MongoDB Atlas поддерживает AI-ориентированные стартапы

При поддержке MongoDB

Разрыв между тем, что могут создавать ИИ-модели и агенты, и тем, что устаревшая инфраструктура способна надежно поддерживать, известен как архитектурное отставание (architectural drag). Именно оно представляет собой главный узел проблем в эпоху агентов.

Уровень данных под агентичной системой должен обрабатывать переменные схемы, векторные вложения, поиск в реальном времени и масштабирование с поддержкой множества арендаторов (multi-tenant), часто одновременно и без вмешательства человека для управления миграциями — однако традиционные реляционные базы данных изначально не были рассчитаны на гибкость документов или возможности ИИ. Фиксированные схемы требуют ручных обновлений каждый раз, когда ИИ-агент вводит новую структуру данных, в то время как отдельные векторные базы данных добавляют задержки и накладные расходы на синхронизацию.

Три цифровых нативных стартапа — Huntr, Modelence и Tavily — решили эту проблему одинаково: создав свои продукты на базе MongoDB Atlas, единой платформы баз данных с нативным векторным поиском, гибридным поиском и управляемым автомасштабированием. Их опыт определяет, как выглядит нативный для агентов стек данных в продакшене и почему использование Atlas позволяет разработчикам с легкостью создавать сложные ИИ-компании.

Modelence: создание облака, нативного для агентов

Modelence — это конструктор ИИ-приложений с открытым исходным кодом, разработанный специально для разработки на базе агентов. Он позволяет любому человеку за считанные минуты создавать и развертывать готовые к производству веб-приложения, включая API и базы данных. Компания рано поняла, что бэкенд-инфраструктура в массе своей создавалась для людей, а не для ИИ, и что жесткое управление схемами и сложные миграции традиционных систем создают операционные препятствия, из-за которых агенты дают сбои при попытке построить готовые к продакшену приложения.

«Выбор MongoDB помог нам держать все в едином месте, что является важным свойством того, к чему мы стремимся для наших собственны пользователей», — говорит Арам Шатахцян, соучредитель и генеральный директор Modelence. — Потоки данных в реальном времени, векторный поиск — все это часть основной базы данных. Для ИИ-агентов особенно важно иметь единую платформу, где можно сделать все, поскольку соединение нескольких платформ вместе делает систему более подверженной ошибкам».

Modelence стандартизировала свои процессы на MongoDB Atlas, потому что ее документная модель соответствует тому, как ИИ-агенты обрабатывают и генерируют данные, позволяя схемам быстро эволюционировать без ручных миграций. Платформа сочетает эту гибкость со слоем типизированной схемы поверх нее, что стало осознанным архитектурным решением.

«Документная модель MongoDB позволяет нам и сохранять простоту, и одновременно определять, насколько структурированным мы хотим все видеть, — отмечает Шатахцян. — Мы по-прежнему добавляем поверх слой типизированной схемы, что колоссально повышает точность, с которой ИИ может генерировать полностью рабочие, надежные веб-приложения».

Интеграция с TypeScript имела особенно важные последствия, добавляет он.

«Поскольку типы и значения MongoDB могут напрямую транслироваться в TypeScript, она становится продолжением фреймворка Modelence, а наш конструктор приложений имеет единый источник достоверных данных (single source of truth) как для логики приложения, так и для базы данных», — поясняет Шатахцян.

Результатом стала платформа, которая может пройти путь от планирования до работающей функции в реальном времени за считанные минуты со значительно меньшим количеством регрессий. Эта скорость и надежность помогли Modelence привлечь 3 миллиона долларов посевного финансирования и успешно запустить ИИ-нативный конструктор приложений, управляющий всем жизненным циклом приложения от начала до конца.

Tavily: уровень веб-доступа для агентов

Tavily — это поисковый API, созданный специально для ИИ-агентов. Он подключает их к актуальным и точным знаниям из интернета, удерживая их в поле реальности происходящего, а не старых тренировочных данных. При масштабах Tavily каждый запрос агента проходит аутентификацию, извлечение данных и тарификацию без каких-либо заминок. Для этого потребовалась бэкенд-инфраструктура, способная поглощать изменения без сбоев.

«Со стороны пользователя каждый запрос агента проходит аутентификацию и тарификацию, — говорит Томер Вайс, руководитель команды обработки данных в Tavily. — Со стороны данных мы используем систему для отслеживания жизненного цикла каждого документа, которого когда-либо касались: когда он был получен, насколько он устарел, какими были сигналы свежести и насколько он популярен. Гибкая схема MongoDB позволила нам продолжать развивать эти записи без миграций по мере появления новых метрик и функций».

Эта живая база записей — то, что удерживает агентов в реальности. Многоарендность (multi-tenancy) в масштабах Tavily означает управление миллионами ключей API, различными профилями использования, тарифными планами и требованиями к региональному размещению данных. Они заложили основу для такой сложности с первого дня.

«Мы разделили обязанности по кластерам на раннем этапе: кластер пользователей/аккаунтов, оптимизированный для аутентификации с низким уровнем задержки и записи использования, и шардированный кластер для состояния документов, где осью масштабирования являются URL-адреса, а не пользователи, — поясняет Вайс. — Это разделение окупилось».

Самый важный урок заключается в выборе инфраструктуры, которая не наказывает за изменения, и эта гибкость имеет свойство накапливаться, говорит он.

«Сфера ИИ развивается так быстро, что изменения стали нашей нормой, — объясняет он. — Для компании, обслуживающей ИИ-агентов, чьи рабочие нагрузки постоянно меняют свою форму, выбор платформы данных, которая не наказывает за изменения, оказался более ценным, чем любая отдельная функция».

Huntr: от трекера вакансий к ИИ-платформе для карьеры

Huntr.co, платформа для составления и адаптации резюме с помощью ИИ, помогает более чем 500 000 соискателей в 190 странах создавать более качественные отклики и управлять поиском работы. Перед небольшой инженерной командой из трех человек стояла задача найти основу данных, достаточно гибкую для хранения всей сложности истории карьеры человека в структуре, которую ИИ может читать, анализировать и использовать для генерации контента.

«Тот тип карьерных данных, которые мы собираем в Huntr, естественным образом согласуется с документной моделью MongoDB, — говорит Тревор МакКанн, старший инженер-программист в Huntr. — Основная проблема, которую мы решаем с помощью инструментов поиска работы на базе ИИ, заключается в том, как выявить качества кандидата, которые делают его уникальным. Мы должны быть готовы хранить любые данные, которые кандидат хочет включить в свои материалы».

Huntr создала свой ИИ-конструктор резюме на базе MongoDB Atlas, где документная модель отражает естественную форму карьерных данных: глубоко вложенных, различающихся у разных кандидатов и постоянно развивающихся по мере выпуска новых функций платформы. Поиск MongoDB Search в Atlas справляется с базовыми задачами поиска, в то время как векторный поиск MongoDB Vector Search обеспечивает работу функции адаптации резюме (Job Tailoring). Она сопоставляет сохраненный профиль карьеры кандидата с конкретным описанием вакансии и использует семантическое сопоставление для создания резюме, оптимизированного под эту роль.

Интегрированные возможности оказали непосредственное влияние на то, как быстро команда может выпускать релизы, отмечает МакКанн.

«Гибридный поиск MongoDB позволяет нам легко выполнять запросы как по буквальным, так и по семантическим текстовым совпадениям — это обязательное условие при работе с такими разнообразными данными, — говорит МакКанн. — Это то, что мы могли бы собрать по частям с помощью других решений, но с MongoDB все готово к работе поверх нашего существующего слоя данных».

Консолидация базы данных, поиска и векторных возможностей в рамках единой платформы — это то, что позволяет команде прыгать выше головы. Huntr считает MongoDB четвертым членом своей инженерной команды, добавляет МакКанн.

Заглядывая в будущее, платформа движется к созданию ИИ, который со временем учится на основе всей профессиональной истории кандидата, предоставляя все более персонализированные рекомендации при каждом взаимодействии.

Цифровой нативный чертеж

Эти истории успеха становятся определяющим «цифровым нативным чертежом» (digital native blueprint) для эпохи агентов, построенным на трех основных китах. Во-первых, объединив базу данных, поиск и векторное хранилище в единую платформу, эти стартапы фактически избавились от архитектурного налога в виде сложных схем данных, которые обычно замедляют разработку. Такая консолидация обеспечивает уровень гибкости, который сегодня является обязательным условием; ИИ-агентам необходима современная платформа данных, способная адаптироваться так же быстро, как развиваются промпты на естественном языке.

Победителями в эпоху ИИ станут те, кто построит наиболее производительные, надежные и гибкие системы для поддержки этих моделей в продакшене. По мере того как агентичные рабочие процессы становятся все более сложными, именно фундамент данных определяет, как быстро команда может выпускать релизы, насколько надежно могут работать агенты и как быстро платформа сможет адаптироваться при очередном изменении ландшафта.

Спонсорские статьи — это контент, подготовленный компанией, которая либо платит за публикацию, либо имеет деловые отношения с VentureBeat, и такие материалы всегда четко отмечены. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com.