报告行业投资评级 - 对计算机行业维持“推荐”评级 [6] 报告的核心观点 - 向量数据库是AI应用的核心基础设施，其核心地位正被MongoDB业绩超预期及股价创新高所验证 [5][14] - 在英伟达Storage Next等新技术催化下，向量数据库赛道有望加速发展 [5][19] - 国内向量数据库正处于从技术探索走向规模化落地的关键阶段，在金融、能源等重点行业已出现千万级采购的积极信号 [5][23] - 乐观看待我国向量数据库厂商发展机遇 [5][28] 根据相关目录分别进行总结 1 本周观点 1.1 向量数据库：AI应用核心基础设施 - **MongoDB业绩验证赛道价值**：MongoDB在2025年第三财季总营收同比增长19%至6.28亿美元，远超市场预期的5.92亿美元，调整后每股收益为1.32美元，远超市场预期的0.80美元 [14] - **云服务驱动高增长**：其Atlas云数据库产品营收同比增长30%，占公司第三财季总营收约75%，公司还将2026财年全年营收指引上调至24.34亿美元至24.39亿美元区间 [14] - **技术契合AI需求**：MongoDB具备灵活的JSON模型、毫秒级稳定时延（平均3～5 ms）、PB级水平扩展（单库可扩展至2PB以上）以及多模数据“All In One”存储与查询能力，天生契合构建AI应用 [16][17] - **新硬件范式强化地位**：英伟达Storage Next SSD范式有望改变软件设计，从以DRAM为中心转向以SSD为导向，可加强向量数据库在AI基础设施中的核心地位 [19] - **全球市场高速增长**：据QYResearch预测，全球向量数据库市场规模有望在2031年达到164亿美元，2025-2031年复合年增长率（CAGR）为28.27% [21] - **国内市场规模化在即**：2025年前三季度国内数据库市场规模达436亿元，同比增长超20%，向量数据库在金融、能源等重点行业已出现千万级采购信号 [23] - **国内厂商技术成熟**：中国向量数据库厂商包括互联网大厂（京东、火山、百度、腾讯）、专业软件厂商（Zilliz、星环科技、九章云极）及IT公司（浪潮）等，技术趋于成熟 [26] - **国内产品排行**：根据墨天轮2025年12月数据，国内向量数据库产品排行前列的包括Milvus、Vearch、VikingDB、百度云VectorDB、腾讯云VectorDB等 [27] 1.2 投资建议 - 建议关注国内向量数据库厂商：星环科技、达梦数据、海量数据、太极股份、超图软件、拓尔思等 [5][28] 2 行业新闻 - 工信部发布14个行业数字化转型“场景导航图”，旨在系统推进制造业数字化转型 [3][29] - 谷歌宣布其首款AI眼镜将于明年上市，融合实时翻译、图像识别等功能 [3][32] - 蚂蚁集团全模态AI助手“灵光”正式推出网页版，聚焦办公与学习场景 [30] - “国资央企领域可信数据空间”发布，武清枢纽节点已投入运营，提供数据传输与多元算力调度服务 [31] 3 公司新闻 - **神州信息**：控股股东神州数码软件有限公司计划减持不超过28,827,300股，占公司总股本的2.9543% [4][33] - **中科曙光**：公司董事会审议通过终止与海光信息的重大资产重组议案 [4][34] - **创识科技**：副总经理田暐计划减持不超过630,000股，占公司总股本0.31% [33] - **维宏股份**：股东郑之开计划减持不超过1,256,400股，占公司总股本1.1548% [34] - **天地数码**：公司将回购注销部分限制性股票，总股本由151,240,499股变更为151,213,683股 [35] 4 本周市场回顾 - **指数表现**：本周（12.08-12.12）沪深300指数下跌0.71%，中小板指数下跌0.13%，创业板指数上涨1.75%，计算机（中信）板块下跌1.44% [2][36] - **个股涨幅前五**：开普云（涨12.59%）、淳中科技（涨12.55%）、荣科科技（涨12.19%）、达华智能（涨11.73%）、赢时胜（涨10.14%） [2][41] - **个股跌幅前五**：佳华科技（跌23.71%）、恒银科技（跌13.62%）、中科曙光（跌10.09%）、思创医惠（跌14.49%）、天源迪科（跌14.01%） [2][41] - **重点关注个股**：报告列出了包括科大讯飞、恒生电子、浪潮信息、太极股份等在内的多只计算机行业个股的股价及估值数据 [42]

行业趋势与市场前景 - Agentic AI（代理式AI）的兴起正在对底层数据库基础设施提出全新要求，向量数据库从幕后走向台前，成为支撑下一代智能体系统的关键基础设施 [1] - 生成式AI以内容创造为核心，Agentic AI以自主决策交互为特征，二者的演进推动向量数据库从基础存储检索工具向AI能力基座升级 [2] - 据Gartner预测，2025年Agentic AI市场规模将突破千亿美元，年复合增长率超65% [2] - 据Gartner预测，到2028年，支持生成式AI的数据库支出将达2180亿美元，占市场74% [3] - 2024年全球云数据库管理系统收入占比已达64%（766亿美元），贡献了89%的市场增量，云已成为数据库的主流部署环境 [13] Agentic AI对数据库的核心需求 - Agentic AI的核心特征是自主目标驱动，能够理解复杂需求、拆分任务流程、调用外部工具、实时调整策略，这彻底改变了传统RAG被动、静态、低频的调用模式 [2] - 对读写性能要求极高：Agent在单次任务中可能产生数十次读写操作，调用记忆模块的频次和数据更新速度远超传统RAG场景 [5] - 需支持“千人千面”的个性化数据存储：为每个用户生成独立的行为轨迹、偏好向量等，向量数据动辄达到百亿量级 [6] - 需在成本与性能间实现平衡：要求数据库具备智能化的数据生命周期管理，实现热数据高性能访问，冷数据低成本存档 [6] - 需具备多模态融合处理能力：能够同时处理文本、图像、地理位置、用户行为等多种信号的向量，并实现跨模态关联检索 [7] 向量数据库的核心价值与功能 - 向量数据库的核心价值在于高效检索“语义相似性”，擅长处理非结构化或半结构化数据编码生成的高维向量，以找出最相似的Top-K个向量 [9] - 作为大语言模型的记忆体，以极具性价比的形式提供存储功能，在减少大模型开发成本的同时提高其性能 [9] - 为对数据隐私有需求的企业提供了存储和管理企业知识的不二选择 [9] - 为Agentic AI提供四大不可替代的价值：构建可扩展的认知记忆、实现低延迟的经验检索、支撑多Agent的集体协作、降低AI落地的信任门槛 [9][10] - 具体技术优势包括：分布式架构支持百亿级向量存储、配合冷热分层、AutoIndex技术使查询性能提升3-5倍、支持BYOC方案满足合规要求 [9][10] 公司（Zilliz）产品与战略 - Zilliz是全球首个向量数据库企业，创造了开源向量数据库Milvus，并推出商业版Zilliz Cloud [3] - 公司产品Milvus及Zilliz Cloud是为数不多能处理百亿量级个性化向量数据的产品 [6] - Milvus针对高性能读写做了大量优化，并推出了内存-磁盘-对象存储的多层存储方案以平衡成本与性能 [5][6] - Milvus自2.4版本开始支持多向量列及各种标量数据，积累了稠密向量、稀疏向量、二值型向量等向量类型数据，以及地理位置、标签等标量类型数据的支持 [7] - 公司采用开源Milvus与闭源Zilliz Cloud“双管齐下”的商业模式，两者完全接口兼容，企业可平滑迁移，迁移成本几乎为零 [10][12] - 公司定位在AI基础设施层，将向量数据库作为连接大模型与垂直场景的关键齿轮 [10] 公司（Zilliz）合作伙伴与云协同 - Zilliz自2021年起与亚马逊云科技展开深度合作，目前是其最高等级的第三方合作伙伴，合作涵盖技术适配、产品集成、市场推广、客户服务等多个层面 [13] - 基于Amazon EC2丰富的实例类型，Zilliz Cloud提供了性能型、容量型等多套深度优化的解决方案 [13] - 基于Amazon EKS的容器化自动扩缩容能力，Zilliz Cloud可动态应对流量高峰 [14] - Zilliz Cloud适配了支持Amazon Graviton处理器的实例，可将成本优化提升20%以上，并显著提升性能 [14] - 客户可利用亚马逊云科技在模型服务层的优势，通过Amazon Bedrock调用领先的大语言模型和嵌入模型 [14] - 亚马逊云科技Marketplace为Zilliz导入大量用户，其中包括许多国内AI出海企业 [15] - 合作是双向的，Zilliz Cloud的高性能向量搜索能力也为亚马逊云科技企业客户带来商业影响，并引导用户使用SageMaker、Bedrock等亚马逊云科技AI产品 [15] 应用案例与成效 - 在电商智能客服场景中，Agentic AI需在毫秒级内完成海量非结构化数据的检索与关联，传统数据库无法承载 [8] - 在HR领域，智联招聘与Milvus合作，采用向量召回技术提升招聘匹配效率 [11] - 在传媒领域，搜狐新闻利用Milvus分布式向量检索引擎，使向量检索速度提升10倍，新闻分类准确率提高至95%，并减少了内存占用 [11] - 某电商客户图搜场景实现<30毫秒响应 [10] - 某头部电商在业务高峰期将自建Milvus集群切换到Zilliz Cloud，以解决稳定性与性能调优瓶颈 [12] - 美国法律AI SaaS公司Filevine使用Zilliz Cloud使海量法律文档可快速搜索，将研究时间从数小时缩短至数分钟，这得益于Zilliz Cloud自研内核Cardinal相较开源Milvus 10倍的性能提升以及AutoIndex优化 [16]

文章核心观点 - 生成式AI的幻觉问题已成为其深入企业级核心应用的主要障碍，尤其在医疗、金融等高风险领域，模型可能生成虚假信息，引发业务风险[2][6][8] - 业界采用检索增强生成（RAG）方案来约束大模型输出，其性能瓶颈集中在检索环节，检索的准确性、速度和稳定性直接决定AI应用的成败[9][11] - 向量数据库作为RAG架构的核心组件，通过高效的非结构化数据语义检索，为AI应用提供可信的知识基石，是解决幻觉问题的关键基础设施[12][14] - 清华团队发布的VexDB向量数据库在精度、规模、响应速度和动态更新等维度实现突破，并在医疗、通信等行业实践中显著提升效率与可靠性[4][15][17][19][20] 大模型幻觉问题与企业级应用风险 - 大模型幻觉源于其基于统计概率的生成机制，缺乏真正的逻辑推理和事实核查能力，例如在HHEM测试中，DeepSeek-R1模型的幻觉率高达14.3%，即每7次摘要就有1次产生幻觉[6] - 企业级应用中，模型幻觉从技术问题升级为致命业务风险：医疗领域可能误导诊断并引发医患纠纷；金融领域基于虚假信息的风险评估会导致巨额资金损失[8] - 解决幻觉问题是AI技术融入企业核心业务流程的准入资格，构建可信的AI基础设施是部署关键场景的前提[8] RAG解决方案的价值与挑战 - RAG通过引入外部知识源，将大模型的生成过程约束在可控、可信范围内，而非修改模型底层算法[9] - 典型工作流程包括将企业私域知识切片、向量化并存入检索库，系统实时检索相关片段以引导模型生成可靠结果[10] - RAG性能瓶颈集中在数据处理、检索和结果整合三大环节，性能问题直接影响业务落地，例如电商智能客服检索响应超过2秒会导致用户咨询流失率上升30%[11] - 检索能力决定RAG系统天花板，某金融RAG项目通过数据去重与分层，检索效率提升40%，召回准确率从72%提升至89%[11] 向量数据库的技术必要性与发展趋势 - 传统关系型数据库在处理非结构化数据的语义搜索时力不从心，向量数据库专为高维向量相似性搜索设计，能通过计算向量距离度量语义相似性[12] - 全球向量数据库市场规模2024年为22亿美元，预计2025-2034年复合年增长率达21.9%，2034年将达151亿美元，反映企业对可靠AI基础设施的迫切需求[14] - Gartner预测到2026年，使用具有基础模型的向量数据库的公司比例将从2022年的2%升至30%[16] - 向量数据库正从RAG工具向AI数据基础设施平台演进，承担知识资产管理器、多模态语义连接器、Agent中枢引擎等复杂角色[20] VexDB向量数据库的技术突破与应用实践 - VexDB支持百亿千维向量数据毫秒级查询，召回准确度高达99%以上，并在DABSTEP非结构化数据分析测试中以领先第二名超10个百分点的成绩夺冠[4] - 关键技术突破包括高精度多路召回机制，支持稠密向量、稀疏向量检索和标量过滤，通过SQL层实现多路召回；结合HNSW与DiskANN的GraphIndex结构支持百亿规模毫秒响应[15] - 在医疗领域应用端到端RAG诊疗辅助系统，将病历生成时间从20多分钟缩短至8分钟内，效率提升超60%[17] - 在通信行业赋能营销导购与云盘服务，使客户转化率提升30%，方案产出耗时减少60%，云盘检索体验满意度超90%[19] - 支持动态更新与高可用架构，满足高并发场景下的数据一致性与业务连续性需求[20]

AI革命推动数据库行业变革 - 生成式AI被视为第四次工业革命，正引发千行百业变革[2] - 甲骨文股价单日暴涨36%，市值暴增逾2400亿美元，源于与OpenAI签署五年期3000亿美元算力采购协议[2] - 全球AI服务器市场规模预计从2024年1251亿美元增至2025年1587亿美元，2028年有望达到2227亿美元[2] - 全球Agent市场规模已突破50亿美元，预计2030年将达到500亿美元[6] AI时代对数据库技术的新要求 - AI发展导致数据训练需求指数级攀升，数据类型从结构化向非结构化、半结构化混合转化[7] - 大模型训练需处理PB级甚至百PB级数据量，AI应用要求毫秒级响应速度[7] - 向量数据库因处理非结构化数据优势重新火热，2023年南大通用重新押注并持续迭代[7] - 传统业务叠加AI需要两个数据库，改造成本高[12] 南大通用的产品与技术布局 - 公司三大核心产品新增向量数据管理、存算分离和AI Native能力[4][8] - GBase 8c同时支持结构化数据和向量数据类型，用简单SQL完成关联查询[12] - GBase云原生数据库具备存算分离、serverless能力，解决AI代理并发性能瓶颈[12] - 推出智能运维平台，整合大数据分析、机器学习、生成式AI技术[12] 信创加速与国产替代机遇 - 国产化替代从外围系统向核心系统深入，包括银行账务核心系统、运营商计费系统等[9] - 未来两三年国产数据库将面临洗牌，产品能力、交付能力和运维能力成关键竞争因素[15] - 南大通用GBase数据库连续10年蝉联国产分析型第一[15] - IDC报告显示南大通用为中国数仓市场本地部署数据库TOP4、国产独立数据库第一[15] 仓湖一体技术优势 - 仓湖一体为AI提供统一、高效、可靠且低成本数据基石，解决数据孤岛问题[13] - 将数据湖低成本存储灵活性与数据仓库高性能管理能力结合[13] - 所有类型数据存储统一平台，特征工程一站式完成，保证数据一致性[13] - 强管理能力引入，如ACID事务支持、数据版本管理、元数据管理[14] 智能运维能力提升 - 智能运维工具5-10分钟完成上万实例健康检查，故障分析时间从3-4小时缩短至5分钟[15] - SQL优化正确率达到80%-85%，随学习数据积累帮助将越来越大[15] - AI能力嵌入数据库内部引擎，包括内置机器学习模型，降低数据搬运成本和延迟[14]

背景介绍 - RAG（检索增强生成）方法结合了检索模型和生成模型的能力，以提高生成文本的质量和相关性 [1] - 该方法由Meta在2020年提出，让语言模型能够获取内化知识之外的信息，并以更准确的方式回答问题 [1] - 在大模型时代，RAG用于解决幻觉问题、知识时效问题和超长文本问题等大模型本身的制约或不足 [1] RAG的挑战 - 主要面临三个方面的挑战：检索质量、增强过程和生成质量 [2] - 检索质量方面存在语义歧义、用户输入变复杂、文档切分和多模内容提取等挑战 [5] - 增强过程面临上下文集成、冗余和重复、排名和优先级等挑战 [5] - 生成质量方面存在过度依赖检索内容、无关性、毒性或偏见等问题 [5] 整体架构 产品架构 - 包含模型层、离线理解层、在线问答层和场景层四层 [11] - 模型层支持自研序列猴子、开源大模型和第三方模型，并优化跨语言Embedding模型 [11] - 离线理解层包括智能知识库和搜索增强模块，负责非结构化文本处理和检索精准度 [11] - 在线问答层支持多文档、多轮次、多模态及安全性与拒识等功能 [11] - 场景层针对不同行业特点预制多种场景类角色 [11] 技术架构 - 分为query理解、检索模型和生成模型三个主要组成部分 [10] - query理解模块包括query改写、扩写和意图识别等，旨在提高召回率 [12] - 检索模型从文档集或知识库中检索相关信息，使用信息检索或语义搜索技术 [12] - 生成模型根据Prompt或上下文生成新内容，包括chat系统和Prompt优化等 [13] Query理解 - 引入query理解模块解决用户query措辞不利于检索和生成结构化查询的问题 [14] - 意图识别模块利用LLM实现决策功能，可应用于选择器模块或查询引擎 [15] - query改写模块利用LLM重新措辞用户query，提高检索效果 [16] - HyDE技术生成假设答案并转换为嵌入，从数据库中检索最接近的实际文档 [17] - query扩写模块将复杂问题拆解为子问题，采用分而治之的方法处理 [22] - Step-Back Prompting通过抽象和推理两步处理复杂任务 [23] - CoVe技术通过验证和完善回答提高大型语言模型答案的可靠性 [25] - RAG-Fusion生成多个query并行执行搜索，使用倒数排名融合重新排序 [27] - ReAct将复杂查询分解成更简单的子查询，结合思维链提示和Action计划生成 [29][31] - query重构模块通过一次请求实现改写、拆解和拓展用户输入 [32] 检索模型 挑战 - 依赖于Embedding模型的向量化是否准确 [33] - 相关信息出现在输入上下文开头或结尾时性能最高，中间性能明显下降 [34] 架构 - 包括文档加载器、文本转换器、文本嵌入模型、向量数据库和索引等组件 [35][37] 文档加载器 - 从配置源加载文档数据，支持懒加载和多种来源如txt文件、网页和YouTube视频 [38] 文本转换器 - 将大型文档分割成较小块，适应模型上下文窗口 [39] - 递归分割文本保持相关文本片段在一起 [40] - 常见类型包括HTML、Markdown、Code、Token和Character等 [43] - 使用Chunkviz工具评估文本转换器工作情况 [44] 文本嵌入模型 - 创建文本的向量表示，捕捉语义并支持语义搜索 [45] - 应具备跨语种检索、长原文和短摘要关联、不同表述相同语义关联等能力 [45] 向量数据库 - 支持嵌入式的高效存储和搜索，检索与嵌入查询最相似的嵌入向量 [47] 索引 - 摘要索引将节点存储为顺序链，支持顺序遍历或基于关键词过滤 [51] - 树索引构建层级树状结构，父节点是子节点的摘要 [53] - 关键词表索引提取关键词并构建多对多映射 [55] - 向量索引利用文本嵌入模型将文本块映射成向量并存储在向量数据库中 [57] 排序和后处理 - 基于相似度分数、关键词、LLM重新排序或时间进行过滤和排序 [59] 生成模型 - 回复生成策略包括依次结合相关文本块修正回复或在Prompt中填充多个文本块 [66] - prompt拼接策略包括字符串提示和聊天提示 [61] - 字符串提示连接模板，聊天提示由消息列表组成 [62][63] 插件 - 基于混合演示检索的上下文学习方法融合文本检索和语义检索进行多路召回 [64] - 检索模块包括文本检索和语义检索，分别采用BM25和双塔模型 [70] - 重排模块使用倒序排序融合算法和两端填充排序策略 [71] - 生成模块设计prompt组装模块，融入长期和短期对话记录 [72] 引用或归因生成 - 归因让模型生成内容与参考信息对齐，提供证据来源确保信息准确性 [73] - 模型生成方法直接让模型生成归因信息，依赖模型能力 [75] - 动态计算方法在流式生成时匹配语义单元和参考源 [76] 评估 - Faithfulness评测生成的回答是否忠实于contexts，避免幻觉 [79] - Answer Relevance评测生成的答案是否解决实际问题 [79] - Context Relevance评测检索的上下文是否重点突出且少含无关信息 [79] - RGB基准研究RAG对大型语言模型的影响，分析噪声鲁棒性、拒答等能力 [77] - RAGAS框架对RAG pipeline进行无参考评估，考虑检索系统和LLM能力 [81] - LlamaIndex提供衡量生成结果质量和检索质量的模块 [81] 总结 - RAG技术需要不断实践和研究才能打磨出符合企业应用的精品 [82] - 本文总结了过去一年在RAG实践的关键模块，属于大纲式技术普及文章 [82]

大语言模型(LLM)的应用与潜力 - 自ChatGPT发布以来，大语言模型(LLM)已成为主流，推动各行各业探索其在业务转型中的潜力 [1] - 多种技术如RAG、向量数据库、重排序器等应运而生，帮助构建更强大的AI系统 [1] - 提升AI系统业务影响力的最有效方法依然是数据 [1] 人工智能系统在企业中的应用 - AI需要输入数据才能发挥作用，催生了RAG（检索增强生成）架构 [2] - 输入数据可以是合同、采购订单、工程文档等，具体取决于用例 [2] - 以航空公司客户服务聊天机器人为例，RAG架构包括构建知识库、索引分块文档、检索相关文档块并生成响应 [2] - 数据层的工作对业务影响更为合理和有效，知识存储的质量直接影响AI响应质量 [2] 知识库数据的问题 - 提供的文档可能与用例无关，增加噪音 [5] - 可能缺少解决任务所需的文档 [5] - 文档可能过时或未及时更新 [5] - 文档可能存在版本冲突或包含敏感信息 [5] 数据治理的发展 - 数据治理角色正在扩展，以支持AI系统和非结构化数据治理 [6] - 传统数据治理主要关注结构化数据，但GenAI的出现使其涵盖非结构化数据 [6] - 数据治理通过与业务、AI技术和数据团队协作，可构建安全、准确且可扩展的AI系统 [6] NoSQL数据库的设计 - 许多开发人员在设计NoSQL数据库时仍使用关系型思维模式 [8] - NoSQL数据库有多种类型，设计时需根据其特定用途仔细考虑 [8]

AI产品技术实现形式 - AI产品分为两类：调用API形式和部署AI模型形式 [2] - Native AI产品的功能入口与交互是整个产品框架的底层机制，而传统AI产品仅部分功能模块采用AI [2] - Native AI产品的数据接口来自全量向量数据库加普通数据库 [2] Native AI产品的限制与突破 - 原有产品设计框架限制突破：Native AI产品的交互和输入数据需全部由AI访问和调用，避免传统输入方式如输入框和固定功能模块 [2][3] - 原有产品技术架构限制突破：数据库需全面更新为向量数据库，将文本、图片、视频等转为非关系性向量数据 [4] - 向量数据库的引入带来技术架构变化，需重新考虑数据调用方式、安全性及匹配新的研发工种 [5] - 向量数据库的算力要求需额外考虑GPU、电源和功耗问题，传统CPU运算无法满足 [5] 资源投入与团队管理 - Native AI产品研发需新建单独产品形态，推翻重做以降低开发门槛 [6] - 产品经理需做好研发计划与立项预期，确保老板在预期内投入资源 [6] - 60%以上的产品经理未接触过付费AI模型，团队学习成本高 [7] - 传统行业（如ERP或电脑制造商）推动AI产品研发难度大，私有化部署难以实现 [7] 行业文化与团队动力 - 互联网大厂通过末位淘汰和人员流动保持战斗力，驱动员工主动学习 [8] - 大厂文化鼓励员工自愿加班和分享工作心得，形成自下而上的驱动机制 [8] - AI产品研发需团队突破全新知识体系，传统体制内团队难以实现自愿学习与加班 [8]

财务数据和关键指标变化 - Q4总营收3.88亿美元，同比增长16%，订阅收入3.62亿美元，同比增长16%，Elastic Cloud收入增长23%，非GAAP运营利润率达15% [7][29] - FY 2025调整后自由现金流利润率增长约600个基点，达19% [35] - Q4当前剩余履约义务（CRPO）约10亿美元，同比增长18%，按固定汇率计算增长17% [31] - 年收入超100万美元的客户增长约27%，新增约45个净新客户；年收入超10万美元的客户增长约14%，新增约180个净新客户 [32] - 预计FY 2026第一季度总营收在3.96 - 3.98亿美元之间，非GAAP运营利润率约为11.5%，非GAAP摊薄后每股收益在0.41 - 0.43美元之间；预计FY 2026总营收在16.55 - 16.7亿美元之间，非GAAP运营利润率约为16% [40] 各条业务线数据和关键指标变化 - Q4 Elastic Cloud收入增长23%，云业务占订阅收入超50% [7][18] - 订阅收入扣除月度云收入后，Q4为3.15亿美元，同比增长19%；FY 2025为11.95亿美元，同比增长20%，按固定汇率计算增长21% [31] 各个市场数据和关键指标变化 - 各地区业务执行良好，APJ增长最快，其次是EMEA和美洲地区 [32] - 美国公共部门业务面临压力，导致销售周期延长，特别是联邦民用业务 [14][33] 公司战略和发展方向和行业竞争 - 继续推动企业和高潜力中端市场客户的获取和拓展，不计划对销售策略进行重大调整 [7][26] - 持续创新，为云和自托管架构提供创新功能，加强在搜索、可观测性和安全领域的差异化竞争优势 [19][22] - 加强与合作伙伴的合作，如与AWS达成五年战略合作协议，与NVIDIA合作开发插件等 [24][19] - 增加安全销售专家团队，以抓住安全平台整合机会 [73] 管理层对经营环境和未来前景的评论 - 公司在FY 2025表现出色，各方面指标超预期，对未来增长充满信心 [6][28] - 尽管宏观环境动态变化，但公司管道健康，业务模式激励客户将更多数据迁移至Elastic [16] - 预计FY 2026将继续实现增长和强劲利润率，但需谨慎应对宏观不确定性 [16][37] 其他重要信息 - 公司将参加6月5日的美国银行技术会议和6月11日的Rosenblatt虚拟AI会议 [5] - 公司将于10月9日在纽约市举办金融分析师日活动 [5] - 第一季度FY 2026静默期从7月17日营业结束时开始 [4] 问答环节所有提问和回答 问题1: 指导数据是否比过去更保守，哪个指标是业务的更好领先指标 - 新CFO需谨慎给出首次指导，平衡了积极需求信号和宏观不确定性，将美国公共部门压力外推至整个业务，并假设Q2 - Q4有更多消费逆风 [45][46] - 最佳业务衡量指标仍是收入，销售团队表现的最佳指标是订阅收入扣除月度云收入，CRPO也是有用指标 [48][49] 问题2: 如何看待与AWS等的合作机会及市场推广部分 - 公司被市场接受为合适且受欢迎的向量数据库，与超大规模云服务提供商合作，争取成为第三方服务中的首选 [53] - 超大规模云服务提供商的市场是开展业务的好地方，公司与合作伙伴合作开展激励计划，推动客户采用Elastic Cloud [55] 问题3: 如何看待检索增强生成（RAG）架构的采用及公司定位 - RAG在构建对话应用、自动化工作流等方面至关重要，公司向量数据库在这些用例中得到广泛采用，RAG将长期存在，对云和自托管业务都有益 [58][59] 问题4: 本季度云业务环比增长较小的原因 - Q4有闰年影响且比其他季度少三天，是消费逆风因素，正常化天数后云增长率处于20%中段，表现健康 [63][64] - 云业务规模增大后出现季节性模式，Q1环比增长通常较低，Q2和Q3较高 [65] 问题5: 上一财年的市场策略变革是否完成，下一步策略及对企业客户的策略 - 上一财年的区域变革已见成效，本财年不计划进行重大改变 [69] - 继续招聘销售团队，增加安全销售专家团队，专注企业和高潜力中端市场客户，通过销售驱动市场策略，SMB业务通过月度云自助服务驱动 [72][74] 问题6: 如何看待GenAI在FY 2026的定位和发展轨迹，以及AgenTeq AI机会和用例 - 客户从文本搜索向语义搜索、对话应用和代理工作流发展，公司专注于提高检索效率、准确性、速度和规模，目标是成为每个Gen AI应用的首选向量数据库 [75][77] - 新兴用例包括销售自动化、营销自动化、法律电子发现、与合作伙伴的对话应用等，涵盖多个行业 [97][98] 问题7: 不同业务部分的收入贡献变化及月度云业务的未来趋势 - 月度云业务是自助服务驱动，主要面向SMB客户，公司重点是企业和高潜力中端市场客户 [83][84] - AI业务处于早期阶段，随着发展，搜索业务收入贡献将增加，但AI将使所有业务受益，预计各业务都将增长 [87][88] - 2026年月度云收入预计大致持平，本季度占总收入约12% [90] 问题8: 100万美元客户中使用AI的情况及新兴用例 - 100万美元客户中有25%使用公司进行某种AI工作负载，展示了该客户群体的采用情况 [95] - 新兴用例包括销售、营销自动化、法律电子发现、与合作伙伴的对话应用等，客户从语义搜索用例扩展到自动化代理工作流 [97][98] 问题9: 公共部门业务压力主要体现在哪些方面 - 公司业务多元化，公共部门是重要垂直领域之一，虽面临压力，但其他地区表现良好，使Q4仍保持强劲 [101] - 已将美国公共部门压力外推至整个业务，这是收入指导范围的最大影响因素 [38][114] 问题10: Q4云业务增长未加速的原因及业务组合情况 - 不能仅将AI与云业务关联，AI需求在云和自托管业务中都有体现，自托管业务也表现良好 [108] - 消费情况稳定，云和自托管业务都将是增长驱动力 [109][110] 问题11: 新市场细分策略的主要收获、意外情况及调整方向 - 市场细分策略已见成效，公司看到更大交易、与高级买家更多互动和更好的平台整合机会，目前无需重大改变 [120][121] - 继续增加销售团队和安全销售专家团队，专注企业和高潜力中端市场客户，推动业务增长 [72][73] 问题12: 100万美元和10万美元客户使用公司整个产品组合的情况 - 未细分该数据，将在10月的金融分析师日活动中提供详细信息 [133] - 大客户通常使用公司平台用于多个用例，平台方法提供了使用灵活性 [133][134] 问题13: 4月到5月业务线性度在垂直领域或客户规模上是否有差异 - 公司垂直领域多元化，4月到5月业务线性度无明显差异，目前宏观情况与Q4类似，除美国公共部门外无新增消费压力 [136] 问题14: 销售团队生产力现状及与管道的关系 - FY 2025销售团队生产力令人满意，年初的变革在Q4开始显现成效 [140] - 公司内部使用AI提高销售团队生产力，未来将继续关注该指标 [140][141]

RAG系统与语义搜索 - RAG系统通过检索增强生成解决LLM的局限性，包括训练成本高和幻觉问题[5] - 语义搜索在RAG系统中被严重低估，其核心是将文件映射到高维测度空间实现语义匹配[10] - 语义搜索允许直接将文件作为索引，通过embedding形式与查询对比，具有处理低资源文件和长文件的灵活性[11][12] 系统设计与损失函数 - 工程是取舍的艺术，需要明确能够接受的权衡和牺牲[19] - Contrastive Loss形成多个相距m距离的紧密聚类，适用于结构紧密、方差较小的数据[21] - Triplet Loss适用于类内方差较大的数据，如同一个人在不同光照条件下的人脸图像[26][27] 距离函数与嵌入模型 - 余弦距离不符合度量空间定义但计算简单，适合推荐系统等只关注方向的场景[29][30] - 欧几里得距离适合复杂场景如电商推荐，但可能出现数值溢出和高维数据稀疏问题[35][36] - 嵌入模型选择优先级：性能/成本权衡 > 数据领域 > 损失函数 > 距离度量[42][43] 向量数据库与索引 - 向量数据库选择需考虑开源/闭源、实现语言和部署方式[45][48] - 索引方式包括哈希、树、图和倒排索引，图索引适用于大多数高维数据场景[50] - 系统设计重点是为语义搜索提供数据结构，如分层结构或Context Enrichment[53][56] KG-RAG与未来趋势 - KG-RAG能清晰描述实体关系但成本高，Lazy Graph RAG通过结合语义搜索降低成本[72][73] - 大模型正向端设备迁移，需要更快的RAG实现以适应有限资源[79] - 机器学习系统设计最佳实践是优先使用传统方法如SQL或正则表达式[81]