Construiesc agenți AI în producție de peste un an. Iată o problemă comună cu care se confruntă dezvoltatorii când scalează agenții în producție: De obicei, jonglează între servicii separate pentru vectori, date structurate și sesiuni. Trei pool-uri de conexiuni diferite. Trei strategii de rezervă. Trei panouri de monitorizare. Bucla de agenți în sine este simplă, cu raționament, unelte și memorie, dar infrastructura devine blocajul. Dacă vrei să vezi o metodă mai curată de a gestiona asta, eu am construit un agent folosind @MongoDB ca backend unică pentru orice. Am colaborat cu echipa lor pentru a vă împărtăși acest lucru. Contextul este simplu: ↳ Începe cu un document PDF. Agentul va răspunde la întrebări despre acest subiect, amintindu-și conversațiile anterioare. ↳ Mai întâi, fragmentează PDF-ul și încorporez-l folosind modelul Voyage AI. Aceste embedding-uri merg direct în MongoDB cu un indice vectorial. ↳ Atunci definești două unelte: unul pentru căutarea vectorială, unul pentru calcule de bază dacă este nevoie. Agentul decide pe care să o folosească pe baza interogării. ↳ Memoria este stocată în aceeași bază de date sub ID-uri de sesiune. Fiecare interacțiune a agentului este scrisă înapoi, astfel încât să poată face referire la turele anterioare. ↳ Planificatorul leagă totul împreună. Se uită la istoricul conversațiilor, decide dacă are nevoie de un instrument, îl execută și generează răspunsul final. Aici contează backend-ul unificat: Când agentul caută context, interogează aceeași bază de date care stochează sesiunile utilizatorilor și datele structurate. Când scrie în memorie, aceeași instanță MongoDB se ocupă de embedding-urile vectoriale. ...