Presentado por MongoDB
La brecha entre lo que los modelos y agentes de IA pueden producir y lo que la infraestructura heredada puede soportar de manera confiable se conoce como resistencia arquitectónica y es el cuello de botella que outline la period de la agencia.
La capa de datos debajo de un sistema agente debe manejar esquemas variables, incrustaciones de vectores, recuperación en tiempo actual y escala multiinquilino, a menudo simultáneamente y sin intervención humana para gestionar las migraciones, pero las bases de datos relacionales tradicionales no fueron diseñadas de forma nativa para la flexibilidad de los documentos o las capacidades de IA. Los esquemas fijos requieren actualizaciones manuales cada vez que un agente de IA introduce una nueva forma de datos, mientras que las bases de datos vectoriales independientes añaden latencia y sobrecarga de sincronización.
Tres nuevas empresas nativas digitales (Huntr, Modelence y Tavily) resolvieron este problema de la misma manera: basándose en MongoDB Atlas, una plataforma de base de datos unificada con búsqueda vectorial nativa, búsqueda híbrida y escalado automático administrado. Sus experiencias definen cómo se ve una pila de datos nativos de agentes en producción y por qué el uso de Atlas permite a los desarrolladores crear fácilmente empresas complejas nativas de IA.
Modelencia: creación de la nube nativa del agente
Modelence es un creador de aplicaciones de IA con un marco de código abierto diseñado específicamente para el desarrollo nativo de agentes, que permite a cualquier persona crear e implementar aplicaciones net listas para producción, incluidas API y bases de datos, en minutos. La compañía reconoció desde el principio que la mayor parte de la infraestructura backend fue construida para humanos, no para IA, y que la rígida gestión de esquemas y las complejas migraciones de los sistemas tradicionales crean un obstáculo operativo que hace que los agentes fallen al intentar crear aplicaciones listas para producción.
«Elegir MongoDB nos ayudó a mantener todo en un solo lugar, lo cual es una propiedad importante de lo que nos esforzamos por hacer para nuestros propios usuarios», cube Aram Shatakhtsyan, cofundador y director ejecutivo de Modelence. «Flujos de datos en vivo, búsqueda de vectores, todo como parte de la base de datos principal. Para los agentes de IA, es especialmente importante tener una única plataforma donde se pueda hacer todo, porque conectar varias plataformas juntas lo hace más propenso a errores».
Modelencia estandarizada en MongoDB Atlas porque su modelo de documento se alinea con la forma en que los agentes de IA procesan y generan datos, lo que permite que los esquemas evolucionen rápidamente sin migraciones manuales. La plataforma combina esa flexibilidad con una capa de esquema escrito en la parte superior, una decisión arquitectónica deliberada.
«El modelo de documento de MongoDB nos permite mantener las cosas simples y al mismo tiempo decidir qué tan estructurado queremos que esté todo», cube Shatakhtsyan. Aún agregamos un esquema escrito en la parte superior, lo que mejora enormemente la precisión con la que la IA puede generar aplicaciones net confiables y completamente funcionales».
La integración de TypeScript ha sido especialmente trascendental, añade.
«Debido a que los tipos y valores de MongoDB se pueden traducir directamente a TypeScript, se convierte en una extensión del marco de Modelence y nuestro App Builder tiene una única fuente de verdad tanto para la lógica de la aplicación como para la base de datos», explica Shatakhtsyan.
El resultado es una plataforma que puede pasar de la planificación a una función en vivo en minutos con significativamente menos regresiones. Esa velocidad y confiabilidad ayudaron a Modelence a recaudar $3 millones en financiación inicial y a lanzar con éxito un creador de aplicaciones nativo de IA que maneja todo el ciclo de vida de la aplicación de principio a fin.
Tavily: La capa de acceso net para agentes
Tavily es la API de búsqueda diseñada específicamente para agentes de IA, que los conecta con conocimiento net preciso y en tiempo actual y los mantiene basados en lo que realmente está sucediendo, no en datos de entrenamiento estáticos. A la escala de Tavily, cada solicitud de agente se autentica, recupera y mide sin fricciones. Eso exigía una infraestructura de backend construida para absorber el cambio sin romperse.
«En el lado del usuario, cada solicitud de agente se autentica y se mide», cube Tomer Weiss, líder del equipo de datos en Tavily. «En lo que respecta a los datos, los usamos para rastrear el ciclo de vida de cada documento que hemos tocado: cuándo se obtuvo, qué tan obsoleto está, cuáles fueron las señales de actualización y qué tan in style es. El esquema versatile de MongoDB nos permitió seguir evolucionando esos registros sin migraciones a medida que aparecían nuevas métricas y características».
Ese historial viviente es lo que mantiene a los agentes anclados en la realidad. La tenencia múltiple a la escala de Tavily significa administrar millones de claves API, distintos perfiles de uso, niveles de planes y requisitos de residencia regional. Construyeron para esa complejidad desde el primer día.
«Separamos las preocupaciones entre los clústeres desde el principio: un clúster de usuario/cuenta optimizado para autenticación de baja latencia y escrituras de uso, y un clúster fragmentado para el estado del documento donde el eje de escala son las URL, no los usuarios», explica Weiss. «Esa separación ha valido la pena».
La lección más importante es la de elegir una infraestructura que no castigue el cambio, y esa flexibilidad se agrava, afirma.
«El espacio de la IA se mueve tan rápido que el cambio es nuestra norma», explica. «Para una empresa que presta servicios a agentes de IA, donde las cargas de trabajo siguen cambiando de forma, elegir una plataforma de datos que no castigue el cambio ha resultado ser más valioso que cualquier característica por sí sola».
Huntr: del rastreador de empleos a la plataforma profesional de IA
Huntr.co, una plataforma de creación y adaptación de currículums mediante IA, ayuda a más de 500.000 solicitantes de empleo en 190 países a crear aplicaciones más sólidas y gestionar su búsqueda. Para un equipo de ingeniería reducido de tres personas, el desafío period encontrar una base de datos lo suficientemente versatile como para almacenar toda la complejidad del historial profesional de una persona en una estructura que la IA pudiera leer, razonar y generar de forma nativa.
«El tipo de datos profesionales que estamos recopilando en Huntr se alinea naturalmente con el modelo de documento de MongoDB», cube Trevor McCann, ingeniero de software program senior en Huntr. «El problema principal que estamos resolviendo con las herramientas de búsqueda de empleo de IA es cómo sacar a la luz las cualidades de un candidato que lo hacen único. Necesitamos estar preparados para almacenar cualquier tipo de datos que el candidato quiera incluir en sus materiales».
Huntr construyó su AI Resume Builder en MongoDB Atlas, donde el modelo de documento refleja la forma pure de los datos profesionales: profundamente anidado, variable entre candidatos y en constante evolución a medida que la plataforma incluye nuevas funciones. MongoDB Search en Atlas maneja las necesidades de búsqueda principales, mientras que MongoDB Vector Search impulsa la Adaptación del trabajo función, que coloca el perfil profesional almacenado de un candidato al lado de una descripción de trabajo específica y utiliza la coincidencia semántica para generar un currículum optimizado para ese puesto.
Las capacidades integradas han tenido un impacto directo en la rapidez con la que el equipo puede realizar envíos, afirma McCann.
«La búsqueda híbrida de MongoDB nos permite realizar consultas sin problemas entre coincidencias de texto literales y semánticos, algo imprescindible cuando se trabaja con datos tan diversos», afirma McCann. «Esto es algo que podríamos armar utilizando otras soluciones, pero con MongoDB está listo para ir por encima de nuestra capa de datos existente». La consolidación de las capacidades de bases de datos, búsqueda y vectores en una única plataforma es lo que permite al equipo superar su peso. Huntr considera a MongoDB como el cuarto miembro de su equipo de ingeniería, añade McCann.
De cara al futuro, la plataforma se está desarrollando hacia una IA que aprende del historial profesional completo de un candidato a lo largo del tiempo, brindando una orientación más personalizada en cada interacción.
El modelo nativo digital
Estas historias de éxito se convierten en un «modelo nativo digital» definitivo para la period agencial, construido sobre tres pilares fundamentales. En primer lugar, al unificar la base de datos, la búsqueda y el almacenamiento vectorial en una sola plataforma, estas nuevas empresas han eliminado efectivamente el impuesto arquitectónico de los esquemas de datos complejos que normalmente ralentizan el desarrollo. Esta consolidación permite un nivel de fluidez que ahora no es negociable; Los agentes de IA requieren una plataforma de datos moderna que pueda adaptarse tan rápidamente como evoluciona un mensaje en lenguaje pure.
Los ganadores de la period de la IA serán aquellos que construyan los sistemas más eficaces, duraderos y flexibles para respaldar esos modelos en producción. A medida que los flujos de trabajo de agentes se vuelven más sofisticados, la base de datos determina qué tan rápido puede enviar un equipo, qué tan confiable pueden operar los agentes y qué tan rápido puede adaptarse la plataforma cuando el panorama cambie nuevamente.
Los artículos patrocinados son contenido producido por una empresa que paga por la publicación o tiene una relación comercial con VentureBeat, y siempre están claramente marcados. Para más información, póngase en contacto ventas@venturebeat.com.
