Mantenimiento predictivo con IA multiagente y MongoDB

Herramientas del agente

Las herramientas son funciones específicas del dominio que permiten a los agentes interactuar con sistemas externos. Pueden invocar consultas a bases de datos, realizar búsquedas semánticas o escribir resultados estructurados en MongoDB.

El siguiente código muestra cómo registrar una herramienta para el agente de fallas utilizando el driver de MongoDB Node.js. En el ejemplo, esta ferramenta utiliza búsqueda vectorial para recuperar secciones relevantes de los manuales de la máquina.

export const retrieveManual = tool(
   async ({ query, n = 3 }) => {
      const dbConfig = {
         collection: "manuals",
         indexName: "default",
         textKey: ["text"],
         embeddingKey: "embedding",
         includeScore: true,
      };
      const result = await vectorSearch(query, dbConfig, n);
      return JSON.stringify(result);
   },
   {
      name: "retrieve_manual",
      description:
         "Retrieve the relevant manual for the alert via vector search.",
      schema: {
         type: "object",
         properties: {
            name: {
               type: "string",
               description: "Name of the tool for identification purposes",
               enum: ["retrieve_manual"],
            },
            query: {
               type: "string",
               description: "The query to process",
            },
            n: {
               type: "number",
               description: "Number of results to return (optional, default 3)",
               default: 3,
            },
         },
         required: ["name", "query"],
      },
   }
);
export function getTools() {
   return [
      retrieveManual,
      retrieveWorkOrders,
      retrieveInterviews,
      generateIncidentReport,
   ];
}

Cada agente tiene su propio conjunto de herramientas, como se muestra en la siguiente lista:

• Agente de fallos

  • retrieveManual:Busca manuales con pasos para solucionar problemas.

  • retrieveWorkOrders:Busca reparaciones pasadas similares.

  • retrieveInterviews: Encuentra notas del operador o técnico sobre análisis posteriores a incidentes anteriores.

  • generateIncidentReport:Crea un informe de incidentes y lo almacena en MongoDB.

• Agente de órdenes de trabajo

  • retrieveWorkOrders:Hace referencias de órdenes de trabajo pasadas como orientación.

  • generateWorkOrder:Redacta un nuevo pedido con la duración estimada, las habilidades requeridas y los materiales.

• Agente de planificación

  • checkInventoryAvailability:Verifica si las piezas requeridas están en stock.

  • checkStaffAvailability:Encuentra técnicos con las habilidades adecuadas.

  • scheduleWorkOrder:Reserva la tarea en el calendario de producción.

También puede ampliar este conjunto de herramientas. Por ejemplo, puede añadir nuevas funciones para reflejar procesos empresariales únicos o necesidades específicas del sector.

Memoria de agente

Para que los agentes trabajen eficazmente, necesitan su propia memoria. Para almacenar el contexto y los pasos del razonamiento. Esto les permite:

• Mantener la continuidad dentro de una tarea.

• Recuerde los pasos anteriores.

• Construir contexto a través de las interacciones.

En esta arquitectura, MongoDB Atlas almacena memoria. La memoria puede ser:

• Memoria a corto plazo: Almacena el estado intermedio a medida que el agente se desplaza por el grafo de estados. Esto garantiza que, si un proceso se interrumpe, pueda reanudarse sin perder el progreso. En esta solución, dos colecciones almacenan este tipo de memoria:

  • checkpoints:Captura el estado general de un agente en cada paso.

  • checkpoints_writes:Registra las llamadas y salidas de la herramienta.

• Memoria a largo plazo: MongoDB almacena datos históricos que fundamentan las decisiones actuales. Los agentes recuperan estos datos mediante la búsqueda vectorial, lo que garantiza que el contexto histórico impulse el razonamiento. Las colecciones incluyen:

  • interviews:Entrevistas y notas del técnico posteriores al incidente.

  • workorders:Registros históricos de órdenes de trabajo.

  • incident_reports:Resúmenes y hallazgos de incidentes anteriores.

Para configurar la memoria a corto plazo, puede utilizar la MongoDBSaver clase de LangGraph, que escribe el progreso del agente en checkpoints las checkpoints_writes colecciones y de la siguiente manera:

import { MongoDBSaver } from "@langchain/langgraph-checkpoint-mongodb";
import { MongoClient } from "mongodb";
const client = new MongoClient("<connection-string>");
const checkpointer = new MongoDBSaver({
   client: client,
   dbName: "<database-name>",
   checkpointCollectionName: "checkpoints",
   checkpointWritesCollectionName: "checkpoints_writes"
});

Esta configuración habilita capacidades de memoria y tolerancia a fallas para sus agentes.

Gráfico de estado del agente

Un grafo de estados es un marco para modelar flujos de trabajo como nodos y aristas. Cada nodo representa un paso de razonamiento, una llamada a una herramienta o un punto de control. Las aristas definen las transiciones entre estos pasos. Los grafos de estados hacen que los flujos de trabajo sean explícitos, repetibles y resilientes.

En esta solución, LangGraph potencia el grafo de estados para coordinar agentes y sus herramientas. Los nodos representan agentes especializados o decisiones de supervisores, mientras que los bordes definen su orden de ejecución.

Esta arquitectura garantiza que:

• Los agentes pueden ramificarse según los resultados. Por ejemplo, piezas faltantes o disponibles.

• Cada paso guarda en la memoria y lee automáticamente de ella.

• El Agente Supervisor orquesta agentes especializados para resolver tareas de forma colaborativa.

El código siguiente crea un gráfico de estados que conecta al supervisor, a los agentes especializados y al checkpointer utilizado para la memoria de corto plazo del ejemplo de código anterior.

const graph = new StateGraph(StateAnnotation)
   .addNode("supervisor", callModel)
   .addNode("failure", agentNode(failureGraph, "failure"))
   .addNode("workorder", agentNode(workorderGraph, "workorder"))
   .addNode("planning", agentNode(planningGraph, "planning"))
   .addEdge("__start__", "supervisor")
   .addConditionalEdges("supervisor", shouldContinue)
   .addEdge("failure", "supervisor")
   .addEdge("workorder", "supervisor")
   .addEdge("planning", "supervisor")
   .compile({ checkpointer });

Con esta configuración de gráfico, puede rastrear, reanudar y depurar todo el flujo de trabajo de múltiples agentes.

Flujo de trabajo de extremo a extremo

Para resumir, así es como colaboran los agentes:

1. El Agente Supervisor recibe una alerta, la registra a través del gráfico de estado y la pasa al Agente de Fallas.

2. El Agente de Fallas utiliza herramientas para consultar manuales, órdenes de trabajo y entrevistas, consultando la memoria a largo plazo para obtener contexto. Posteriormente, genera un informe de incidentes.

3. El Agente de Órdenes de Trabajo elabora una nueva orden de trabajo con los materiales, las habilidades y la duración estimada requeridos. Utiliza la memoria para aplicar los requisitos y las herramientas correctos para el resultado.

4. Un punto de control valida la orden antes de su ejecución.

5. El Agente de Planificación utiliza sus propias herramientas y memoria para verificar la disponibilidad de piezas, la programación del personal y los conflictos de calendario. Luego, programa el trabajo.

6. Cuando todos los agentes han completado sus tareas, el Agente Supervisor actualiza el gráfico de estado para rastrear la finalización del flujo de trabajo.

Puede ampliar y personalizar este flujo de trabajo con nuevos agentes, como:

• Un agente de compras para realizar pedidos de piezas de forma automática.

• Un agente de cumplimiento para preparar informes regulatorios.

• Un agente de optimización de turnos para equilibrar las cargas de trabajo de los técnicos.

Debido a que las herramientas, la memoria y la orquestación de gráficos son modulares, puede agregar nuevos agentes sin interrumpir los existentes.

Colecciones principales

Esta solución utiliza las siguientes colecciones para almacenar diferentes datos:

• telemetryLecturas de sensores de máquinas del taller, almacenadas como una colección de series temporales para una ingesta, compresión y consulta eficientes. Las colecciones de series temporales permiten almacenar y consultar millones de lecturas de forma eficiente. Además, preservan metadatos contextuales, como identificadores de máquinas, fábricas o líneas de producción.

• alerts:Problemas o anomalías previstos que activan el flujo de trabajo y notifican al Agente Supervisor.

• incident_reportsResultados del análisis de causa raíz generados por el Agente de Fallas. Los resultados recopilan el contexto de la telemetría, los manuales y las entrevistas.

• work_ordersRedactado por el agente de órdenes de trabajo. Incluye descripciones de tareas, duración estimada, habilidades requeridas y materiales.

• manuals:Manuales de máquinas almacenados con incrustaciones vectoriales para recuperación semántica por parte de agentes.

• interviews:Notas posteriores al incidente y conversaciones con el personal, que proporcionan un contexto no estructurado pero valioso.

• maintenance_staff:Listas de personal, horarios de turnos y especializaciones de habilidades utilizadas por el agente de planificación.

• inventoryDisponibilidad, costo y plazo de entrega de repuestos. Es crucial para la planificación y las decisiones de compra.

• production_calendarTareas de producción, niveles de prioridad y retrasos aceptables. Se utiliza para identificar la ventana de mantenimiento menos disruptiva.

• checkpoints y checkpoints_writes: Captura el estado del agente y los registros de las llamadas a herramientas y salidas.

Para ver un ejemplo de un documento de muestra en la colección telemetry, consulte el siguiente bloque de código:

{
   "ts": {
      "$date": "2025-08-25T08:53:06.052Z"
   },
   "metadata": {
      "factory_id": "qro_fact_1",
      "machine_id": 1,
      "prod_line_id": 1
   },
   "_id": {
      "$oid": "68ac24720d4c459561c42a4e"
   },
   "vibration": 0.209,
   "temperature": 70.69
}

El documento de series temporales incluye los siguientes campos:

• ts contiene la marca de tiempo de la lectura.

• metadata Incorpora etiquetas contextuales para la fábrica, la máquina y la línea de producción.

• vibration y temperature constan de valores numéricos del sensor.