Apresentado por MongoDB
A lacuna entre o que os modelos e agentes de IA podem produzir e o que a infraestrutura legada pode suportar de forma confiável é conhecida como arrasto arquitetônico e é o gargalo definidor da era da agência.
A camada de dados sob um sistema de agente deve lidar com esquemas variáveis, incorporações de vetores, recuperação em tempo real e escala multilocatário, muitas vezes simultaneamente e sem intervenção humana para gerenciar migrações – mas os bancos de dados relacionais tradicionais não foram projetados nativamente para flexibilidade de documentos ou recursos de IA. Esquemas fixos exigem atualizações manuais sempre que um agente de IA introduz um novo formato de dados, enquanto bancos de dados vetoriais separados adicionam latência e sobrecarga de sincronização.
Três startups nativas digitais — Huntr, Modelence e Tavily — resolveram esse problema da mesma maneira: construindo no MongoDB Atlas, uma plataforma de banco de dados unificada com pesquisa vetorial nativa, pesquisa híbrida e escalonamento automático gerenciado. Suas experiências definem a aparência de uma pilha de dados nativa de agente na produção e por que o uso do Atlas permite que os desenvolvedores criem facilmente empresas nativas de IA complexas.
Modelagem: Construindo a nuvem nativa do agente
Modelence é um construtor de aplicativos de IA com uma estrutura de código aberto projetada especificamente para desenvolvimento nativo de agente, permitindo que qualquer pessoa crie e implante aplicativos da web prontos para produção, incluindo APIs e bancos de dados, em minutos. A empresa reconheceu desde o início que a maior parte da infraestrutura de back-end foi construída para humanos, não para IA, e que o rígido gerenciamento de esquemas e as migrações complexas de sistemas tradicionais criam obstáculos operacionais que fazem com que os agentes falhem ao tentar criar aplicativos prontos para produção.
“A escolha do MongoDB nos ajudou a manter tudo em um único lugar, o que é uma propriedade importante do que nos esforçamos para fazer pelos nossos próprios usuários," diz Aram Shatakhtsyan, cofundador e CEO da Modelence. "Fluxos de dados ao vivo, pesquisa vetorial, tudo como parte do banco de dados principal. Para os agentes de IA, é especialmente importante ter uma plataforma única onde tudo possa ser feito, porque conectar várias plataformas torna tudo mais sujeito a erros.”
Modelação padronizada no MongoDB Atlas porque seu modelo de documento se alinha com a forma como os agentes de IA processam e geram dados, permitindo que os esquemas evoluam rapidamente sem migrações manuais. A plataforma combina essa flexibilidade com uma camada de esquema digitada na parte superior, uma decisão arquitetônica deliberada.
“O modelo de documento do MongoDB nos permite manter as coisas simples e ao mesmo tempo decidir quão estruturado queremos que tudo seja," Shatakhtsyan diz. Ainda adicionamos um esquema digitado na parte superior, o que melhora tremendamente a precisão com que a IA pode gerar aplicativos da web confiáveis e totalmente funcionais."
A integração do TypeScript foi especialmente importante, acrescenta.
“Como os tipos e valores do MongoDB podem ser traduzidos diretamente para TypeScript, ele se torna uma extensão da estrutura Modelence e nosso App Builder tem uma única fonte de verdade para a lógica do aplicativo e o banco de dados”, explica Shatakhtsyan.
O resultado é uma plataforma que pode passar do planejamento para um recurso ao vivo em minutos, com significativamente menos regressões. Essa velocidade e confiabilidade ajudaram a Modelence a levantar US$ 3 milhões em financiamento inicial e a lançar com sucesso um construtor de aplicativos nativo de IA que lida com todo o ciclo de vida do aplicativo de ponta a ponta.
Tavily: A camada de acesso web para agentes
Tavily é a API de pesquisa desenvolvida especificamente para agentes de IA, conectando-os ao conhecimento preciso e em tempo real da web e mantendo-os fundamentados no que realmente está acontecendo, não em dados de treinamento estáticos. Na escala de Tavily, cada solicitação do agente é autenticada, recuperada e medida sem atrito. Isso exigia infraestrutura de back-end construída para absorver mudanças sem quebrar.
“Do lado do usuário, cada solicitação do agente é autenticada e avaliada," diz Tomer Weiss, líder da equipe de dados da Tavily. "Do lado dos dados, usamos isso para rastrear o ciclo de vida de cada documento que já tocamos: quando foi obtido, quão obsoleto é, quais eram os sinais de atualização e quão popular é. O esquema flexível do MongoDB nos permitiu continuar evoluindo esses registros sem migrações à medida que novas métricas e recursos surgiam.”
Esse registro vivo é o que mantém os agentes fundamentados na realidade. Multilocação na escala da Tavily significa gerenciar milhões de chaves de API, perfis de uso distintos, níveis de plano e requisitos de residência regional. Eles construíram para essa complexidade desde o primeiro dia.
“Separamos as preocupações entre clusters antecipadamente: um cluster de usuário/conta otimizado para autenticação de baixa latência e gravações de uso, e um cluster fragmentado para estado de documento onde o eixo de escala são URLs, não usuários," Weiss explica. "Essa separação valeu a pena.”
A lição mais crítica é sobre a escolha de infraestruturas que não punam a mudança e que a flexibilidade aumente, diz ele.
"O espaço da IA se move tão rápido que a mudança é a nossa norma," ele explica. "Para uma empresa que atende agentes de IA, onde as próprias cargas de trabalho continuam mudando de formato, escolher uma plataforma de dados que não pune as mudanças acabou sendo mais valioso do que qualquer recurso isolado.”
Huntr: do rastreador de empregos à plataforma de carreira de IA
Huntr.co, uma plataforma de construção e adaptação de currículos de IA, ajuda mais de 500.000 candidatos a emprego em 190 países a criar candidaturas mais sólidas e a gerir a sua pesquisa. Para uma equipe de engenharia enxuta composta por três pessoas, o desafio era encontrar uma base de dados flexível o suficiente para armazenar toda a complexidade do histórico de carreira de uma pessoa em uma estrutura que a IA pudesse ler, raciocinar e gerar de forma nativa.
“Os tipos de dados de carreira que coletamos no Huntr alinham-se naturalmente com o modelo de documento do MongoDB," diz Trevor McCann, engenheiro de software sênior da Huntr. "O principal problema que estamos resolvendo com as ferramentas de busca de empregos de IA é como revelar as qualidades de um candidato que o tornam único. Precisamos estar prontos para armazenar qualquer tipo de dados que o candidato queira incluir em seus materiais.”
A Huntr construiu seu AI Resume Builder no MongoDB Atlas, onde o modelo de documento reflete a forma natural dos dados de carreira: profundamente aninhados, variáveis entre candidatos e em constante evolução à medida que a plataforma fornece novos recursos. O MongoDB Search no Atlas lida com as principais necessidades de pesquisa, enquanto o MongoDB Vector Search potencializa o Adaptação de trabalho recurso, que coloca o perfil de carreira armazenado de um candidato lado a lado com uma descrição de cargo específica e usa correspondência semântica para gerar um currículo otimizado para essa função.
As capacidades integradas tiveram um impacto direto na rapidez com que a equipe pode entregar, diz McCann.
“A pesquisa híbrida do MongoDB nos permite consultar perfeitamente correspondências de texto literal e semântico, algo essencial ao trabalhar com dados tão diversos”, diz McCann. “Isso é algo que poderíamos juntar usando outras soluções, mas com o MongoDB ele está pronto para ser adicionado à nossa camada de dados existente.” A consolidação dos recursos de banco de dados, pesquisa e vetores em uma única plataforma é o que permite à equipe superar seu peso. Huntr considera o MongoDB o quarto membro de sua equipe de engenharia, acrescenta McCann.
Olhando para o futuro, a plataforma está a evoluir em direção à IA que aprende com o histórico profissional completo de um candidato ao longo do tempo, fornecendo orientação mais personalizada em cada interação.
O modelo nativo digital
Essas histórias de sucesso tornam-se uma referência definitiva "modelo nativo digital" para a era da agência, assente em três pilares fundamentais. Primeiro, ao unificar banco de dados, pesquisa e armazenamento vetorial em uma única plataforma, essas startups eliminaram efetivamente o imposto arquitetônico de esquemas de dados complexos que normalmente retardam o desenvolvimento. Esta consolidação permite um nível de fluidez que hoje é inegociável; Os agentes de IA exigem uma plataforma de dados moderna que possa se adaptar tão rapidamente quanto um prompt de linguagem natural evolui.
Os vencedores da era da IA serão aqueles que construírem os sistemas com maior desempenho, durabilidade e flexibilidade para dar suporte a esses modelos em produção. À medida que os fluxos de trabalho dos agentes se tornam mais sofisticados, a base de dados determina a rapidez com que uma equipe pode entregar, com que confiabilidade os agentes podem operar e com que rapidez a plataforma pode se adaptar quando o cenário mudar novamente.
Artigos patrocinados são conteúdos produzidos por uma empresa que paga pela postagem ou tem relacionamento comercial com a VentureBeat, e estão sempre claramente marcados. Para mais informações, entre em contato vendas@venturebeat.com.
Fonte ==> Cyberseo
