He estado construyendo Agentes de IA en producción durante más de un año. Aquí hay un problema común que enfrentan los desarrolladores cuando escalan agentes a producción: Normalmente, alternan entre servicios separados para vectores, datos estructurados y sesiones. Tres grupos de conexiones diferentes. Tres estrategias de respaldo. Tres paneles de monitoreo. El bucle del agente en sí es simple con razonamiento, herramientas y memoria, pero la infraestructura se convierte en el cuello de botella. Si quieres ver una forma más limpia de manejar esto, construí un agente usando @MongoDB como el backend único para todo. Trabajé con su equipo para compartir esto contigo. La configuración es sencilla: ↳ Comienza con un documento PDF. El agente responderá preguntas sobre él mientras recuerda conversaciones pasadas. ↳ Primero, divide el PDF y embébedlo usando el modelo de Voyage AI. Esas incrustaciones van directamente a MongoDB con un índice de vectores. ↳ Luego defines dos herramientas: una para búsqueda de vectores, otra para cálculos básicos si es necesario. El agente decide cuál usar según la consulta. ↳ La memoria se almacena en la misma base de datos bajo IDs de sesión. Cada interacción que tiene el agente se escribe de nuevo, para que pueda hacer referencia a turnos anteriores. ↳ El planificador lo une todo. Mira el historial de conversaciones, decide si necesita una herramienta, ejecuta esa herramienta y genera la respuesta final. Aquí es donde el backend unificado importa: Cuando el agente busca contexto, está consultando la misma base de datos que almacena sesiones de usuario y datos estructurados. Cuando escribe en la memoria, la misma instancia de MongoDB está manejando las incrustaciones de vectores. ...