个难点，真正花时间的反而是那些看起来不起眼的环节。 索尼娅还问了一个经典问题：MongoDB 是怎么从企业销售转向 PLG（产品驱动增长）的？萨希尔说他听到这个说法就皱眉。**企业销售和 PLG 从来都互补，区别只在于客户处在什么阶段**：技术创始人带队的快公司不想一上来就见销售，大企业永远不会走自助注册的通道。两条路要拧成一套系统，看用户和买家想怎么跟你打交道。 ## 三条明天就能用的结论 闪电回合里几个有意思的回答。他最喜欢的 AI 应用：Gemini Deep Research、Perplexity，还有一个叫 Snipd 的播客应用，自动总结单集、提取要点、支持记笔记。他拿 Perplexity 举例，反驳“薄壳应用没有护城河”的论调：产品设计做到位，薄壳也能留住用户。被问到“每个开发者都会变成 AI 工程师吗”，他明确同意：传统机器学习锁在中心化的 ML 团队里，生成式 AI 把这个能力交到了普通全栈工程师手上。 最后给三条明天就能用的结论。 - 评估 AI 应用时，把检索质量当核心指标。问三个问题：嵌入模型怎么选的？元数据过滤做了吗？业务实时数据接进来了吗？三个答案都含糊的项目，离生产环境还很远。 - 公司正在做 AI 转型的话，把 MongoDB 的清单抄下来：一把手站台、新业务进主航道、每个职能负责人背指标、销售激励跟上。缺一条，项目大概率会饿死在角落。 - 手上有大量非结构化数据的团队，可以开始做小实验。文档、录音、图纸、工单，先挑一个“查得快就省钱”的场景，比如客服工单检索、设备故障匹配，用现成的嵌入模型和向量检索跑个原型，验证了再谈架构。 萨希尔在节目结尾说，这些判断能不能站得住，他自己也在看，世界变得太快。至少修车师傅已经不用抱着手册猜故障了。