广发证券：AI推理RAG向量数据库推动SSD需求增长 建议关注产业链核心受益标的

　　广发证券发布研报称，RAG架构为大模型提供长期记忆，企业和个性化需求推动了对RAG存储需求的增长。AI推理中的RAG向量数据库存储介质正在从“内存参与检索”向“全SSD存储架构”过渡，推动高带宽、大容量SSD的需求将持续增加。建议关注产业链核心受益标的。

　　广发证券主要观点如下：

　　 RAG为大模型提供“长期记忆”，企业&个性化需求推动RAG需求增长

　　在RAG(检索增强生成)架构中，LLM(大语言模型)在生成响应前，先向向量数据库发起查询，其中向量数据库作为连接用户查询与外部知识的关键中枢，负责高效存储、管理和检索高维向量化的知识表示，从而提升生成结果的准确性和时效性。从企业侧看，RAG正逐步渗透至在线场景(电商、Web搜索等)、离线场景(企业、法律、工程研究等)。从个人侧看，个性化RAG保留用户长期记忆、偏好与上下文信息，形成“用户级向量空间”，显著推高RAG需求增长。

　　 AI推理RAG向量数据库推动SSD需求增长

　　向量数据库存储介质需承载大规模向量数据及索引结构，要求支持高吞吐和低时延，以满足高并发场景下的相似度检索需求。目前向量数据库存储介质正在从“内存参与检索”走向“全SSD存储架构”。根据《All-in-storage ANNSAlgorithms Optimize VectorDBUsability within aRAGSystem》以KIOXIAAiSAQ为例，向量、PQ量化结果及索引统一存储于SSD，10B级向量规模所需SSD容量为11.2TB，其中PQVectors占1.28TB，索引占10TB。在采用TLC/QLCSSD下，AiSAQ相较于DiskANN介质成本具备4-7倍的成本优势;此外，AiSAQ所有租户处于激活状态，租户可直接开始查询，不存在必须先从SSD加载到DRAM后才能开始查询的“冷启动”延迟，提升RAG系统的规模化扩展能力与经济可行性。

　　火山引擎TOSVectors开启向量存储新范式，对SSD需求提高

　　根据火山引擎开发者社区公众号，TOS推出Vector Bucket，该架构采用字节自研的Cloud-Native向量索引库Kiwi与多层级本地缓存协同架构(涵盖DRAM、SSD与远程对象存储)。在大规模、长周期存储和低频查询的场景下，该架构不仅满足高/低频数据的分层需求，而且显著降低企业大规模使用向量数据的门槛。TOSVector与火山引擎高性能向量数据库、火山AI agent等产品深度协同，以交互型Agent场景来看，将高频访问的记忆(如用户的核心偏好、近期的任务执行结果等)存放在向量数据库中，实现毫秒级的高频检索;将低频访问的记忆(如半年前的交互记录或历史执行结果)沉淀到TOSVector中，允许秒级延迟，以此换取更低的存储成本和更广阔的记忆空间;以处理复杂任务的Agent场景来看，TOSVectors既能承载海量的语义向量存储，又能保证长期数据的可持续积累。

　　风险提示

　　AI产业发展以及需求不及预期;AI服务器出货量不及预期，国产厂商技术和产品进展不及预期。