计算机行业：向量数据库-AIGC时代的必备基础工具

7%-4%12/2202/2304/2306/2308/2310/237%-4%12/2202/2304/2306/2308/2310/23计算机行业计算机行业核心观点：本增效的效果已有所显现。ChatGPTPlug处理具有一定技术积累的基础上，也于近期推出了向量数据库产品。理的收费模式将是各厂商在低渗透率的环境下获客的关键。量数据库领域的布局可能导致行业竞争加剧；技术开源导致中小企业入局向量数据库领域。相对市场表现39%29%-14% 计算机沪深300请注意，周源并非香港证券及期货事务监察委员会的注册持牌人，不可在香港从事受监管活动。整报告日期合理价值（元/股） 二、向量数据库处于商业化早期阶段，随各行业智能化升级而快速成长 45 8 9 9 40 41 42 43图39：基于阿里云使用Zilliz向量数据库服务的流程示意图.......... 表9：星环科技数据分析大模型建设项目相关产品定价 投资要点：随着AI大模型的发展，向量数据库已成为赋能MLOps各环节必备的软件基础设施。算力集群规模持续扩大的趋势下，从数据到模型的全生命周期管理需要更加专业的软件工具用于生产效率的提升、流程的优化和成本的节省。其中向量数据库具备的快速检索、混合存储、向量嵌入等能力很好的解决了AI大模型在MLOps过程中存在向量数据库是开发和应用AI大模型过程中必备的软件基础设施。向量数据库是专门它通常采用基于向量相似度的查询方式，即根据向量之间的相似度来检索数据。这一功能特点不仅使得其可以提升训练过程中特征提取和数据检索等任务的效率，还向量数据库为代表的工具类软件有效解决了AI大模型全生命周期管理中的痛点，是从实际应用案例来看，向量数据库在AI大模型的训练和推理过程中降本增效的效果Qdrant向量数据库产品与Pienso合作，已经实现在开源AI大模型的基础上开发私域AI应用的发展正逐步由点扩散到面，各领域智能化升级的快速进展将大大增强向量数据库领域早期的探索，主要是以Zilliz、Weaviate和Pinecone等初创型公司引领。据库产品多以开源的形式培育社区生态，以及上云的方式扩大用户覆盖面。随着向量数据库在AI大模型中应用的重要性逐渐被挖掘，各厂商加大了该领域的研发。以腾讯云、华为云和星环科技为代表的厂商在非结构化数据的向量检索工具已经具有一定技术积累的基础上，也于近期推出了向量数据库产品。向量数据库行业有望随各行业智能化升级而快速成长。在技术方面，Zilliz和Weaviate将技术开源一方面推动了整体行业的进步，另一方面也缩小了行业内公司在商业化方面，向量数据库行业还处于市场培育期，Zilliz、Pinecone和腾讯云产品拓展过程有望加速，各行业用户付费意愿有望提升。未来，向量数据库商业化的节奏取决于各行业客户使用AI大模型的实际需求以及其在AI大模型技术中应用的向量数据库处于产品化和商业化的早期阶段，配合标准化产品的技术服务是关键。向量数据库发展时间较短，相应功能难以广泛满足各行业需求，在商业化落地过程技术服务的及时性和专业性将是向量数据库公司新客拓展、老客留存的关键。我们中更具优势。相较于初创型的公司，星环科技已拥有410人的技术支持团队（截至2022年12月底对于新产品的市场推广、商业化策略制定以及客户沟通云计算公司拥有的AI大模型以及海量非结构化数据为其向量数据库产品打磨和应用云计算公司开发的向量数据库在满足其自研的AI大模型业务和海量数据检索的需求的同时，也提升了产品性能，实践了具体场景中的应用效果，为其对外提供服务打再到一定市场份额的发展，能够享受更多下游快速渗透带来的机会，而同行竞争带未来，针对各场景需求特点，结合AI大模型的能力开发出满足行业用户需求的向量数据库产品，以及根据实际产业趋势制定合理的收费模式将是各厂商在低渗透率的中长期来看，云计算公司和数据库厂商也存在合作的可能性。从海外的经验来看，以及产品线的延长，其在各个技术应用领域的需要寻求合作伙伴共同拓展业务。例商业化落地。我们认为，若第三方向量数据库公司的产品具有足够的竞争力，可以实现对相关软硬件基础设施的连带销售效果，云计算公司与其实现资源互补、产业合作的可能性将大大增加。投资建议：推荐星环科技。风险提示：商业化落地受下游应用拉动，兑现尚需时间；科技巨头在向量数据库领一、向量数据库为AI大模型全生命周期管理提质增效随着AI大模型的发展，向量数据库已成为赋能MLOps各环节必备的软件基础设施。据量不断增多，算力集群规模持续扩大的趋势下，从数据到模型的全生命周期管理需要更加专业的软件工具用于生产效率的提升、流程的优化和成本的节省。其中向量数据库具备的快速检索、混合存储、向量嵌入等能力很好的解决了AI大模型在MLOps过程中存在的知识时效性低、输入能力有限、回答问题准确度低等问题，未来发展前景广阔。AI大模型的训练和推理各环节过程复杂、步骤较多，需要统一的软件工具链进行管型测试、训练监控、生产部署等环节，任何一个环节出现问题亦或不同环节之间的53%的项目能够从AI原型转化为生产，AI生产转化率低的主要原因在于模型全链路生命周期管理存在跨团队协作难度大、过程和资产管理欠缺、生产和交付周期长等问题。因此，开发从数据到模型，贯通从开发到部署等多环节统一的流水线软件MLOps是保障AI模型生产和管理的稳定性、持续性、规模化和效率的关键。保证模型在生产过程中的连续性。MLOps的系统框架不是简单的线性推进，而是各复进行数据收集和准备、模型开发和训练、模型验证和测试等步骤，以不断对模型各个环节都有对应的软件实现效率的提升。这些软件和工具在各环节发挥着重要的点问题并形成需求，交付于数据科学家进行对接；数据科学家通过需求文档初步建的有效沟通下对方案多次修改直到达成一致，以确保业务需求被正确认知，建模方案可行而高效，避免不同角色对于需求的理解不一致及风险不可控等问题，从源头器学习算法进行建模。特征选择也是模型性能的关键，需要从所有可用的特征中选择最相关的特征子集用于模型训练，减少复杂性，提高模型性能，并减少过拟合的模型可以根据最新的数据和反馈进行更新和优化。测试阶通常构造一组测试数据来常值敏感。器学习模型部署到生产环境，以便它可以开始为实际业务问题提供预测。它将模型这要求IT运维定期检查模型的预测性能，以确保它仍然满足业务需求;监控模型服务），监控模型的数据漂移，避免因为输入数据的分布变化导致模型性能随着时间的推移而下降。运维监控是一个持续的过程，它需要在模型的整个生命周期中进行，以确保模型的持续性能和健康状况。表1：MLOps的生命周期每个阶段的主要输入、主要步骤以及主要输出内容1)将业务需求转为技术问题，确定使用机器学习过程需要的数据，以及数据处理过程和规则（例如，数程、模型训练及模型服务的代码1)接入并提取原始数据，包括流数据、静态批处理数据或模型开发置发多轮模型训练，不断调整和选择性能最优算法和超参数。3)对不同模型参数进行交叉脚本、模型服务标模型测试据、特征。据模型实验阶段已选择的算法和超参数，对新数据进行自动训练。4)执行自动化的模型报告，产品发布运维监控各类指标数据值AI大模型对MLOps提出了更高要求。相较于普通的AI模型，AI大模型的训练复杂。例如，如何将模型分布式部署到多个节点上、如何保证模型的稳定性和可靠从头开始训练，而是选择一个通用性基础较好的、开源的预训练模型，在其基础上评估测试等，各环节的耗时都取决于数据量、模型复杂度以及评估指标的选择。因此数据处理工具、软件平台架构的选择对于AI大模型的开发有关键作用。过程中，存在由于用户提问方式不直接，给出的提示词较为模糊，导致生成内容质高提示词与回答内容之间匹配度已成为AI大模型的重要发展4.人工反馈对于AI大模型通用性效果的提升有关键作用：在模型的评估测试环节，从而提升AI大模型整体的通用性。表2：AI大模型的属性对MLOps过程中的影响各场景通用性较强：AI大模型在预先学习了各场景海量数据上，其包含了具有通用共性特征的底层卷积层，这部分有的、第三方的或开源的模型开始，以自定义微开发阶段：超大规模计算集群的模型训练需要分理解用户真实需求是人机交互体验的关键：许多AI大模型可以通过向量数据库是开发和应用AI大模型过程中必备的软件基础设施。针对AI大模型的MLOps在架构方面的设计考虑了海量多源数据的训练、预训练大模型的导入以及大在训练数据方面，由于所需处理的数据量较为庞大、类型更加复杂，向量数据库是提升训练和推理效率必备的工具软件。AI大模型在大规模计算集群的环境下进行训发和应用AI大模型过程中必备的软件基础设施。导入过程中，向量数据库可以将不同类型的非结构化数据进行清洗、筛选并转化为统一的向量嵌入格式，便于各类数据的交互和计算。在特征提取阶段，向量数据库在模型构建环节，向量数据库也可以在微调和剪枝等环节减少训练数据量，节省训全向量数据库在AI大模型训练和推理过程中有较大的应用空间。向量数据库是专门用于存储和管理向量数据，其主要特点是能够高效地存储和查询大规模的向量数据。它通常采用基于向量相似度的查询方式，即根据向量之间的相似度来检索数据。这一功能特点不仅使得其可以提升训练过程中特征提取和数据检索等任务的效率，还在推理过程中有效保护用户隐私数据、保障应用过程的数据安全性。针对海量和多源训练数据，向量数据库统一数据格式，为训练任务效率提升打好基一个固定长度的向量。转化后的向量数据不仅统一了数据格式，便于各类型数据之数据搜索的过程往往耗时较长。向量数据库通过ANN（ApproximateNearest数据库允许用户只更新部分数据，而不是整个数据集。这可以节省大量的计算资源和时间，特别是在数据集很大且更新频繁的情况下。类型的数据转化成为向量嵌入的方式不同。对于文字类信息，在字词的属性（主谓宾）等较为固定的情况下，语句中的语义信息的提取和识别有规律可循。将标点符号、不同属性的字词编码，根据其在文中的作用对编码反复进行排列组合的训练即可以得到一组向量嵌入。而图像类数据的编解码难度更大。图像数据是大量像素排列组合而成的，不仅单个像素的固定属性难以确定，其排列组合的方式也无规律可入数据开始训练的过程更加复杂。库支持不同类型数据导入AI模型训练中，解决了此前针对不同类型的数据导入需要的神经网络中进行训练，其输出结果为具有标识的统一格式的向量，可以被深层的神经网络识别。由于AI大模型的训练涉及的数据量庞大，向量嵌入的方式可有效提过程中，原始数据转换为向量数据后更好的适应了AI计算中涉及大量的矩阵运算。向量化后的数据将单一维度的运算扩展到高维度的矩阵运算，从而提升单次运算能于特征提取、抽象化等都有很好的性能满足。此外，向量数据库还可以提供快速随向量数据库在企业用户隐私保护和推理任务准确性方面有突出表现。在AI大模型应防止企业隐私信息泄露。在这一过程中，向量数据库作为通用AI大模型和企业私域数据间的桥梁，可以有效满足用户这一需求。其次，融合了最新资料和专业知识的向量数据库可有效解决通用的AI大模型知识的时效低、输入能力有限以及准确度低最新的数据来回答问题，但大模型的训练语料在时效性上有一定局限。此外，企业和微调阶段。在此情况下，向量数据库可以充当外挂知识库，为大模型提供最新数据或者企业客户独有的内部知识库。通过从知识库中检索与输入相关的信息，作为上下文和问题一起输入给AI大模型，基于信息生成答案，可以提升大模型的时效性记录客户端和大模型之间的对话信息，接收到新的消息时可以从整个历史会话记录中检索与当前消息相关的人机交互信息，为大模型提供长期记忆。因此可以突破大语言模型对Token数的限制，避免上下文信息丢失的问题。表3：向量数据库在AI大模型推理应用中的具体功能提供外挂知识库提供长期记忆提供缓存能力4.Prompt输入至LLM生成响应储的嵌入并传递给查询LLM据库中练/微调、相较于微调成本更低、实时性提高性能、优化计算资源和通过互联网公开数据训练的通用AI大模型难以覆盖专业性较强以及最新的新闻数据。而用户可以将最新资料和专业知识存入向量数据库中，外接到通用AI大模型来解决据作为训练语料。向量数据库的实时更新、灵活编辑以及隐私保护的特点较好的弥补了通用AI大模型的缺陷。在ChatGPT的插件系统中，用户即可在外接的向量数据们认为，外接的向量数据库可以将用户特定信息融入到交互内容中，不仅大大拓展图12：Weaviate向量数据库嵌入ChatGPTAI大模型可以更好的理解用户的搜索意图，并将搜索请求扩展到相关领域的信息，布式环境中,向量数据库还具有高效的并行计算能力，可以充分利用硬件资源步加快推理速度，以应对海量数据的处理需求。在应用阶段，AI大模型存在较多的向量相似性搜索需求。AI大模型和用户交互的信大模型识别和理解，之后这一组向量数据需要遍历庞大的神经网络，搜索与之对应的另一组向量数据后才能生成用户想要的文字。向量搜索的过程往往耗时较长，可能会影响到即刻需要得到内容生成的用户体验。而向量数据库通过ANN算法给不同从实际应用案例来看，向量数据库在AI大模型的训练和推理过程中降本增效的效果已有所显现。Pinecone、Weaviate等向量Qdrant向量数据库产品与Pienso合作，已经实现在开源AI大模型的基础上开发私域1.向量数据库已应用于数据清洗、向量嵌入转换、私域大模型开发等训练过程去重。Atlas首先对文本语料库进行语义层面的分析，性的数据进行聚类，并以向量形式嵌入到可视化地图上。在可视化的界面中，用户可使用工具对数据进行标注，根据业务需要，对特定类别数据进行清洗和筛选。之数据进行分类、标注和清理，优化数据集，从而有效提高AI模型的训练效率。与向量数据库Qdrant合作，为客户提供私域大模型解决方案。用户可以基于私有数据，使用简单的可视化界面在各种流行的开源模型上开发定制AI模型。通过向量数理解对话或文档，产生贴近语境的输出，以及加速用户模型的训练和推理过程。在用户隐私和数据安全。在模型推理场景中，向量数据库的高性能的向量存储和检索能力已经在问答系统、（1）外挂知识库：在外接的向量数据库中可以预先增加和编辑特定信息，再通过速搜索，实现反向图像搜索、对象检测、人脸比对等任务；数据来源：阿里云开发者社区，广发证券发接口。用户在外接的向量数据库中可以预先增加和编辑特定信息，再通过ChatGPT调用该插件后实现对于特定问题的回答。我们认为，外接的向量数据库可以将用户特定信息融入到交互内容中，不仅大大拓展了AI大模型交互信息的范围，还保证了答内容效果示意接入向量数据库的AI大模型已应用于企业内部数据的智能化和隐私保护。随着向量工具不仅有效提升其人员招聘各流程的数据的搜索效率以及资源对接的精准性，还保护企业用户的数据不泄露给AI大模型作为训练预料。我们认为，向量数据库作为外挂知识库接入AI大模型后能够保护用户隐私数据的能力被企业级客户充分认识和理解后，其有望得到大规模推广。图21：MongoDB的AtlasVectorSeach向量据库公司Zilliz开发了一个开源工具OSSChat，整合了各开相关文档作为数据源，并将这些数据转换为向量存储在向量数据库中。当用户与金融科技公司ChipperCash在向量数据Pinecone的基础上构建了一套身份验证系将人脸图像等身份信息转换为向量并存储在Pinecone向量数据库中，通过对Pinecone向量数据库的查询返回前三个最优匹配项，最后在后端进行查询以返回匹提升商品推荐的精准度。向量数据库将用户的历史行为、画像和查询等特征转化为用户特征向量，并与商品向量结合，通过计算相似度找到与用户历史行为或兴趣相精确召回文档，甚至出现与查询无关的结果，但通过向量检索，可以提前抽取商品和查询的特征，并进行向量的近似召回，有效匹配了用户需求，提升了商品推荐准图24：向量数据库为电子商务公司CRITEO企业应用AI大模型的需求和数据隐私保护的要求共同保障了向量数据库在垂直应用类AI的应用前景。通过观察向量数据库在AI大模型各场景的应用，我们发现其不仅增强了AI大模型生成内容的精准性和及时性，还可以作为外挂知识库应用于垂直领域大模型的训练。随着以ChatGPT为代表的通用AI大模型产品的成熟，各行业用户基于通用AI大模型开发的智能化应用带来的降本增效的效果显著。通用AI大模型被金在各行业智能化升级过程中，向量数据库不仅可以将企业海量数据向量化后提升通用AI大模型应用的时效性和精准性，还可以保障企业隐私数据和信息不被通用AI大品的落地，AI应用的发展正逐步由点扩散到面，各领域智能化升级的快速进展将大二、向量数据库处于商业化早期阶段，随各行业智能化升级而快速成长数据库领域早期的探索，主要是以Zilliz、Weaviate和Pinecone等初创型公司引领。据库产品多以开源的形式培育社区生态，以及上云的方式扩大用户覆盖面。随着向量数据库在AI大模型中应用的重要性逐渐被挖掘，各厂商加大了该领域的研发。以腾讯云、华为云和星环科技为代表的厂商在非结构化数据的向量检索工具已经具有一定技术积累的基础上，也于近期推出了向量数据库产品。表4：向量数据库开发公司和产品列表发布时间WeaviateWeaviateTencentCloudVector腾讯云针对非结构化数据的向量搜索引擎及相关工具。其开发的Milvus向量数据库产品于2019年10月开源，为业内公司在该领域技术的探索提供了丰富技术资源。从Milvus1.0即提供了相似性度量、ANN索引等核心算法以及可根据业务场景，预估数据量和节点规模，选择免费版（适用于新手用户开发单一使用时间范围内根据计算资源和存储资源的使用量来收费。目前Zilliz的向量数据库定制化需求也提供虚拟私有云部署的SaaS服务供客户灵活选择。/小时坡)/小时/小时/小时的技术开发专注于向量化的能力，即将各类不同的数据转化成为向量数据。后续，Weaviate的向量数据库产品根据Embedding数量和资源使用量来收费。WeaviateEmbedding的数量是有向量的维度和数据对象的数量共同决定。而在基于第三方公间大小）的使用量来付费。表6：Weaviate向量数据库基于Weaviate起步价按月收费的价格基于第三方公务按月收费的价格谷歌云上基于存储资源收费的版本谷歌云上基于计算资源（CPU数量）收原始数据编码为向量数据的阶段采用多种编码方式，不同编码方式的向量数据在大模型的检索过程中有快慢之分。混合搜索引擎可以筛选出检索速度最快的向量嵌入方式作为结果反馈。而混合存储则是将原本在内存中存储的向量索引部分转移在磁的成本减少了10倍。我们认为Pinecone公司对于数据在AI大模型全周期中的流程优化方面较一般公司研究更为深入，已经有较深的技术积累，其开发的向量数据库发展前景向好。Pinecone在公有云环境中提供容器化的SaaS服务，按照容器的数量和容量收费。在公有云环境下，容器是融合了CPU、内存和硬盘等资源的基础单元，是实现云端上提供的向量数据库产品的收费价格根据容器类型、数量、容量以及云服务器平台决定。目前，Pinecone推出免费版（单一容器）、标准版和企业版的向量数据库产品。标准版和企业版的起步价分别为0.096美元/小时和0.144美元/小时。此外，Pinecone根据客户定制化需求也提供虚拟私有云部署的表7：Pinecone向量数据库收费模式（以标准版为例）基础价格存储优化型4000万个向量400万个向量（第二代）400万个向量础设施。星环科技的Hippo向量数据库具备的优势如下：同时支持多类索引，满足不同业务场景;支持检时序数据等多种模型数据进行统一存储管理，通过统一接口实现数据跨模型联合分 图28：星环科技分布式向量数据库Transwar场景，高性能版Hippo可支持单台服务器1000QPS（Queries-per-second）的数据场景推出的标准化产品更加符合行业客户需求，未来发展前景看好。社区版存储密集版树索引、位图索引-访问控制---√--√---√-数据存储加密/传输加密备份-海）股份有限公司向特定对象发行股票申请文件的审核问询函的回复》中的信息，下游客户或因数据量的增加而产生持续扩容的需求。因此，向量数据库产品的销售表9：星环科技数据分析大模型建设项目相关产品定价参考面向部门级用户的售卖模式下的BI工式基础设施基线大模型腾讯云基于多年积累的向量引擎技术，推出了向量数据库VectorDB。2023年7月，部的赋能工具OLAMA向量引擎，在其基础上对于AI运算、检索方面进行升级而来。腾讯云向量数据库不仅能为大模型提供外部知识库，提高大模型回答的准确性，还00让相同的内存可以存储5-10倍的数据。成本、运维成本和人力成本开销。（4）简单易用：支持丰富的向量检索能力。用户通过HTTPAPI或者SDK接口即可快速操作数据库，开发效率高。同时控制台提供了完善的数据管理和监控能力，操作简单便捷。（5）稳定可靠：向量数据库源自腾讯内部自研的向量检索引擎OLAMA，近40个业生成对应的向量数据并插入数据库或进行相似性检索，实现了文本到向量数据的一腾讯云向量数据库行业平均心3腾讯云向量数据库行业平均表10：腾讯云向量数据库提供实例类型免费测试版10存储型仅供快速测试使用，更多0存储型三可用区：[2,节点数-1]腾讯云向量数据库已被多家企业使用。截止到2023年1的各类问题，从而推动商机进展和获取客户；在电商领域，VectorDB应用于提升推荐、搜索、广告业务的推荐效果；在出行领域，VectorDB有效提升自动驾驶腾讯结合公有云的技术和渠道优势，实现了VectorDB的快速推广，为后续商业化收也反映了企业级客户对于向量数据库的需求是普遍存在于各行业中的。图31：腾讯云向量数据VectorDB优势在于：提供更高的查询QPS和更低的查询延迟，适用于流量大、延迟敏感的场腾讯云向量数据库基于CPU计算能力、内存大小及其存储能力，将节点规格划分为们判断，VectorDB的收费标准或与其产品性能以及消耗的计算和存储资源相关。表11：腾讯云向量数据库提供节点规格（GB）存储下估算的向量规模，不包含标量数据）存储型1824824488级大规模向量数据快速查询更新的能力，内置自研的ANN索引算法可以使得查询时已上线华为云，用户根据CPU核数、内存大小和态支撑能力为GaussDBVector产品竞争力及后续的商业化拓展提供了保表12：华为云GaussDBVector向量数据库产品规格应用场景3超高IO5超高IO早期开始技术探索的公司并未形成明显的技术壁垒和先发优势。在商业化方面，向本的产品给用户试用，而基于公有云的SaaS服务和星环科技的社区版Hippo都尝试通过软件的轻量化及部署的便捷化来推广向量数据库产品。我们认为，向量数据库在AI大模型训练和推理过程中的实际效果得到用户充分认识后，产品拓展过程有望业客户使用AI大模型的实际需求以及其在AI大模型技术中应用的实际效果。及金融机构的业务普遍涉及敏感数据，对数据安全具有较高要求，考虑数据安全的据，2022年，美国SaaS公司数量为1.7万个，中国SaaS公司数量为702个。020200软件上云环境的差异导致中美开发向量数据库的公司类别有所差异。海外的云计算以独立第三方（Pinecone、Weaviate和Zilliz）为主模式接受度不高的环境下，以腾讯云和华为云为代表的云计算厂商更愿意选择开发标准化的向量数据库产品，对外开拓市场。因此，在国内云计算公司与独立第三方司对于向量数据库产品的定位、商业化优劣势以及竞合关系的变化。表13：在云计算平台上提供SaaS服务的向量数据库产品ZillizCloud、Weaviate、Pinecone、QdraZillizCloud、Weaviate、Pinecone、Qdra微软云ZillizCloud、Weaviate、Pineco腾讯云TencentCloudVector1.独立第三方公司的向量数据库产品化和商业化能力是竞争的关键风险到提供个性化的投资建议，金融领域存在较多的智能化需求，但相关数据涉及三方公司的向量数据库产品在金融、医疗等线下部署的场景中更易推广。对于行业数据和需求理解深刻独立第三方公司在向量数据库商业拓展时更具优势。不同行业数据结构和组织方式不同，这导致向量数据库在数据导入、转换和向量化容的要求和需求不尽相同，向量检索算法在训练和推理阶段在不同行业也有一定优化提升的空间。从这一角度来看，对行业数据特点理解深刻且对用户需求具有洞察力的公司开发的向量数据库在部分行业具有一定优势，典型如星环科技在金融行业向量数据库处于产品化和商业化的早期阶段，配合标准化产品的技术服务是关键。向量数据库发展时间较短，相应功能难以广泛满足各行业需求，在商业化落地过程技术服务的及时性和专业性将是向量数据库公司新客拓展、老客留存的关键。我们中更具优势。相较于初创型的公司，星环科技已拥有410人的技术支持团队（截至2022年12月底对于新产品的市场推广、商业化策略制定以及客户沟通研发人员技术支持人员销售人员管理人员轻量化和免费版本的向量数