Tidak ada yang mengalahkan open-source! MiniMax baru saja merilis M2.1, dan pengembang menyebutnya "Claude dengan biaya 10%." - 72,5% SWE-Multibahasa. Mengalahkan Soneta 4.5 - 88,6% VIBE-bangku. Mengalahkan Gemini 3 Pro Saya menggunakannya untuk membangun studio AI yang mengubah situs web apa pun menjadi podcast. 100% sumber terbuka.

Saya telah membangun Agen AI dalam produksi selama lebih dari setahun. Berikut adalah masalah umum yang dihadapi pengembang ketika mereka menskalakan agen ke produksi: Mereka biasanya menyulap antara layanan terpisah untuk vektor, data terstruktur, dan sesi. Tiga kumpulan koneksi yang berbeda. Tiga strategi cadangan. Tiga dasbor pemantauan. Lingkaran agen itu sendiri sederhana dengan penalaran, alat, dan memori, tetapi infrastruktur menjadi hambatan. Jika Anda ingin melihat cara yang lebih bersih untuk menangani ini, saya membangun agen menggunakan @MongoDB sebagai backend tunggal untuk semuanya. Saya bekerja dengan tim mereka untuk membagikan ini kepada Anda. Pengaturannya mudah: ↳ Mulailah dengan dokumen PDF. Agen akan menjawab pertanyaan tentang hal itu sambil mengingat percakapan sebelumnya. ↳ Pertama, potong PDF dan sematkan menggunakan model Voyage AI. Penyematan tersebut langsung masuk ke MongoDB dengan indeks vektor. ↳ Kemudian Anda menentukan dua alat: satu untuk pencarian vektor, satu untuk perhitungan dasar jika diperlukan. Agen memutuskan mana yang akan digunakan berdasarkan kueri. ↳ Memori disimpan dalam database yang sama di bawah ID sesi. Setiap interaksi yang dilakukan agen akan ditulis kembali, sehingga dapat mereferensikan giliran sebelumnya. ↳ Perencana mengikatnya bersama-sama. Ini melihat riwayat percakapan, memutuskan apakah memerlukan alat, mengeksekusi alat itu, dan menghasilkan respons akhir. Di sinilah backend terpadu penting: Saat agen mencari konteks, ia mengkueri database yang sama yang menyimpan sesi pengguna dan data terstruktur. Saat menulis ke memori, instans MongoDB yang sama menangani penyematan vektor. Saya membungkusnya di UI Streamlit untuk melihat agen bekerja. Ketika saya mengirim kueri, itu menunjukkan kepada Anda alat mana yang dipilihnya, apa yang diambilnya, dan bagaimana penalarannya sampai ke jawabannya. Arsitekturnya tetap fleksibel karena Anda dapat dengan mudah menukar model penyematan atau LLM pilihan apa pun. Dan ketika Anda siap untuk mengirim, Anda mengelola satu database. Bukan tiga. Pendekatan serupa juga dirinci dalam Pusat Pembelajaran AI MongoDB. Jika Anda ingin menyelami lebih dalam pola rekayasa AI seperti ini... Ini memiliki trek mandiri yang mencakup dasar-dasar pencarian vektor, arsitektur RAG, manajemen memori untuk agen, dan tutorial langsung dengan LangGraph .js. Saya telah membagikan repositori lengkap dengan #MongoDB di balasan.

Agen AI terbaik tidak dibuat. Mereka dioptimalkan. Saya meningkatkan kinerja agen saya sebesar 180% & membuat video yang menunjukkan kepada Anda dengan tepat bagaimana saya melakukannya. - Bekerja dengan alur kerja agen apa pun - Berjalan secara lokal atau di k8 Anda - 3 langkah mudah 100% sumber terbuka.