Mantenimiento predictivo con IA multiagente con MongoDB

Herramientas del agente

Las herramientas son funciones específicas de dominio que permiten a los agentes tener interacción con sistemas externos. Pueden invocar consultas de base de datos, realizar búsquedas semánticas o escribir resultados estructurados de nuevo 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 kit de herramientas, como se muestra en la siguiente lista:

• Agente de fallas

  • retrieveManual: Busca manuales para pasos de solución de problemas.

  • retrieveWorkOrders: Busca reparaciones similares realizadas anteriormente.

  • retrieveInterviews: Encuentra notas de los operadores o técnicos sobre análisis post-incidentes anteriores.

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

• Agente de orden de trabajo

  • retrieveWorkOrders: Referencia órdenes de trabajo anteriores para orientación.

  • generateWorkOrder: Redacta una nueva orden con la duración estimada, las habilidades requeridas y los materiales.

• Agente de planificación

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

  • checkStaffAvailability: Encuentra técnicos con las habilidades adecuadas.

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

También puedes ampliar este conjunto de herramientas. Por ejemplo, puedes añadir nuevas funciones para reflejar procesos empresariales únicos o necesidades específicas de la industria.

Memoria de agente

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

• Mantener la continuidad dentro de una tarea.

• Recuerda los pasos anteriores.

• Cree contexto a través de las interacciones.

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

• Memoria a corto plazo: Almacena el estado intermedio a medida que el agente se mueve a través del 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:

  • checkpointsCaptura el estado general de un agente en cada paso.

  • checkpoints_writesRegistra las llamadas a herramientas y los resultados.

• Memoria a largo plazo: MongoDB almacena datos históricos que orientan las decisiones actuales. Los agentes recuperan estos datos a través de la búsqueda vectorial, asegurando que el contexto histórico impulse el razonamiento. Las colecciones incluyen:

  • interviews: Entrevistas y notas de los técnicos 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, puedes usar la clase MongoDBSaver de LangGraph, que escribe el progreso del agente en las colecciones checkpoints y checkpoints_writes 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 permite a los agentes capacidades de memoria y tolerancia a fallos.

grafo de estados del agente

Un grafo de estados es una estructura 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. Los bordes definen las transiciones entre estos pasos. Los grafos de estado 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 en función de los resultados. Por ejemplo, partes faltantes versus disponibles.

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

• El Agente Supervisor orquesta agentes especializados para resolver tareas colaborativamente.

El siguiente código compila un grafo de estados que conecta al supervisor, los agentes especializados y el checkpointer utilizado para la memoria a 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 });

With this grafo setup, you can trace, resume and debug the entire multi-agent workflow. (Con esta configuración de grafo, puedes rastrear, reanudar y depurar todo el flujo de trabajo multi-agente.)

Flujo de trabajo de extremo a extremo

Para unificarlo todo, así es como colaboran los agentes:

1. El agente supervisor recibe una alerta, la registra a través del grafo de estados y la pasa al agente de fallas.

2. El agente de fallas utiliza herramientas para query manuales, órdenes de trabajo y entrevistas, haciendo referencia a la memoria a largo plazo para el contexto. Luego, genera un informe de incidentes.

3. El agente de órdenes de trabajo redacta una nueva orden de trabajo con los materiales requeridos, habilidades y duración estimada. Utiliza la memoria para aplicar los requisitos y herramientas correctos para el resultado.

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

5. El agente de planificación utiliza su propio conjunto de herramientas y memoria para verificar la disponibilidad de piezas, cronogramas del personal y conflictos en el calendario. Luego, programa la tarea.

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

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

• Un agente de adquisición para realizar automáticamente pedidos de piezas.

• Un agente de cumplimiento para preparar informes regulatorios.

• Un agente de optimización de turnos para equilibrar la carga de trabajo de los técnicos.

Debido a que las herramientas, la memoria y la orquestación de grafos son modulares, puedes añadir nuevos agentes sin interrumpir los existentes.

Colecciones principales

Esta solución utiliza las siguientes colecciones para almacenar diferentes datos:

• telemetryLecturas de sensores de máquina desde el patio de producción, almacenadas como una colección de series de tiempo para una eficiente ingesta, compresión y consulta. Las colecciones de series de tiempo hacen eficiente el almacenamiento y la query de millones de lecturas. También conservan metadatos contextuales como identificadores de máquinas, fábricas o líneas de producción.

• alerts: Issues or anomalies predicted that activan the workflow and notify the Supervisor agente.

• incident_reports: Resultados del análisis de causa raíz generados por el Agente de Fallas. Los resultados agregan contexto de telemetría, manuales y entrevistas.

• work_orders: Elaborado por el agente de orden de trabajo. Incluye descripciones de tareas, duración estimada, habilidades requeridas y materiales.

• manualsManuales de máquina almacenados con incrustaciones vectoriales para la recuperación semántica por parte de los agentes.

• interviewsNotas posteriores al incidente y conversaciones con el personal, que aportan un contexto no estructurado pero valioso.

• maintenance_staff: Listados de personal, cronogramas de turnos y especializaciones de habilidades utilizados por el Agente de Planeación.

• inventory: Disponibilidad de repuestos, costo y plazo de entrega. Crucial para el cronograma y la toma de decisiones de adquisiciones.

• production_calendar: Tareas de producción, niveles de prioridad y retrasos aceptables. Se usa para identificar el periodo de mantenimiento menos disruptivo.

• 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 de telemetry, consulta 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 la serie de tiempo 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 de sensores.