AI 驅動資料創新：MongoDB引領企業邁向應用現代化新時代

隨著商業環境劇烈變動、消費者需求難以預測，企業紛紛加速打造高彈性、即時迴響的資訊架構，使應用程式現代化與AI應用成為產業最關注的焦點。MongoDB每年一度舉辦的MongoDB.local活動，已成為專業人士掌握前瞻科技趨勢的重要平台。

MongoDB.local Taipei 2025於9月30日舉行，邀集多位業界專家分享最新技術與市場趨勢。活動內容涵蓋主題演講、分組研討會、專家面對面交流等多元形式，並重磅介紹全新亮相的MongoDB 8.2與MongoDB AMP等創新功能。大會現場吸引眾多專業人士熱烈參與，展現AI與應用程式現代化的強勁發展動能。

MongoDB大中華區副總裁胡建基表示，MongoDB.local Taipei 2025是美國總部活動結束後的首場海外活動，所有發表的內容與技術趨勢皆與總部同步，展現MongoDB對亞太市場的高度重視。

本次活動涵蓋10 場主題演講與實作工作坊，並邀請來自6個不同產業的企業代表，分享運用 MongoDB 解決實際問題的經驗與成果。胡建基指出，過去10年MongoDB的發展極為迅速，至2025年擁有近6萬家客戶，目前全球Fortune 100企業當中有75%正在採用MongoDB的解決方案。

從電商到直播  MongoDB助攻多元產業數位升級

MongoDB在全球市場的成功案例快速攀升，更成為眾多新創企業的首選資料庫方案。其核心優勢在於能夠真正解決工程師與開發者的痛點，進而大幅提升專案開發速度與執行效能。

以台灣知名電商平台-富邦媒體科技（momo 購物網）為例，會員人數已突破千萬，2024年營業額達1,125億元，並在台灣北、中、南部設有自動化物流中心，是全台許多消費者首選的電商平台。2020年將高頻繁、複雜查詢的折價券系統轉移至MongoDB，結合強大搜尋能力與水平擴充特性，成功支撐數億張折價券的即時查詢與處理。

富邦媒體科技協理何銘華回顧，2018年雙十一購物節期間，購物平台因突發巨量流量造成系統當機，因此意識到單一關聯式資料庫已經無法負載尖峰時段的龐大流量。

團隊隨即將線上購物系統拆分，並評估合適的非關聯式資料庫，從「系統穩定性與支撐高併發」、「查詢效率進而提升行動轉換率」、「即時數據洞察」三大面向進行分析，最終選擇MongoDB社群版，徹底解決效能與可靠度瓶頸。且進一步考量IT團隊人力限制，momo於2023年進一步改用MongoDB Atlas平台，將人力資源集中於應用開發。

另一家導入MongoDB的企業，為專注於社群整合行銷服務的Omnichat。該公司技術長Ian Chan分享：「我們的核心業務，是協助企業透過Line、Facebook Messenger、Instagram和WhatsApp等多種社交平台與客戶互動。但過去因採用關聯式資料庫，欄位受限，難以儲存跨企業、多元且複雜的客戶屬性與標籤。」「導入MongoDB Atlas後，公司在技術架構與營運效率上大幅提升，客服成本降低50%、顧客滿意度提升50%、獲客成本下降30%，AI工具讓解決問題的時間花費縮短高達80%，每週更節省190小時的人力處理時間。」

全球知名直播平台17LIVE也在本次活動分享其轉型成果。該公司資深工程總監曾柏誥指出，17LIVE註冊用戶已超過5,000 萬人，並於2023年在新加坡成功上市。

早期曾面臨資料一致性挑戰，後來導入MongoDB Atlas平台並運用Atlas Search功能後，順利實現全文搜尋、自動完成、同義詞、向量搜尋、混合搜尋、使用者搜尋與推薦系統等，多種進階搜尋及應用功能。同時，技術團隊透過混合搜尋技術，有效降低大型語言模型產生「幻覺」的風險，顯著提升AI應用精確度。

曾柏誥進一步透露，隨著AI時代來臨，17LIVE也將在現有MongoDB Atlas架構上，推出「AI禮物」與「17Animaker」等創新服務，持續鞏固其在全球即時互動直播市場的領先地位。

解決關聯式資料庫痛點  支援多元應用情境

創立於1919年的華南銀行，在台灣公股行庫中長期名列前茅。面對創新金融科技的持續湧現，華南銀行發現既有的金融資料架構缺乏彈性，資料存取速度也無法滿足新時代需求。

因此在2022年初啟動數位轉型計畫時，決定以MongoDB Enterprise Advanced作為新一代金融系統架構的核心平台，打造以「數據即服務（DaaS）」為基礎的數據中臺，為科技防詐、客戶體驗優化以及AI應用奠定堅實的技術底座。

華南銀行副總經理陳晞涵表示：「隨著全球進入數位金融世代，消費者的需求變得更快速且多樣化，我們需要一套能即時回應市場變化的非關聯式資料庫。」華南銀行選擇MongoDB Enterprise Advanced的關鍵原因，在於其具備「彈性資料模型」、「即時查詢效能」以及「API化支援」等特色，能滿足跨情境、多資料格式的應用需求，協助實現「一次建置、多端應用」的DaaS數據中臺。

專案上線後已展現顯著成效，例如搭配「雷神識詐模型」與風險評級雙軌機制，有效將異常交易無效示警案件減少超過80%；在客服語音轉文字儲存與檢索方面，人均產出效率更提升500倍，展現金融科技轉型的強大效益。

另一方面，媒體產業同樣面臨龐大資料的應用挑戰。TNL Mediagene關鍵評論網媒體集團（納斯達克代碼：TNMG）是亞洲次世代數位媒體與數據公司，後端開發總監劉宇烝指出，TNL Mediagene提供中、日、英文原創與授權媒體品牌，隨著業務規模快速成長，既有系統在處理大量資料、全文檢索與資料結構彈性上漸感吃緊。

導入MongoDB Atlas平台後，透過Vector Search via AI，文章搜尋速度提升90%，文件搜尋速度也提升50%，同時大幅提高資料庫靈活性。此外，藉由Multi-Region support的全球部署彈性與低於100毫秒的API延遲時間，TNL Mediagene已為未來國際擴張奠定強韌基礎。

AI驅動現代化MongoDB 8.2與AMP上線

應用程式現代化與AI是企業數位轉型的兩大核心趨勢。MongoDB.local 2025台北站特別邀請MongoDB技術專家揭示全新MongoDB 8.2與MongoDB AMP的強大能力。

新版本在社群版與MongoDB Enterprise Advanced中皆提供原生全文搜尋與向量搜尋功能，大幅加速企業推動AI專案的進程。而AMP平台則能協助企業快速將既有應用程式升級為更具擴充性、符合現代需求的新一代智慧服務。

解決方案架構師經理張冠群指出，AI時代下的資料庫，不僅要存「結構化資料」，還得能處理「向量」、「文本」、「多模態資料」等，才能適用於語義檢索、Agent記憶、狀態儲存等用途。傳統關聯式資料庫在面對快速變動需求時，常常顯得僵硬、不易擴充等，更遑論應用於AI場景之中多樣化的情境。

相較之下，文件模型具備彈性結構、擴充性等優點，自然能滿足AI複雜場景需求。AI應用效率與品質不僅取決於模型本身，也與底層資料庫架構與效能息息相關，除此之外MongoDB結合Voyage AI技術之後， 還能提供其他品牌不及的自動向量化、權重重排序等功能，自然成為最適合AI使用的資料庫。

顧問級解決方案架構師蘇友信進一步說明：「自 MongoDB 8.0問世以來，在資料吞吐量、時間序列存取與系統效能監控方面已展現亮眼表現，在高頻寫入與大規模分析場景下更趨穩健。而MongoDB 8.2特別針對未索引查詢進行優化，尤其在時間序列資料寫入吞吐上有顯著提升。在安全性上，即使資料處於加密狀態，系統仍支援prefix、suffix、substring等加密查詢功能，免除事先解密的繁瑣步驟，兼顧安全性與查詢效率。」他也指出，從此版本起，MongoDB將提供長期支援版本，並採取漸進式版本更新策略，確保跨環境一致性與穩定性。

資深解決方案架構師郭志鵬補充，現今企業打造智慧應用時，普遍採用「Agent Memory + RAG」架構，這代表資料庫已不再只是用來資料儲存與查詢，而是進一步扮演AI agent的「記憶層」，負責維護上下文語境、執行語義搜尋、產生與管理向量嵌入，以及進行結果重排序等任務。

MongoDB與Voyage AI的深度整合，讓開發者能在資料庫直接處理語義檢索與相似度比對，無需另外部署獨立的向量資料庫或集成外部的embedding API，從而顯著降低架構複雜度並提升整體系統的穩定性。

顧問級解決方案架構師Cathlon Lau說，企業在推動應用程式現代化專案時，往往會面臨「業務邏輯分散於 Stored Procedures」、「舊版架構無法維護」、「缺乏測試」、「廠商停止支援」等痛點，以至於專案遲遲無法推動。

MongoDB AMP結合 Agentic AI技術，可自動生成測試案例，檢驗轉換後的程式行為是否與舊系統一致，助企業從老舊系統過渡到現代架構。根據我們內部實際測試資料顯示，部分程式碼轉換速度提升可達10倍以上，整體現代化案平均可加速2~3倍。

從企業痛點出發  MongoDB持續強化搜尋與效能優勢

MongoDB在不斷投入創新研發的同時，也持續蒐集用戶的實際需求與回饋，並針對不同產業的應用情境進行功能優化。

本屆大會上，MongoDB宣布將原先僅限於Atlas雲平台的搜尋與向量搜尋功能，正式擴展至社群版與企業版的自管理產品，讓開發者在更多部署環境中都能享有同樣強大的資料搜尋能力，進一步提升開發與營運的靈活性。

資深顧問工程師吳明宗說，企業內部的資料量從1970年代的MB級，已急速成長到如今的PB甚至EB級，遠遠超過傳統關聯式資料庫的負荷。MongoDB之所以能成為AI專案的理想資料庫，關鍵在於其模型建構方法清晰且具彈性，涵蓋概念模型、邏輯模型與物理模型三個層次。

在概念層中，團隊需先釐清業務需求並辨識實體；邏輯層則著重實體間的資料關聯；最後的物理層則將設計落實為MongoDB的集合與文件結構，打造更具擴充性的資料基礎。

資深解決方案架構師馮嘉昇進一步說明，隨著資料量與使用者規模不斷攀升，效能優化成為企業部署資料庫的關鍵課題。MongoDB總結出十二種常見效能優化模式，幫助開發者針對不同情境制定策略。

首先，企業必須明確定義需求，設定具體且可衡量的效能目標，例如「每秒1萬次更新」；其次，專案團隊需以系統性思維檢視整體架構，因效能瓶頸可能來自CPU、記憶體或IO。透過像Atlas Profiler這樣的瓶頸檢測工具，才能有效定位問題來源並精準調校。

「AI應用能否成功，取決於是否建立統一且高效的資料基礎。」資深解決方案架構師張仁江指出：「MongoDB以單一平台單一API即可同時支援交易資料與向量搜尋資料，結合彈性的文件模型與內建安全機制，大幅降低跨系統整合的複雜度，協助企業快速迭代AI應用。」

他補充，MongoDB也原生支援 LangChain、LangGraph 等熱門架構，並可結合大型語言模型（LLM）與代理工作流程記憶，維持高度的模型無關彈性，避免被單一供應商綁定。

多雲策略強強聯手  打造跨雲生態系

鑑於公有雲服務已成為企業不可或缺的重要後盾，MongoDB Atlas除了不斷投入創新研發，也積極推動多雲策略，與Amazon Web Services、Google Cloud與Microsoft Azure三大雲端平台建立深厚合作夥伴關係，為企業用戶打造跨雲部署的高度靈活性。企業可依據市場特性與用戶需求，採取最合適的營運策略，達成資料在地化、彈性擴展與多元雲架構等目標。

AWS台灣資深合作夥伴解決方案架構師徐任弘指出，近幾年生成式AI正以前所未有的速度普及，2025年的焦點更在於創造實質商業價值。AWS透過Amazon Bedrock、Amazon SageMaker與Amazon Q等完整AI堆疊，協助企業降低導入門檻並提升安全性與擴展性。

其中，Amazon Bedrock為AWS的核心平台，內建Claude、Llama、Titan 、Mistral等多樣化模型，開發者可透過單一API快速存取並依需求客製化。結合 MongoDB Atlas 的 Vector Search 語意檢索與即時資料存取能力，可進一步強化生成式AI的穩定性與精準性。

Google大中華區合作夥伴架構師總監林政君表示，根據Google Cloud最新研究，已有52%企業開始部署 AI Agent。Google Cloud透過Gemini API與Model Garden提供開發者多樣化的模型選擇，並藉由Agent Engine與Agent Development Kit（ADK）打造完整端到端開發與託管平台，簡化AI Agent的設計、部署與監控流程。

MongoDB則能與BigQuery、Pub/Sub、Dataflow等服務無縫整合，讓企業同時兼顧即時與批次資料流動，並強化資料安全與治理。這種最佳組合讓企業不僅能快速建立資料管道，還能將AI能力應用於客戶服務、自動化決策與營運優化。

隨著AI與應用程式現代化浪潮席捲全球，MongoDB憑藉靈活的文件模型、強大的搜尋與向量處理能力，以及與三大雲平台的深度合作，已成為企業加速創新、邁向數位未來的重要基石。