AI 驱动数据创新：MongoDB引领企业迈向应用现代化新时代

随着商业环境剧烈变动、消费者需求难以预测，企业纷纷加速打造高弹性、实时回响的信息架构，使应用程序现代化与AI应用成为产业最关注的焦点。MongoDB每年一度举办的MongoDB.local活动，已成为专业人士掌握前瞻科技趋势的重要平台。

MongoDB.local Taipei 2025于9月30日举行，邀集多位业界专家分享最新技术与市场趋势。活动内容涵盖主题演讲、分组研讨会、专家面对面交流等多元形式，并重磅介绍全新亮相的MongoDB 8.2与MongoDB AMP等创新功能。大会现场吸引众多专业人士热烈参与，展现AI与应用程序现代化的强劲发展动能。

MongoDB大中华区副总裁胡建基表示，MongoDB.local Taipei 2025是美国总部活动结束后的首场海外活动，所有发表的内容与技术趋势皆与总部同步，展现MongoDB对亚太市场的高度重视。

本次活动涵盖10 场主题演讲与实作工作坊，并邀请来自6个不同产业的企业代表，分享运用 MongoDB 解决实际问题的经验与成果。胡建基指出，过去10年MongoDB的发展极为迅速，至2025年拥有近6万家客户，目前全球Fortune 100企业当中有75%正在采用MongoDB的解决方案。

从电商到直播  MongoDB助攻多元产业数码升级

MongoDB在全球市场的成功案例快速攀升，更成为众多新创企业的首选数据库方案。其核心优势在于能够真正解决工程师与开发者的痛点，进而大幅提升专案开发速度与执行效能。

以台湾知名电商平台-富邦媒体科技（momo 购物网）为例，会员人数已突破千万，2024年营业额达1,125亿元，并在台湾北、中、南部设有自动化物流中心，是全台许多消费者首选的电商平台。2020年将高频繁、复杂查询的折价券系统转移至MongoDB，结合强大查找能力与水平扩充特性，成功支撑数亿张折价券的实时查询与处理。

富邦媒体科技协理何铭华回顾，2018年双十一购物节期间，购物平台因突发巨量流量造成系统当机，因此意识到单一关联式数据库已经无法负载尖峰时段的庞大流量。

团队随即将在线购物系统拆分，并评估合适的非关联式数据库，从「系统稳定性与支撑高并发」、「查询效率进而提升移动转换率」、「实时数据洞察」三大面向进行分析，最终选择MongoDB社群版，彻底解决效能与可靠度瓶颈。且进一步考量IT团队人力限制，momo于2023年进一步改用MongoDB Atlas平台，将人力资源集中于应用开发。

另一家导入MongoDB的企业，为专注于社群整合行销服务的Omnichat。该公司技术长Ian Chan分享：「我们的核心业务，是协助企业透过Line、Facebook Messenger、Instagram和WhatsApp等多种社交平台与客户互动。但过去因采用关联式数据库，栏位受限，难以存储跨企业、多元且复杂的客户属性与标签。」「导入MongoDB Atlas后，公司在技术架构与营运效率上大幅提升，客服成本降低50%、顾客满意度提升50%、获客成本下降30%，AI工具让解决问题的时间花费缩短高达80%，每周更节省190小时的人力处理时间。」

全球知名直播平台17LIVE也在本次活动分享其转型成果。该公司资深工程总监曾柏诰指出，17LIVE注册用户已超过5,000 万人，并于2023年在新加坡成功上市。

早期曾面临数据一致性挑战，后来导入MongoDB Atlas平台并运用Atlas Search功能后，顺利实现全文查找、自动完成、同义词、矢量查找、混合查找、使用者查找与推荐系统等，多种进阶查找及应用功能。同时，技术团队透过混合查找技术，有效降低大型语言模型产生「幻觉」的风险，显着提升AI应用精确度。

曾柏诰进一步透露，随着AI时代来临，17LIVE也将在现有MongoDB Atlas架构上，推出「AI礼物」与「17Animaker」等创新服务，持续巩固其在全球实时互动直播市场的领先地位。

解决关联式数据库痛点  支持多元应用情境

创立于1919年的华南银行，在台湾公股行库中长期名列前茅。面对创新金融科技的持续涌现，华南银行发现既有的金融数据架构缺乏弹性，数据存取速度也无法满足新时代需求。

因此在2022年初启动数码转型计划时，决定以MongoDB Enterprise Advanced作为新一代金融系统架构的核心平台，打造以「数据即服务（DaaS）」为基础的数据中台，为科技防诈、客户体验优化以及AI应用奠定坚实的技术底座。

华南银行副总经理陈曦涵表示：「随着全球进入数码金融时代，消费者的需求变得更快速且多样化，我们需要一套能实时回应市场变化的非关联式数据库。」华南银行选择MongoDB Enterprise Advanced的关键原因，在于其具备「弹性数据模型」、「实时查询效能」以及「API化支持」等特色，能满足跨情境、多数据格式的应用需求，协助实现「一次建置、多端应用」的DaaS数据中台。

专案上线后已展现显着成效，例如搭配「雷神识诈模型」与风险评级双轨机制，有效将异常交易无效示警案件减少超过80%；在客服语音转文字存储与检索方面，人均产出效率更提升500倍，展现金融科技转型的强大效益。

另一方面，媒体产业同样面临庞大数据的应用挑战。TNL Mediagene关键评论网媒体集团（纳斯达克代码：TNMG）是亚洲次时代数码媒体与数据公司，后端开发总监刘宇烝指出，TNL Mediagene提供中、日、英文原创与授权媒体品牌，随着业务规模快速成长，既有系统在处理大量数据、全文检索与数据结构弹性上渐感吃紧。

导入MongoDB Atlas平台后，透过Vector Search via AI，文章查找速度提升90%，文件查找速度也提升50%，同时大幅提高数据库灵活性。此外，藉由Multi-Region support的全球部署弹性与低于100毫秒的API延迟时间，TNL Mediagene已为未来国际扩张奠定强韧基础。

AI驱动现代化MongoDB 8.2与AMP上线

应用程序现代化与AI是企业数码转型的两大核心趋势。MongoDB.local 2025台北站特别邀请MongoDB技术专家揭示全新MongoDB 8.2与MongoDB AMP的强大能力。

新版本在社群版与MongoDB Enterprise Advanced中皆提供原生全文查找与矢量查找功能，大幅加速企业推动AI专案的进程。而AMP平台则能协助企业快速将既有应用程序升级为更具扩充性、符合现代需求的新一代智能服务。

解决方案架构师经理张冠群指出，AI时代下的数据库，不仅要存「结构化数据」，还得能处理「矢量」、「文本」、「多模态数据」等，才能适用于语义检索、Agent记忆、状态存储等用途。传统关联式数据库在面对快速变动需求时，常常显得僵硬、不易扩充等，更遑论应用于AI场景之中多样化的情境。

相较之下，文件模型具备弹性结构、扩充性等优点，自然能满足AI复杂场景需求。AI应用效率与品质不仅取决于模型本身，也与底层数据库架构与效能息息相关，除此之外MongoDB结合Voyage AI技术之后， 还能提供其他品牌不及的自动矢量化、权重重排序等功能，自然成为最适合AI使用的数据库。

顾问级解决方案架构师苏友信进一步说明：「自 MongoDB 8.0问世以来，在数据吞吐量、时间序列存取与系统效能监控方面已展现亮眼表现，在高频写入与大规模分析场景下更趋稳健。而MongoDB 8.2特别针对未索引查询进行优化，尤其在时间序列数据写入吞吐上有显着提升。在安全性上，即使数据处于加密状态，系统仍支持prefix、suffix、substring等加密查询功能，免除事先解密的繁琐步骤，兼顾安全性与查询效率。」他也指出，从此版本起，MongoDB将提供长期支持版本，并采取渐进式版本更新策略，确保跨环境一致性与稳定性。

资深解决方案架构师郭志鹏补充，现今企业打造智能应用时，普遍采用「Agent Memory + RAG」架构，这代表数据库已不再只是用来数据存储与查询，而是进一步扮演AI agent的「记忆层」，负责维护上下文语境、执行语义查找、产生与管理矢量嵌入，以及进行结果重排序等任务。

MongoDB与Voyage AI的深度整合，让开发者能在数据库直接处理语义检索与相似度比对，无需另外部署独立的矢量数据库或整合外部的embedding API，从而显着降低架构复杂度并提升整体系统的稳定性。

顾问级解决方案架构师Cathlon Lau说，企业在推动应用程序现代化专案时，往往会面临「业务逻辑分散于 Stored Procedures」、「旧版架构无法维护」、「缺乏测试」、「厂商停止支持」等痛点，以至于专案迟迟无法推动。

MongoDB AMP结合 Agentic AI技术，可自动生成测试案例，检验转换后的程序行为是否与旧系统一致，助企业从老旧系统过渡到现代架构。根据我们内部实际测试数据显示，部分程序码转换速度提升可达10倍以上，整体现代化案平均可加速2~3倍。

从企业痛点出发  MongoDB持续强化查找与效能优势

MongoDB在不断投入创新研发的同时，也持续蒐集用户的实际需求与回馈，并针对不同产业的应用情境进行功能优化。

本届大会上，MongoDB宣布将原先仅限于Atlas云平台的查找与矢量查找功能，正式扩展至社群版与企业版的自管理产品，让开发者在更多部署环境中都能享有同样强大的数据查找能力，进一步提升开发与营运的灵活性。

资深顾问工程师吴明宗说，企业内部的数据量从1970年代的MB级，已急速成长到如今的PB甚至EB级，远远超过传统关联式数据库的负荷。MongoDB之所以能成为AI专案的理想数据库，关键在于其模型建构方法清晰且具弹性，涵盖概念模型、逻辑模型与物理模型三个层次。

在概念层中，团队需先厘清业务需求并识别实体；逻辑层则着重实体间的数据关联；最后的物理层则将设计落实为MongoDB的集合与文件结构，打造更具扩充性的数据基础。

资深解决方案架构师冯嘉昇进一步说明，随着数据量与使用者规模不断攀升，效能优化成为企业部署数据库的关键课题。MongoDB总结出十二种常见效能优化模式，帮助开发者针对不同情境制定策略。

首先，企业必须明确定义需求，设定具体且可衡量的效能目标，例如「每秒1万次更新」；其次，专案团队需以系统性思维检视整体架构，因效能瓶颈可能来自CPU、存储器或IO。透过像Atlas Profiler这样的瓶颈检测工具，才能有效定位问题来源并精准调校。

「AI应用能否成功，取决于是否建立统一且高效的数据基础。」资深解决方案架构师张仁江指出：「MongoDB以单一平台单一API即可同时支持交易数据与矢量查找数据，结合弹性的文件模型与内建安全机制，大幅降低跨系统整合的复杂度，协助企业快速迭代AI应用。」

他补充，MongoDB也原生支持 LangChain、LangGraph 等热门架构，并可结合大型语言模型（LLM）与代理工作流程记忆，维持高度的模型无关弹性，避免被单一供应商绑定。

多云策略强强联手  打造跨云生态系

监于公有云服务已成为企业不可或缺的重要后盾，MongoDB Atlas除了不断投入创新研发，也积极推动多云策略，与Amazon Web Services、Google Cloud与Microsoft Azure三大云端平台建立深厚合作夥伴关系，为企业用户打造跨云部署的高度灵活性。企业可依据市场特性与用户需求，采取最合适的营运策略，达成数据在地化、弹性扩展与多元云架构等目标。

AWS台湾资深合作夥伴解决方案架构师徐任弘指出，近几年生成式AI正以前所未有的速度普及，2025年的焦点更在于创造实质商业价值。AWS透过Amazon Bedrock、Amazon SageMaker与Amazon Q等完整AI堆叠，协助企业降低导入门槛并提升安全性与扩展性。

其中，Amazon Bedrock为AWS的核心平台，内建Claude、Llama、Titan 、Mistral等多样化模型，开发者可透过单一API快速存取并依需求定制化。结合 MongoDB Atlas 的 Vector Search 语意检索与实时数据存取能力，可进一步强化生成式AI的稳定性与精准性。

Google大中华区合作夥伴架构师总监林政君表示，根据Google Cloud最新研究，已有52%企业开始部署 AI Agent。Google Cloud透过Gemini API与Model Garden提供开发者多样化的模型选择，并藉由Agent Engine与Agent Development Kit（ADK）打造完整端到端开发与托管平台，简化AI Agent的设计、部署与监控流程。

MongoDB则能与BigQuery、Pub/Sub、Dataflow等服务无缝整合，让企业同时兼顾实时与批次数据流动，并强化数据安全与治理。这种最佳组合让企业不仅能快速建立数据管道，还能将AI能力应用于客户服务、自动化决策与营运优化。

随着AI与应用程序现代化浪潮席卷全球，MongoDB凭藉灵活的文件模型、强大的查找与矢量处理能力，以及与三大云平台的深度合作，已成为企业加速创新、迈向数码未来的重要基石。