RAG 檢索增強

1. 3 秒看懂

RAG 是把企業私有知識、網頁索引或資料庫記錄先檢索再餵給大型模型，核心目標是在 1 次回答中降低幻覺、提高可追溯性，並把 2026 年 AI 應用預算從“純模型呼叫”遷移到“資料底座 + 檢索 + 重排”。123

投資上，RAG 不是 1 個單獨軟體品類，而是 3 個營收池疊加：向量庫/搜尋引擎、資料雲端/資料庫、雲端廠商 AI Search 與託管 RAG；Elastic、MongoDB、Snowflake、Microsoft、Cloudflare 等 5 類平台都在爭同一條企業知識入口。24567

技術上，2026 年主線已從“只做向量相似度”轉向“BM25/關鍵詞 + 向量 + 後設資料過濾 + rerank”，反證指標是混合檢索的 Recall@K 或答案引用命中率連續 2 個季度低於純關鍵詞搜尋。389

2. 3 分鐘產業解釋

RAG 的基本流程是把文件切成 chunk、用 embedding 模型變成 1536 維或 3072 維向量、寫入向量索引，再在使用者提問時做相似度檢索、關鍵詞檢索、權限過濾和 rerank，最後把 Top-K 證據放進 LLM 上下文視窗生成答案。110 OpenAI 官方文件顯示 text-embedding-3-small 預設 1536 維、text-embedding-3-large 預設 3072 維，這使儲存成本、索引記憶體和檢索延遲成為 RAG 專案的第 1 層成本函式。10

企業採用 RAG 的直接原因有 3 個：第一，模型訓練截止日和企業私有資料之間存在時間差；第二，法律、客服、程式碼、投研等場景要求 1 條回答對應 1 組可點選證據；第三，微調 1 個模型無法覆蓋每天更新的權限、價格、合同和工單。1611 MongoDB 2025 年揭露的 IDC 調研口徑顯示，超過 74% 的組織計劃在 agentic AI 工作流中使用整合向量資料庫，該數字說明向量檢索已從實驗元件轉向企業資料平台採購項，但它來自公司新聞稿引用的 IDC 調研，本文按 B 級處理。4

RAG 的產業化瓶頸不是“有沒有向量庫”，而是“檢索出來的 5-20 個 chunk 是否真的能支撐答案”。Snowflake Cortex Search、Azure AI Search、Elastic 和 MongoDB 都把混合檢索寫進官方文件，原因是純向量檢索容易漏掉 SKU、錯誤碼、合同編號和專有名詞，純 BM25 又容易漏掉同義表達和語義相關段落。2358 因此 2026-2028 年財報兌現更可能落在既有搜尋、資料庫和資料雲端廠商的附加消費，而不是隻落在獨立向量庫初創公司的 ARR。6121314

3. 15 分鐘專家深入

RAG 的價值鏈可以拆成 7 層：資料接入、解析切分、embedding、向量/關鍵詞索引、檢索融合、rerank、生成與評測。123 每層都有不同的營收歸屬：資料接入和權限治理歸 Microsoft/Snowflake/Databricks 類平台，索引和檢索歸 Elastic/MongoDB/Pinecone/pgvector 類系統，rerank 歸 Cohere/OpenAI/雲端廠商模型服務，生成歸 OpenAI/Anthropic/Microsoft/AWS/Google 等模型平台。2568910

企業 RAG 專案的第 1 個可計算口徑是 RAG 年化營收 = 知識庫使用者數 × 月查詢數 × 每次檢索成本 + 索引資料量 × 儲存/計算單價 + rerank 次數 × rerank 單價。1910 公開資料通常揭露公司總營收、雲端營收或產品營收，卻很少揭露 RAG 單獨營收、向量索引資料量、rerank 呼叫量和企業查詢數，因此本文把公司總營收與產品能力用 A/B 級來源支撐，把 RAG attach rate、RAG 營收和估值貢獻標為情景推算。612131415

第 2 個可計算口徑是質量閉環：答案准確率 = 檢索召回率 × rerank 命中率 × 引用約束 × 模型遵循率。389 Microsoft 公開白皮書顯示，在其測試集合中 Hybrid + Semantic Ranker 新版平均分達到 71.1，高於 Text only 的 42.6 和 Vector 的 45.1；這不是全行業標準測試，但足以說明“向量庫單點”不是 RAG 質量上限，混合檢索和語義重排才是企業級答案質量的主戰場。8

第 3 個投資口徑是平台替代：如果 RAG 被資料庫、搜尋引擎和資料雲端原生吸收，獨立向量庫的價值會從“主資料庫”下沉為“索引能力”；如果企業需要跨 5 個以上資料來源、毫秒級相似度檢索和專用召回調參，獨立向量庫仍能維持開發者心智和高效能溢價。467 2026 年最硬的驗證指標不是 GitHub demo 數量，而是 3 個財務指標：Elastic Cloud 佔比、MongoDB Atlas 增速、Snowflake product revenue 與 Microsoft Azure AI Search 消費是否同步高於公司平均增速。12131416

4. 技術原理

RAG 的底層數學是把文本、圖片或程式碼對映到向量空間，再用餘弦相似度、點積或歐氏距離找到 Top-K 近鄰；OpenAI text-embedding-3-small 預設 1536 維、text-embedding-3-large 預設 3072 維，向量維度每提高 2 倍通常會帶來更高儲存、記憶體頻寬和索引建置成本。10 向量索引常見路線包括 HNSW、IVF、PQ 和 brute-force ENN，MongoDB 官方文件揭露 Atlas Vector Search 支援 ANN 與 ENN，且 ANN 使用 HNSW 演算法。4

生產級 RAG 通常採用 2 階段或 3 階段檢索：第 1 階段用 BM25/關鍵詞找精確詞、第 2 階段用向量找語義相近段落、第 3 階段用 cross-encoder 或語義 reranker 對 20-100 個候選結果重排成 5-10 個證據 chunk。389 Cohere 官方文件把 rerank-v3.5 定位為文件和半結構化 JSON 的重排模型，Pinecone 文件也建議對合並去重後的候選結果使用託管 reranking 模型再返回 Top-10，這說明 rerank 已從可選最佳化變成企業 RAG 的常規元件。917

技術瓶頸有 4 個量化維度：chunk 長度、Top-K 數量、權限過濾複雜度和端到端延遲。1258 Snowflake 建議 Cortex Search 的搜尋文本 chunk 不超過 512 tokens，Azure AI Search 支援在同一請求中組合 text query 與 vector query，Elastic 文件支援 BM25 與 vector 通過 RRF 融合，這 3 個官方口徑共同指向“檢索質量優先於單一向量維度”。235

5. 上游依賴 / 下游影響

上游依賴：

• Embedding 模型：1536 維與 3072 維決定索引儲存、記憶體頻寬和召回質量的第 1 個權衡，OpenAI 2024 年釋出的 2 個 embedding-3 模型仍是 2026 年企業 RAG 常用基準之一。10
• 搜尋/資料庫核心：Elastic 的 BM25 + vector + RRF、MongoDB 的 $vectorSearch 與 $rankFusion、Snowflake Cortex Search 的 hybrid + rerank，分別代表搜尋引擎、文件資料庫和資料雲端 3 條路線。2345
• 權限與治理：Microsoft 365、SharePoint、Snowflake RBAC 和 MongoDB Atlas 權限若不能在檢索階段過濾，RAG 在金融、醫療和法務場景的上線機率會下降 50% 以上的情景權重。6818
• GPU/CPU 推論：rerank 與生成會把每次問題從 1 次向量查詢擴充套件為 1 次檢索 + 1 次重排 + 1 次 LLM 生成，若每千次答案毛利低於 0，免費或低價 RAG 功能會被限流。910

下游影響：

• 對企業軟體，RAG 把知識庫、客服、BI、程式碼庫和合同庫從“搜尋框”升級為“可追問答案”，2026 年驗證項是每席位 ARPU 是否因 AI add-on 提升 10%-30% 的情景區間。6818
• 對資料庫廠商，RAG 把向量索引變成 Atlas、Elasticsearch、Snowflake、Postgres 和 Redis 的標準工作負載，反證指標是客戶仍把 80% 以上新向量資料放在獨立向量庫而非主資料庫。4567
• 對模型廠商，RAG 降低微調和長上下文的替代壓力，但會增加 embedding、rerank 和 generation 的組合呼叫量，營收方向從單次 chat completion 變成多 API 編排。910
• 對資料安全廠商，RAG 增加資料洩露、越權檢索和引用汙染風險，2026-2028 年會推高 AI gateway、DLP、審計日誌和權限同步需求。718

6. 技術路線對比表

路線	速率 / 吞吐	功耗 / 成本	距離或維度	標準成熟度	量產機率 2026	主要受益公司	反證指標
純向量檢索	Top-K ANN 毫秒級到百毫秒級，取決於索引和過濾條件4	儲存成本隨 1536/3072 維和副本數上升10	1536 維或 3072 維為常見 OpenAI 基準10	MongoDB、Pinecone、Cloudflare Vectorize 已產品化4717	80%	MongoDB、Pinecone、Cloudflare、Postgres 生態	若精確詞、SKU、合同編號召回低於 BM25 10 個百分點，純向量路線被削弱38
BM25/關鍵詞檢索	倒排索引成熟，單查詢延遲低於多階段 RAG 的情景機率較高3	CPU/儲存成本低於 embedding + rerank 組合3	關鍵詞、欄位、權限過濾 3 個維度3	Elasticsearch 和 Azure AI Search 已成熟38	90%	Elastic、Microsoft、OpenSearch 生態	若同義詞和長問題 Recall@K 低於向量檢索 10 個百分點，純關鍵詞路線被削弱8
混合檢索 + RRF	1 次查詢同時跑 text 與 vector，再用 RRF 合併35	成本約為單路檢索的 1.5-2.5 倍情景區間19	BM25 分數 + 向量相似度 + 後設資料過濾35	Elastic、MongoDB、Azure、Snowflake 均有官方能力2358	85%	Elastic、MongoDB、Microsoft、Snowflake	若生產評測中 Hybrid Recall@10 不高於單路檢索 5 個百分點，融合複雜度不成立819
混合檢索 + rerank	先召回 20-100 條，再重排 5-10 條917	增加 rerank 推論費用和 100-500ms 情景延遲919	文件、JSON、半結構化資料均可重排9	Cohere、Pinecone、Snowflake、Azure 已產品化或文件化28917	75%	Cohere、Microsoft、Snowflake、Pinecone	若 rerank 後引用命中率不提升或延遲超過 SLA 2 倍，重排付費率下降919
GraphRAG / 結構化 RAG	先抽實體關係再檢索，吞吐低於普通 Top-K 情景機率較高18	圖建置和實體對齊成本高於普通 chunk indexing18	節點、邊、路徑、權限 4 個維度18	Microsoft 等廠商有參考架構，標準仍早期18	35%	Microsoft、Neo4j、TigerGraph、資料治理廠商	若結構化關係抽取錯誤率高於 10%，法律和金融場景上線節奏後移1819

7. 關鍵指標

• 檢索召回率：按 Recall@5、Recall@10 和引用命中率月度追蹤，若混合檢索較純向量或純 BM25 提升低於 5 個百分點，RAG 專案 ROI 會下降。819
• 端到端延遲：按 P50/P95 追蹤檢索、rerank、生成 3 段耗時，若 P95 超過 3 秒且業務是客服或搜尋，使用者轉化率會顯著承壓的方向判斷成立。919
• 每千次答案毛利：用 檢索營收 + AI add-on 營收 - embedding - vector DB - rerank - LLM 生成 計算，若 2027 年仍為負，免費 RAG 功能會被限額。91019
• RAG attach rate：用 啟用 RAG 的企業客戶 / AI 客戶 計算，公開口徑不足，需從 Elastic Cloud、MongoDB Atlas、Snowflake Cortex、Azure AI Search 消費增速側面驗證。612131416
• 索引資料規模：用向量條數、維度、更新頻率和副本數追蹤，OpenAI 1536/3072 維基準使 1 億條文件的儲存和重建成本成為預算約束。1019
• 權限過濾命中率：用越權召回率和缺失召回率追蹤，若 1 次越權證據進入答案，金融和醫療場景會把 RAG 從生產退回試點。1819
• 客戶擴張訊號：Elastic FY2025 revenue 15.02 億美元、MongoDB FY2026 revenue 20.5 億美元、Snowflake FY2026 product revenue 47.2 億美元分別是 RAG 相關平台擴張的 3 個基數。121314

8. 可算傳導表

模型口徑：RAG 單獨營收缺少 A/B 級公開揭露，所以下表把 A/B 級公司營收基數與 RAG attach rate 情景拆開；所有 RAG TAM、出貨、ASP、份額和毛利貢獻均為情景推算，不作為公司展望。12131419

驅動變數	Elastic / Elasticsearch	MongoDB / Atlas Vector Search	Snowflake / Cortex Search	來源/公式
TAM 基數	FY2025 revenue 15.02 億美元	FY2026 revenue 20.5 億美元	FY2026 product revenue 47.2 億美元	121314
RAG 可服務 TAM	4.51 億美元 = 15.02 × 30%	5.13 億美元 = 20.5 × 25%	9.44 億美元 = 47.2 × 20%	情景推算，搜尋/資料庫/資料雲端中可被 RAG attach 的工作負載19
出貨 / 呼叫量	9.0 億次企業檢索年化 = 4.51 億 / 0.50 美元	8.5 億次企業檢索年化 = 5.13 億 / 0.60 美元	11.8 億次企業檢索年化 = 9.44 億 / 0.80 美元	ASP 為每 1,000 次檢索等效營收情景19
ASP / monetization	0.50 美元 / 1,000 次檢索等效	0.60 美元 / 1,000 次檢索等效	0.80 美元 / 1,000 次檢索等效	情景推算，含索引、計算和平台附加費19
份額	22% 企業搜尋 RAG 份額情景	18% 開發者資料庫 RAG 份額情景	20% 資料雲端 RAG 份額情景	情景推算，非公司揭露19
2026E RAG 營收	0.99 億美元 = 4.51 × 22%	0.92 億美元 = 5.13 × 18%	1.89 億美元 = 9.44 × 20%	情景推算19
毛利率	76% FY2025 gross margin 代理	73% FY2026 gross margin 代理	72% FY2026 product gross margin 代理	121314
毛利貢獻	0.75 億美元 = 0.99 × 76%	0.67 億美元 = 0.92 × 73%	1.36 億美元 = 1.89 × 72%	情景推算19
稅後淨利貢獻	0.34 億美元 = 0.75 × 45%	0.30 億美元 = 0.67 × 45%	0.61 億美元 = 1.36 × 45%	稅後轉化率情景19
PE 口徑	N/M，2026-05-27 16:00 EDT 美元收盤，TTM EPS 口徑	N/M，2026-05-27 16:00 EDT 美元收盤，TTM EPS 口徑	N/M，2026-05-27 16:00 EDT 美元收盤，TTM EPS 口徑	20
估值貢獻	8.5 億美元 = 0.34 × 25x 情景倍數	9.0 億美元 = 0.30 × 30x 情景倍數	21.4 億美元 = 0.61 × 35x 情景倍數	因 TTM PE 為 N/M，使用情景倍數並標 C 級模型1920

敏感性：若 RAG attach rate 比中性情景高 10 個百分點，Elastic、MongoDB、Snowflake 的 2026E RAG 營收分別增加約 0.45 億、0.51 億、0.94 億美元；若每 1,000 次檢索等效 ASP 下滑 25%，毛利貢獻會在相同呼叫量下同步下滑 25%。19

9. 同業硬指標對比表

公司	營收	增速	GM	淨利	FCF margin	客戶集中度	技術代際	PE TTM	反證條件
Elastic（ESTC）	FY2025 revenue 15.02 億美元12	FY2025 revenue +18%12	FY2025 GAAP gross margin 約 76%12	FY2025 仍為 GAAP 淨虧損方向12	FY2025 adjusted FCF margin 約 18%12	未按 RAG 客戶揭露，企業搜尋客戶分散12	BM25 + vector + RRF + semantic rerank3	N/M，2026-05-27，美元，TTM EPS20	Elastic Cloud 增速低於總營收 5 個百分點且 RAG attach 未揭露12
MongoDB（MDB）	FY2026 revenue 20.5 億美元13	FY2026 revenue +23%13	FY2026 gross margin 73% 附近13	FY2026 GAAP 淨虧損方向13	FY2026 FCF 約 1.77 億美元，margin 約 8.6%13	未按向量搜尋客戶揭露13	Atlas Vector Search、Hybrid Search、Voyage AI embedding/rerank4521	N/M，2026-05-27，美元，TTM EPS20	Atlas Vector Search 未轉化為 Atlas 增速或客戶擴張13
Snowflake（SNOW）	FY2026 product revenue 47.2 億美元14	FY2026 product revenue +30%14	FY2026 product gross margin 72%14	FY2026 GAAP operating loss 14.35 億美元14	FY2026 adjusted FCF margin 23%14	大客戶高集中度較低，RPO 97.7 億美元代表企業擴張14	Cortex Search hybrid + semantic rerank2	N/M，2026-05-27，美元，TTM EPS20	Cortex Search 無法提高產品消費或客戶留存214
Datadog（DDOG）	FY2025 revenue 34 億美元15	FY2025 revenue +28%15	FY2025 gross margin 80%15	FY2025 GAAP net income 1.08 億美元15	FY2025 FCF 9.15 億美元，margin 約 27%15	未按 AI/RAG 產品揭露，客戶分散15	Observability + Bits AI，RAG 暴露偏下游應用15	高倍數，2026-05-27，美元，price/EPS20	AI assistant 不能提升平台席位和使用量15
Cloudflare（NET）	FY2025 revenue 21.68 億美元16	FY2025 revenue +31.5%16	FY2025 GAAP gross margin 74.5%16	FY2025 GAAP 淨虧損方向16	FY2025 FCF 2.875 億美元，margin 13.3%16	大客戶 > 10 萬美元 ARR 為 4,000+ 量級16	Vectorize + Workers AI + AutoRAG722	N/M，2026-05-27，美元，TTM EPS20	Vectorize/AutoRAG 不能帶動 Workers AI 消費716
Microsoft（MSFT）	FY2025 revenue 2817.24 億美元[MSFT]23	FY2025 revenue +15%[MSFT]23	FY2025 gross margin 68.82%[MSFT]23	FY2025 net income 1018.32 億美元[MSFT]23	FY2025 FCF margin 約 38%[MSFT]23	企業客戶分散，Azure/M365 入口強23	Azure AI Search hybrid + semantic ranker8	約 24.6x，2026-05-27，美元，price/EPS20	Azure AI Search 不能拉動 Azure AI 消費或 M365 Copilot 留存823

10. 投資邏輯 + 業績傳導

RAG 的投資主線是“企業資料資產被模型重新呼叫”，因此受益順序通常是資料所在平台先於獨立工具：Microsoft 擁有 M365/SharePoint 與 Azure AI Search，Snowflake 擁有資料雲端與 Cortex Search，MongoDB 擁有開發者資料庫與 Atlas Vector Search，Elastic 擁有企業搜尋與日誌檢索基礎。2348 如果企業把 60% 以上私有知識繼續留在既有資料庫和資料雲端，RAG 會提高這些平台的消費強度；如果跨源檢索和專用調參成為主流，獨立向量庫和 rerank API 的營收彈性會更高。7917

財報驗證應看 3 條線：第一，搜尋/資料庫公司的 AI 產品是否提高 net expansion 或雲端營收增速；第二，RAG 是否把 embedding、vector storage、rerank 和 LLM generation 打包為可計費用量；第三，企業是否願意為引用質量和權限治理支付 10%-30% 的 AI add-on 溢價。68121314 估值上，N/M 或高 PE 的軟體股不能只用“RAG 概念”重估，必須看到 RAG 營收 × 毛利率 × 淨利轉化率 的可審計橋接。1920

企業知識庫 / 工單 / 合同 / 程式碼資料增長
        ↓
chunking + embedding + 向量/關鍵詞索引
        ↓
混合檢索召回 × rerank 命中率
        ↓
RAG 查詢量 × 每千次檢索等效 ASP
        ↓
平台營收 × 毛利率 - 推論/索引/重排成本
        ↓
稅後淨利 × PE = 估值貢獻

11. 常見誤讀糾偏

誤讀 1：RAG 等於買 1 個向量資料庫

實際情況：向量庫只是 7 層 RAG 棧中的 1 層，企業上線還需要解析、權限過濾、BM25/關鍵詞、後設資料過濾、rerank、引用校驗和監控評測；Elastic、MongoDB、Snowflake、Azure 都把 hybrid 或 rerank 寫成官方能力，說明單一向量相似度不是生產閉環。2348

證據：Snowflake Cortex Search 預設結合 vector、keyword 和 rerank，Azure AI Search 支援 hybrid query 與 semantic ranker，Elastic 支援 BM25 與 vector 的 RRF 融合。238

誤讀 2：RAG 一定能消滅大型模型幻覺

實際情況：RAG 只能把 5-20 個證據 chunk 放到上下文中，若檢索召回錯、權限過濾漏、rerank 排錯或模型不遵循引用，答案仍會幻覺；因此關鍵 KPI 是引用命中率和人工評測通過率，而不是“是否接了向量庫”。1819

證據：Microsoft 白皮書顯示 hybrid + semantic ranker 在測試集合中顯著高於 text only 和 vector，但該提升來自檢索與重排組合，不是來自單一 embedding 維度。8

誤讀 3：長上下文模型會讓 RAG 消失

實際情況：長上下文能減少檢索步驟，但 100 萬 token 級上下文仍要面對權限、時效、成本和引用可追責 4 個問題；RAG 的經濟價值在於先篩出 5-10 個高相關證據，而不是把 1 個企業知識庫全部塞進上下文。11019

證據：OpenAI embedding 模型、Snowflake 512-token chunk 建議和 Cohere rerank 文件都表明企業仍在用“小片段召回 + 重排 + 生成”的 3 段式架構。2910

12. 最新事件

• [已發生] 2024-01-25：OpenAI 釋出 text-embedding-3-small 與 text-embedding-3-large，預設維度分別為 1536 和 3072，成為 2024-2026 年 RAG embedding 常用基準之一。10
• [已發生] 2024-2025：Snowflake Cortex Search 文件明確採用 hybrid retrieval 與 semantic reranking，並建議搜尋文本 chunk 不超過 512 tokens。2
• [已發生] 2025-04-10：AWS Bedrock Knowledge Bases 宣佈對 Aurora PostgreSQL 與 MongoDB Atlas vector stores 支援 hybrid search，顯示雲端廠商把 RAG 檢索能力繼續下沉到資料庫連線層。24
• [已發生] 2025-09-17：MongoDB 擴充套件 Search 與 Vector Search 到 self-managed 預覽，並引用 IDC 調研稱超過 74% 組織計劃在 agentic AI 工作流中使用整合向量資料庫。4
• [展望] 2026-02-25：Snowflake FY2026 業績揭露 product revenue 47.2 億美元、RPO 97.7 億美元、adjusted FCF margin 23%，Cortex Search 的營收彈性應在產品消費和 RPO 中驗證而非單獨假設。14
• [行業預測] 2026-2028：本文中性情景假設企業 RAG attach rate 每年提升 5-10 個百分點，但公開 A/B 級資料尚未揭露統一 RAG 營收口徑，需用公司後續 AI 產品揭露補強。19

13. 來源 footnotes

1 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al. / arXiv — 2020 — https://arxiv.org/abs/2005.11401 — (A)

2 Cortex Search Overview — Snowflake Documentation — 2026 訪問 — https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-search/cortex-search-overview.html — (B)

3 Ranking and reranking: hybrid search, BM25, vector search and RRF — Elastic Documentation — 2026 訪問 — https://www.elastic.co/docs/solutions/search/ranking — (B)

4 MongoDB Extends Search and Vector Search Capabilities to Self-Managed Offerings — MongoDB — 2025-09-17 — https://investors.mongodb.com/news-releases/news-release-details/mongodb-extends-search-and-vector-search-capabilities-self — (B)

5 How to Perform Hybrid Search — MongoDB Atlas Documentation — 2026 訪問 — https://www.mongodb.com/docs/atlas/atlas-vector-search/hybrid-search/ — (B)

6 MongoDB Vector Search Overview — MongoDB Documentation — 2026 訪問 — https://www.mongodb.com/docs/atlas/atlas-vector-search/vector-search-overview/ — (B)

7 Cloudflare Vectorize: Vector Database for RAG Applications — Cloudflare — 2026 訪問 — https://www.cloudflare.com/products/vectorize/ — (B)

8 Raising the bar for RAG excellence with Azure AI Search — Microsoft — 2024 — https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/final/en-us/microsoft-brand/documents/ai-search-query-engine-performance-whitepaper.pdf — (B)

9 Cohere Rerank Model Documentation — Cohere — 2026 訪問 — https://docs.cohere.com/v2/docs/rerank — (B)

10 Vector embeddings and text-embedding-3 model dimensions — OpenAI API Documentation — 2026 訪問 — https://platform.openai.com/docs/guides/embeddings — (B)

11 New embedding models and API updates — OpenAI — 2024-01-25 — https://openai.com/index/new-embedding-models-and-api-updates/ — (B)

12 Elastic FY2025 Annual Report and Q4 FY2025 Results — Elastic / SEC / BusinessWire — 2025 — https://www.sec.gov/Archives/edgar/data/1707753/000170775325000037/annualreport-fiscalyear2025.pdf — (A)

13 MongoDB FY2026 Form 10-K and annual results — MongoDB / SEC — 2026 — https://www.sec.gov/Archives/edgar/data/1441816/000162828026016799/ — (A)

14 Snowflake Reports Fourth Quarter and Full-Year Fiscal 2026 Results — Snowflake — 2026-02-25 — https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2026/ — (A)

15 Datadog FY2025 Form 10-K and annual results — Datadog — 2026-02-18 — https://investors.datadoghq.com/static-files/5b3df1c8-8a56-4bee-8b2d-2e2f70239c36 — (A)

16 Cloudflare Announces Fourth Quarter and Fiscal Year 2025 Financial Results — Cloudflare — 2026-02-10 — https://cloudflare.net/files/doc_financials/2025/q4/Q4-25-Exhibit-99-1_FINAL.pdf — (A)

17 Hybrid Search and Rerank Results — Pinecone Documentation — 2026 訪問 — https://docs.pinecone.io/guides/search/hybrid-search — (B)

18 GraphRAG: From Local to Global Knowledge Discovery — Microsoft Research — 2024 — https://www.microsoft.com/en-us/research/project/graphrag/ — (B)

19 本文 RAG 營收、attach rate、呼叫量、ASP、毛利與估值情景模型 — 基於 2-18 的情景推算 — 2026-05-28 — internal model — (C)

20 ESTC/MDB/SNOW/DDOG/NET/MSFT market data snapshot — finance snapshot, 2026-05-27 16:00 EDT close; USD; PE = price / TTM EPS, N/M for negative TTM EPS — 2026-05-28 訪問 — market data aggregator — (C)

21 MongoDB Acquires Voyage AI — MongoDB — 2025-02 — https://www.mongodb.com/company/blog/product-release-announcements/mongodb-acquires-voyage-ai — (B)

22 Introducing AutoRAG: fully managed Retrieval-Augmented Generation on Cloudflare — Cloudflare Blog — 2025 — https://blog.cloudflare.com/introducing-autorag-on-cloudflare/ — (B)

23 Microsoft FY2025 Annual Report — Microsoft — 2025 — https://www.microsoft.com/investor/reports/ar25/index.html — (A)

24 Amazon Bedrock Knowledge Bases supports hybrid search for Aurora PostgreSQL and MongoDB Atlas vector stores — AWS — 2025-04-10 — https://aws.amazon.com/about-aws/whats-new/2025/04/amazon-bedrock-knowledge-bases-hybrid-search-aurora-postgresql-mongo-db-atlas-vector-stores/ — (B)