Я створюю AI-агентів у виробництві вже понад рік. Ось поширена проблема, з якою стикаються розробники, коли масштабують агентів під продакшн: Зазвичай вони працюють між окремими сервісами для векторів, структурованих даних і сесій. Три різні пули з'єднань. Три запасні стратегії. Три моніторингові панелі. Сам цикл агента простий із логікою, інструментами та пам'яттю, але інфраструктура стає вузьким місцем. Якщо хочете побачити чистіший спосіб вирішити це, я створив агент, який використовує @MongoDB як єдиний бекенд для всього. Я працював з їхньою командою, щоб поділитися цим з вами. Налаштування простое: ↳ Почніть з PDF-документа. Агент відповідатиме на запитання, згадуючи минулі розмови. ↳ Спочатку розкладіть PDF на шматки і вбудуйте його за допомогою моделі Voyage AI. Ці вкладення йдуть безпосередньо в MongoDB з векторним індексом. ↳ Далі ви визначаєте два інструменти: один для векторного пошуку, інший для базових обчислень за потреби. Агент вирішує, який використовувати на основі запиту. ↳ Пам'ять зберігається в тій самій базі даних під ідентифікаторами сесій. Кожна взаємодія агента записується у відповідь, тож він може посилатися на попередні ходи. ↳ Планувальник пов'язує все докупи. Він переглядає історію розмов, вирішує, чи потрібен інструмент, запускає цей інструмент і генерує фінальну відповідь. Ось де важливий уніфікований бекенд: Коли агент шукає контекст, він звертається до тієї ж бази даних, що зберігає користувацькі сесії та структуровані дані. Коли він записує в пам'ять, той самий екземпляр MongoDB обробляє векторні вкладення. ...