MDB：AI Going Back On Offense
花旗观点
我们正重新审视MongoDB的长期投资逻辑，因为投资者仍在激烈争论它与AI的相关性及竞争压力。更宏观地看，我们的深度研究显示，MDB可能比市场共识更像“AI赢家”。它在新兴AI初创企业中的渗透率已不容小觑（虽仍有提升空间），且无论SaaS被AI颠覆的辩论结果如何，应用开发/现代化加速都会成为其顺风。我们提前开启90天“正面催化剂观察”，等待三季度财报、CEO在花旗TMT大会演讲以及9月分析师日/用户大会。我们预计营收与利润预期将获上调，投资者对MongoDB的AI地位、竞争力和财务势头的信心也会增强，尤其是在新任CFO到位、公司可能给出高于市场预期的中期利润率与增长目标之后。
AI原生技术栈“拆解”显示其渗透超预期
不少投资者认为MongoDB在AI时代无关紧要（更看好PostgreSQL）。我们拆解了新兴AI公司的技术栈，看它们到底用什么数据库。虽然PostgreSQL热度上升，但MongoDB仍具相当存在感。我们抽样约75家AI公司，其中50家明确使用PostgreSQL或MongoDB；在这50家里，可验证有22家正在使用MongoDB。
无论SaaS辩论结局如何，MongoDB几乎“稳赢”
应用软件正面临结构性甚至“生死存亡”的争论，但MongoDB的收入模式绑定的是数据量/消费量，而非席位或UI/UX，因此在几乎所有情境下都能中立受益。
管理层转向进攻，催化剂密集到来
我们新增90天正面催化剂观察：即将发布的季报、CEO在花旗TMT大会演讲、以及9月中旬在纽约举行的MDB.Local投资者日。我们预计公司将披露AI业务进展与财务目标。最新13-F文件显示，ValueAct在二季度新建仓MDB。
花旗银行在报告中从数据模型适配性、性能表现、扩展性能力、AI 技术整合、开发者生态与工具链五大核心维度，结合实际测试数据与客户案例，系统评估了 MongoDB 的技术优势，具体分析如下：
一、灵活的文档模型：适配 AI 时代非结构化数据需求
MongoDB 的文档型 NoSQL 架构是其核心技术基石，花旗认为这一模型天然适配 GenAI 场景中 “非结构化数据占比高、数据格式动态变化” 的特点：
可直接存储 JSON/BSON 格式数据（如 LLM 生成的文本、用户交互日志、多模态内容元数据），无需像 PostgreSQL（关系型数据库）那样预先定义固定 schema，减少数据格式转换的复杂度与损耗；对 AI 应用中常见的 “半结构化数据更新”（如实时调整 LLM 提示词模板、用户偏好标签迭代）支持更灵活，无需频繁修改表结构，降低开发与运维成本。
花旗以 Comcast 案例佐证：Comcast 迁移至 MongoDB 后，借助其文档模型快速处理 Xfinity X1 平台的个性化内容元数据，实现亚秒级响应，而此前 PostgreSQL 因结构化数据约束无法满足低延迟需求。
二、性能优势：高并发、大 payload 场景显著领先
花旗通过第三方测试数据与客户反馈，重点强调 MongoDB 在高吞吐量实时读写、大体积数据（大 payload）处理中的性能优势，尤其针对 GenAI “实时推理” 场景的核心需求：
大 payload 数据处理效率：引用 Houlihan 测试结果，在处理包含 200 个属性、4000 字节的大体积数据时：插入性能：PostgreSQL 使用 JSON 格式需 17.5 秒、JSONB 格式需 37.2 秒，而 MongoDB 仅需 1 秒；读取性能：PostgreSQL 使用 JSON 格式需 27.8 秒、JSONB 格式需 53.8 秒，MongoDB 仅需 8.4 秒；
花旗指出，这种性能差距源于 MongoDB 的文档存储架构对非结构化数据的原生优化，而 PostgreSQL 需通过扩展（如 JSONB）适配，存在架构层面的性能损耗。高并发场景稳定性：GenAI 应用从 PoC 走向生产后，会面临 “每一次 LLM 查询、图像生成都需实时读写上下文数据” 的高并发需求。花旗对比 PostgreSQL 的局限（如 Reddit 反馈的 “真空机制瓶颈”“索引膨胀” 导致高并发下性能下降），强调 MongoDB 的无锁架构与分布式读写分离设计，能支撑百万级并发用户的实时数据交互（如 Epic Games 用其支撑 Fortnite 的实时 matchmaking 数据，解决 PostgreSQL 的并发写入瓶颈）。
三、水平扩展能力：支撑 AI 应用规模化增长
花旗认为，MongoDB 的水平扩展技术是其区别于传统数据库（含 PostgreSQL）的关键优势，尤其适配 AI 应用从 “初创期小体量” 到 “成长期大规模” 的快速迭代：
支持 “分片集群” 部署，可通过添加节点线性扩展存储与计算能力，无需像 PostgreSQL 那样依赖单实例垂直扩容（易触达硬件上限）；全球集群功能支持多区域部署，降低跨地域 AI 服务的延迟（如 Epic Games 通过 MongoDB 全球集群，为不同地区的 Fortnite 玩家提供低延迟数据访问）；花旗以客户迁移案例佐证：Epic Games 因 PostgreSQL 无法应对玩家数据的并发写入与跨区域扩展需求，迁回 MongoDB 后，成功支撑数百万并发玩家的实时数据处理，且运维成本降低。
四、AI 技术整合：强化 RAG 与 Agentic 应用能力
花旗高度认可 MongoDB 通过战略收购与产品迭代构建的 AI 技术闭环，认为这使其从 “通用数据库” 升级为 “AI 原生数据平台”：
Voyage AI 收购的技术增益：收购 Voyage AI 后，MongoDB 整合了其领先的 “嵌入模型” 与 “重排序模型”，强化对 Retrieval Augmented Generation（RAG）场景的支持 —— 可更精准地从非结构化数据中检索上下文，提升 LLM 回答的准确性；同时支持 Agentic 应用（AI 代理）的 “状态保存” 需求，适配 AI 代理迭代式处理任务的场景。获得 AI 巨头认可：Anthropic（知名 AI 模型厂商）将 Voyage 列为 MongoDB 的 “首选嵌入模型”，花旗认为这印证了 MongoDB AI 技术的行业认可度，也使其在 AI 客户竞争中具备差异化优势（即使客户使用其他数据库，也可能因 Voyage 模型选择 MongoDB）。Vector Search 功能：MongoDB 原生的 Vector Search 功能可直接处理 AI 场景中的向量数据（如图像、文本嵌入向量），无需依赖第三方插件，简化 AI 应用的技术栈（对比 PostgreSQL 需依赖 pgvector 扩展，兼容性与性能存在局限）。
五、开发者生态与工具链：降低技术落地门槛
花旗指出，MongoDB 的开发者友好性与完善工具链是其技术优势的 “放大器”，能加速 AI 企业的技术落地：
活跃的开源社区：GitHub 数据显示，MongoDB 的 “周提交量” 持续超过 PostgreSQL，说明开发社区活跃度更高，技术迭代速度更快（如快速响应 AI 场景的新需求）；2025 年 StackOverflow 调查中，MongoDB 仍位列 Top 5 “最受喜爱数据库”，开发者忠诚度显著。迁移工具简化升级：推出 Relational Migrator 工具，集成 AI 功能（类似 Cognition 的 Devin），可自动化完成从传统关系型数据库（如 PostgreSQL、MySQL）到 MongoDB 的迁移，降低企业现代化门槛 —— 花旗观察到，该工具推动 MongoDB 的 “迁移动量回升”，专业服务收入连续季度增长，印证工具链的实际价值。完善的 AI 开发支持：通过 MAAP 计划（AI 初创企业合作计划）提供专属技术支持，帮助 AI 初创企业快速上手 MongoDB 的 AI 相关功能（如 Vector Search、Voyage 模型集成），目前已有约 8000 家 AI 初创企业使用其技术，形成 “开发者 - 生态” 正向循环。