Red basada en intenciones: automatización de red con agentes

Descripción general de la solución

Telecommunications and media are among the industries that lead AI adoption, alongside software and fintech. Yet the gap between leaders and everyone else keeps widening: companies at the frontier of AI capability generate roughly double the revenue growth of their peers, while nearly three-quarters of all companies have yet to show any tangible value from their AI investments. Telecom races ahead on one front in particular — it has the highest rate of agentic AI adoption of any industry. The gap isn't the model. It's everything underneath that agents need to act on live network data:

• Pipeline de datos

• Búsqueda vectorial

• Incrustaciones

• Memoria a corto y largo plazo

• Procesamiento en tiempo real

La automatización de red basada en agentes cierra esa brecha. En lugar de que los ingenieros traduzcan las solicitudes en configuraciones de dispositivos manualmente, los agentes autónomos interpretan los objetivos, planifican los cambios, actúan en la red y verifican el resultado. IBN es la expresión más clara de este patrón. Usted establece un resultado de red en términos comerciales sencillos, y el sistema lo entrega y lo defiende sin más intervención.

Con IBN, el cliente de un operador describe lo que necesita, no cómo compilarlo. Por ejemplo: Abrir una nueva tienda insignia. Asigne prioridad al tráfico de POS, mantenga el WiFi de invitados estrictamente separado, agregue un enlace ascendente de cámara y mantenga la latencia de POS por debajo de los 40 ms.

Un agente central traduce esa intención en políticas de red, provisiona los servicios y los supervisa continuamente. Cuando la red se desvía de la promesa, el agente diagnostica la causa y aplica una solución por sí solo.

MongoDB Atlas sirve como la capa de datos operativos que impulsa este flujo de trabajo. Consolida todos los recursos que el agente necesita en una base de datos, lo que permite realizar queries en tiempo real en el estado actual de la red, los acuerdos con los clientes, los historiales de eventos y las perspectivas del operador. La capa de IA se conecta directamente a los datos, lo que elimina el bus de mensajes, la caché o los pipelines de ETL. La sección Arquitecturas de referencia muestra cómo funciona este marco en detalle.

Arquitecturas de Referencia

La solución se ejecuta en un único agente respaldado por MongoDB Atlas. La figura 1 muestra los componentes principales:

• Un orquestador basado en ReAct

• Un enrutador semántico de dos etapas

• Un conjunto de microservicios MCP especializados

• Colecciones de Atlas que almacenan los datos de la red y la memoria del agente

Cada servicio lee y guarda en Atlas, lo que elimina la necesidad de mantener un bus de mensajes, caché o pipeline de ETL. Esta base es extensible: el mismo orquestador, enrutador y capa de memoria asumen nuevos dominios agregando servicios y colecciones de MCP. Este marco sienta las bases para futuros casos de uso, como un gemelo de red digital para la planificación de la capacidad de qué pasaría si.

Figura 1. El orquestador enruta cada query a través de MongoDB Atlas, que almacena el catálogo de servicios, las colecciones de IBN y la memoria del agente.

Enfoque de modelo de datos

IBN funciona con diferentes formas de datos, y MongoDB Atlas los contiene todos en un solo lugar. Cada una de las siguientes colecciones se asigna a una parte del flujo de trabajo:

• ibn_intents: Almacena la intención analizada y su estado de ciclo de vida. Contiene todos los campos especificados en la solicitud, como el límite de latencia o la política de segmentación.

• ibn_sites: Contiene los sitios de red con coordenadas de índice 2dsphere para búsquedas geoespaciales.

• ibn_resources: Contiene los recursos de red disponibles en cada sitio.

• ibn_policy_snapshots: Almacena snapshots de planes inmutables que conservan el historial de planificación completo.

• ibn_telemetry. Almacena muestras de métricas en una colección de series de tiempo.

• ibn_compliance_events: Almacena el registro de cada infracción y recuperación.

• ibn_knowledge_chunks: Almacena incidentes pasados, runbooks y plantillas, incrustados automáticamente con Voyage AI para búsqueda vectorial.

La memoria del agente también reside en MongoDB, almacenada en colecciones dedicadas junto con los datos de red:

• agent_workstreams: Almacena el contexto a corto plazo para el hilo de trabajo actual.

• agent_memories: Extrae hechos a largo plazo cuando se cierra un flujo de trabajo, con índice de vectores para su recuperación en todas las sesiones.

• user_preferences: Almacena las instrucciones que el ingeniero enseña al agente.

Un único índice de Atlas Vector Search hace posible la query de diagnóstico cuatridimensional. Con la incrustación automática de Atlas, se apunta el índice a un campo de texto y Atlas genera y almacena las incrustaciones por usted. No necesita un pipeline o servicio de incrustación independiente para ejecutar. Ese mismo índice empareja el campo de texto incrustado automáticamente con filtros estructurados, de tiempo y geoespaciales. Como resultado, una etapa $vectorSearch realiza el trabajo de varios motores de query:

{
   "fields": [
      {
         "type": "autoEmbed",
         "modality": "text",
         "path": "text",
         "quantization": "float",
         "model": "voyage-4"
      },
      {
         "type": "filter",
         "path": "kind"
      },
      {
         "type": "filter",
         "path": "segment"
      },
      {
         "type": "filter",
         "path": "market"
      },
      {
         "type": "filter",
         "path": "plan_id"
      },
      {
         "type": "filter",
         "path": "ts"
      },
      {
         "type": "filter",
         "path": "lng"
      },
      {
         "type": "filter",
         "path": "lat"
      }
   ]
}

Compilar la solución

The full demo is available on this GitHub repository. Clone the repository, then follow these steps.

export OPENAI_API_KEY="<your openai api token>"
export MONGODB_URI="<your mdb connection string>"
export VOYAGE_API_KEY="<your voyage api token>"

brew install python@3.13
export PATH="$(brew --prefix)/opt/python@3.13/libexec/bin:$PATH"
python -m venv <dir>
source <dir>/bin/activate
cd agentic-mcp-demo
pip install -r requirements.txt

./bin/start.sh

-I'm opening a new Alpenmarkt store at Marienplatz Munich. POS priority, guest WiFi strictly separated, camera uplink, online by 18:00, max 40ms POS latency, 99.95% availability
-feasibility check
-propose and activate
-inject morning rush
-diagnose violation
-apply runbook

Lecciones clave

• Unifique sus datos en un solo almacenar: mantenga registros de intenciones, sitios geoespacial, telemetría de serie de tiempo y conocimientos índice por vectores en una única base de datos de MongoDB Atlas, que se puede consultar con un driver y un pipeline.

• **Recuperar en todas las dimensiones en una query:** Combine la similitud vectorial, los filtros estructurados, una ventana de tiempo y los límites geoespaciales en una sola etapa de Atlas Vector Search, sin orquestación del lado de la aplicación.

• Transmita cambios en tiempo real: Utilice MongoDB Change Streams para enviar activaciones, infracciones y recuperaciones de intenciones a los tableros sin sondeo.

• Proporcione memoria a su agente: Almacene el contexto a corto plazo, los hechos a largo plazo y las preferencias del usuario como colecciones, de modo que el agente mejore con el uso en lugar de volver a entrenarse.

• Automatice el ciclo de vida completo de la intención: permita que un agente analice, planifique, active, asegure y corrija las intenciones de red de extremo a extremo, basándose en datos en vivo.

Autores

• Benjamin Lorenz, MongoDB

• Aditya Vikram Roy, MongoDB

• Diego Canales, MongoDB

Obtén más información

• Personalización de medios impulsada por IA

• Chatbot impulsado por IA para la gestión de redes

• Resumen de video impulsado por IA generativa