我们非常高兴地推出了 Atlas Vector Search 和 Search Nodes 的正式发布版本 (GA)，为 Atlas 平台增添了更多价值。
自从在公开预览版中发布 Atlas Vector Search 和带有 Search Nodes 的专用基础架构以来，我们注意到，对于使用向量优化搜索节点，执行更多工作负载，客户热情高涨，需求旺盛。这一新的可扩展性和性能水平确保了工作负载隔离性，并能更好地优化矢量搜索用例的资源。
利用Atlas Vector Search ，开发者对任何数据类型均可以构建由语义搜索和生成式 AI 驱动的智能应用程序。即便用户不知道自己要查找内容的确切名称，Atlas Vector Search 也能提供相关结果，它可以使用机器学习模型为几乎任何类型的数据找到相似的结果，成功地解决了上述难题。
根据 Retool 的《人工智能现状》报告，Atlas Vector Search在推出公开预览版后的短短五个月内，已经获得了最高的开发者净推荐分数 (NPS)，并成为使用第二广泛的矢量数据库。
Image
Atlas Vector Search 有两个关键用例来构建下一代应用程序：
1.语义搜索：基于语义相似度从非结构化数据中搜索并找到相关结果。
2.检索增强生成 (RAG)：利用您自己的实时数据源，将大型语言模型的推理能力提升到令人赞叹的程度，从而创建专为您的业务需求量身定制的 GenAI 应用程序。
Atlas Vector Search 可以充分发挥数据的潜力，无论是结构化数据还是非结构化数据，随着人工智能和大型语言模型的普及和使用率不断攀升的势头，解决关键的业务挑战。之所以能够做到这一点，是因为 Vector Search 是 MongoDB Atlas 开发者数据平台的一部分，该平台从我们灵活的文档数据模型和统一的应用程序接口开始，提供一致的体验。为了确保您从 Atlas Vector Search 中获得最大价值，我们建立了一个强大的人工智能集成生态系统，允许开发者使用他们最喜欢的大型语言模型或框架进行构建。
Atlas Vector Search 还利用了我们新的 Search Nodes 专用架构，能够更好地优化资源配置水平，以满足特定的工作负载需求。Search Nodes 为 Atlas Search 和 Vector Search 工作负载提供专用基础架构，使您能够优化计算资源，并独立于数据库全面扩展搜索需求。Search Nodes 可提供更高的性能，实现工作负载隔离、更高的可用性，并能更好地优化资源使用。在某些情况下，利用 Search Nodes 的并发查询功能，我们发现一些用户的工作负载的查询时间缩短了 60%。
除了我们在公开预览版中提供的计算量大的搜索节点外，这个 GA 版本还包括一个内存优化的低 CPU 选项，是生产中 Vector Search 的最佳选择。这使得资源争用或导致服务中断的可能性（由于您的数据库和搜索之前共享相同的基础架构）成为过去。
"我们将其视为 Atlas Search 和 Vector Search 架构的下一次演变，进一步提升 MongoDB 开发者数据平台提供的价值。目前，Search Nodes 在 AWS 单区域集群上提供（在 Google Cloud 和 Azure 上即将提供），客户可继续使用 Google Cloud 和 Microsoft Azure 的共享基础架构。"
您可以在MongoDB官网找到关于Atlas Vector Search的介绍、教程和打开Search Nodes的步骤。
