MongoDB 사용한 에이전트적 공급업체 관리

솔루션 개요

글로벌 공급망은 지속적인 거시적 혼란에 직면해 있습니다. 지정학, 기상 이벤트 및 물류 병목 현상은 야간에 운영 연속성을 위협합니다.

레거시 엔터프라이즈 리소스 관리(ERP) 시스템은 이러한 급격한 변화에 적응할 수 없습니다. 엄격한 관계형 테이블, 정적 스프레드시트, 쿼리할 수 없는 PDF 계약 및 이메일에 중요한 공급업체 정보를 가둡니다. 중단이 발생하면 조달 팀은 연결이 끊긴 사일로에서 데이터를 수동으로 수집하는 데 몇 시간 또는 며칠을 소비합니다. 이러한 지연은 품절, 예기치 않은 비용, 소비자 신뢰 상실로 이어집니다.

MongoDB Atlas 에 현대화된 통합인텔리전스 계층을 구축하여 레거시 ERP 코어에서 공급업체 관리 분리하세요.

이 솔루션은 MongoDB Atlas 운영 저장,벡터 저장, 검색 엔진 및 에이전트 메모리 역할을 동시에 수행하는 하나의 플랫폼인 컨버지드 데이터 저장소로 취급합니다. 자율 에이전트 실시간 중단에 대해 추론해야 하는 모든 컨텍스트(공급업체 위치 , 미결 구매 주문, 인증서 및 판례 내역)는 동일한 액세스 제어 하에 동일한 컬렉션 내에서 하나의 쿼리 로 실행됩니다.

인텔리전스 데이터 계층 외에도 다음 백엔드 모듈은 원시 중단 신호를 검증되고 사람이 승인한 결정으로 바꿉니다.

• ingestion_engine: LLM, 에이전트 또는 추론 루프가 없는 결정론적 정규화 계층입니다. 외부 원시 신호(예: 지정학적, 기후, 물류 데이터)를 일관적인 내부 형식으로 변환하여 Atlas 에 기록합니다. 모든 다운스트림 프로세스가 의존하는 깨끗한 점 제공합니다.

• risk_evaluator: 라이브 공급 에이전트 및 구매 주문 데이터와 비교하여 이러한 신호를 읽고, 지리 공간적으로 노출을 일치시키고, 동적 위험 우선순위 번호(RPN)를 계산하고, agent_memory에 저장된 과거 판례에 대해 추론한 후 일반 언어로 된 위험 요약을 다시 작성하는 LangGraph 에이전트 Atlas.

• alternative_finder: LangGraph 에이전트 는 관리자가 조치 취하도록 공급업체에 플래그를 지정한 후 하이브리드 벡터 및 전체 텍스트 검색을 통해 공급업체-문서 코퍼스를 검색하고, 후보의 순위를 재지정하고, 인용된 증거를 기준으로 모든 주장을 감사하고, 나머지 옵션의 근접성을 기준으로 나머지 옵션의 순위를 지정하는 한편, 사람에 대한 마지막 호출입니다.

MongoDB Atlas 에서 운영 데이터와 AI 기능을 통합하면 외부 조건에 거의 실시간 으로 대응하고 비즈니스를 민첩하게 유지할 수 있습니다.

참조 아키텍처

에이전트 알고 있는 모든 것이 아니라 컨텍스트 창 에 도달하는 모든 것으로 추론합니다. 모든 에이전트 결정은 이전 데이터 필터링에 따라 달라집니다. 데이터 영역은 정보를 먼저 표시하고, 필터링하고, 순위를 지정합니다. MongoDB Atlas 이 컨텍스트 계층으로 취급합니다. Atlas 상담원이 추론하기 전에 토큰을 받을 만한 증거를 결정합니다.

실시간 중단을 통해 추론하는 에이전트 지리 공간적 매칭, 벡터 검색, 전체 텍스트 검색, 순위 재지정 및 메모리 조회를 실행합니다. 별도의 데이터베이스, 벡터 저장소, 검색 엔진 간의 왕복 이동으로 인해 에이전트 속도가 느려집니다. MongoDB Atlas 집계 파이프라인 내에서 모든 쿼리를 실행합니다. 하나의 API 전체 스택 대체합니다.

컨텍스트 제어는 비용 제어이기도 합니다. 멀티에이전트 시스템은 단일 채팅보다 최대 15배 더 많은 토큰을 소비합니다. 중복 검색은 비용을 증가시킵니다. 모델 컨텍스트를 제어하여 예산을 제어합니다.

공급업체, 중단 신호 및 컴플라이언스 증거는 지속적으로 변경됩니다. 유연한 문서 모델 사용하여 이 변형을 하나의 컬렉션 에 저장 .

글로벌 공급망은 다양한 언어로 증거를 생성합니다. Voyage AI 다국어 증거를 하나의 공유 벡터 공간에 매핑하고,Atlas 자동 임베딩은 이러한 벡터를 동기화된 상태로 유지합니다. 다국어 검색은 외부 서비스가 아닌 네이티브 데이터베이스 속성 됩니다.

다음 아키텍처 다이어그램과 단계는 엔드 투 엔드 워크플로와 주요 데이터베이스 기능을 간략하게 설명합니다. 원시 외부 피드에서 승인된 대체 공급업체까지의 신호를 추적합니다.

그림 1. 높은 수준의 개요

클릭하여 확대

0단계: 구조화되지 않은 문서 수집

PDF, 이메일, 계약, 감사 보고서와 같은 구조화되지 않은 원시 비즈니스 문서를 cloud 저장 에서 MongoDB Atlas 에 직접 저장합니다. 보이지 AI 멀티모달 임베딩 모델은 청크 문서를 모든 언어 로 자동 임베드하여 안전한 데이터베이스 내 멀티모달 및 다국어 검색 활성화 합니다.

1단계:ERP에서 분리

ERP는 비즈니스 규칙을 집행하고 트랜잭션 워크플로를 소유합니다. 해당 규칙은ERP에 그대로 둡니다. 변경 데이터 캡처(CDC)를 통해 공급업체 및 주문 데이터를 Atlas 로 스트리밍하고, 에이전트가 ERP를 직접 쿼리하는 대신 해당 사본에서 읽을 수 있도록 합니다.

분리를 통해 새로운 기능은 자체 타임라인에 따라 ERP를 뛰어넘어 발전할 수 있습니다.

2-3단계: 외부 위험 신호 수집

실제 물류, 지정학, 기후 데이터를 운영 데이터 계층으로 가져옵니다. 이 외부 위험 데이터는 해양 교통, 미국 국립해양대기청(NOAA) 및 글로벌 뉴스 피드와 같은 출처에서 가져온 것입니다. 이 솔루션에서 수집 엔진 흐름을 초기화하기 위해 세션당 세 개의 데모 트리거하다 신호를 생성합니다.

수집 엔진 통해 원시 외부 신호를 처리합니다. 엔진 외부의 중단 이벤트를 정규화된 내부 비즈니스 언어 로 변환하고 구조화된 신호를 MongoDB Atlas 에 씁니다.

4단계: 공급업체 위험 평가(RiskEvaluator Agent)

정규화된 신호가 MongoDB Atlas 에 도달하면 위험 평가 에이전트를 트리거합니다. 에이전트 는 운영 데이터 및 agent_memory를 읽고, 지리 공간적 매칭($geoWithin)을 수행하고, 동적 RPN을 계산하고, 평가를 데이터베이스 에 다시 씁니다.

5단계: 대체 공급업체 검색(대체 공급업체 찾기 에이전트)

관리자가 영향을 받는 공급업체를 선택할 때 Alternative_finder 에이전트 활성화합니다. 에이전트 멀티모달 벡터 검색, 하이브리드 검색 ($rankFusion),네이티브 리랭킹($rerank)을 사용하여 문서 청크를 쿼리하여 규정을 준수하는 대체 공급업체를 찾은 다음, 후보 옵션을 MongoDB Atlas 에 다시 작성합니다.

6단계: 메모리 강화

risk_evaluator는 동적 RPN(Risk Priority Number)으로 각 중단에 점수를 매깁니다. 에이전트 점수를 확정하기 전에 메모리는 해당 점수에 직접 반영됩니다.

agent_memory를 평가당 두 번 쿼리합니다: 한 번은 공급업체 자체 기록에 대해, 다른 한 번은 위험 유형별 공급자 간 판례에 대해 쿼리합니다. alternative_finder는 소싱 측면에서 동일한 로직을 따릅니다. 후보자의 추적 를 매기기 전에 후보자의 기록 확인하고 유사한 공급업체로부터 시맨틱 판례를 가져옵니다.

Atlas 두 메모리 구조를 모두 기본적으로 처리합니다. 메모리는 두 가지 형태, 즉 구조화된 사실('이런 정확한 일이 일어났습니다')과 의미론적 유사성('이와 같은 일이 발생했습니다')의 두 가지 형태를 취합니다. 대부분의 아키텍처는 이를 두 시스템, 즉 사실을 위한 데이터베이스 와 유사성을 위한 벡터 저장 분할 . Atlas 에서는 하나의 컬렉션 두 가지가 모두 포함됩니다. 구조화된 필드와 내장된 텍스트가 함께 존재하기 때문에 정확한 find 쿼리와 $vectorSearch 쿼리 동일한 문서에 충돌합니다.

Intelligent Supply Hub 워크플로

다음 스윔레인 다이어그램은 중단이 발생하는 동안 시스템 계층 간에 제어가 이동하는 방식을 보여줍니다.

그림 2. 공급망 위험 분석 워크플로

클릭하여 확대

외부 위험 신호가 도착하면 ingestion_engine는 이를 MongoDB Atlas 로 정규화하고, risk_evaluator 에이전트 공급업체 위험 점수를 자동으로 계산하도록 트리거합니다. 그런 다음 조달 관리자가 표시된 위험 점수를 검토하고 영향을 받는 공급업체를 선택하는 첫 번째 인간 결정 점 에서 워크플로가 일시 중지됩니다. 이 선택 항목은 alternative_finder 에이전트 활성화하여 MongoDB Atlas 에서 대체 후보를 조회, 감사 및 재지정합니다. 마지막으로, 두 번째 인간 결정 점 에서 관리자는 대체 공급업체를 승인하기 위해 제공된 미리 표시되고 인용된 컴플라이언스 문서를 검토합니다. 이렇게 하면 격리된 시스템, 파일 형식, 다른 언어에 걸쳐 수동으로 검색할 필요가 없습니다.

데이터베이스 내 멀티모달 및 다국어 인텔리전스

글로벌 공급망 관리 위해서는 여러 언어로 작성된 PDF 계약, 거래 협약, 컴플라이언스 인증서, 감사 보고서 등 구조화되지 않은 다중 형식의 비즈니스 문서를 검색해야 합니다.

MongoDB Atlas 검색할 수 없는 문서 사일로에 남아 있을 중요한 컴플라이언스 인사이트를 표시하기 위해 운영 데이터와 함께 Voyage AI 멀티모달 벡터 임베딩을 직접 저장하여 이러한 복잡성을 처리합니다.

Atlas 자동 임베딩

PDF 계약, 스캔한 감사 보고서, 거래 계약과 같은 구조화되지 않은 공급업체 컴플라이언스 기록 및 계약을 청크 및 임베드하여 MongoDB Atlas 에 저장 .

autoEmbed 유형의 벡터 검색 인덱스 생성하여 문서 청크에서 자동 임베딩을 활성화 . 이렇게 하면 구성된 Voyage AI 모델을 사용하여 데이터를 삽입하거나 업데이트 때 벡터 임베딩이 자동으로 생성됩니다.

db.suppliers.createSearchIndex(
  "suppliers_autoembed_index",
  "vectorSearch",
  {
    fields: [
      {
        type: "autoEmbed",
        modality: "text",
        path: "auto_embed_text",
        model: "voyage-4"
      },
      { type: "filter", path: "region" },
      { type: "filter", path: "product_categories" },
      { type: "filter", path: "status" }
    ]
  }
);

자동 임베딩은 외부 임베딩 서비스와 복잡한 ETL 파이프라인을 제거하는 동시에 MongoDB Atlas 보안 경계 내에 데이터를 안전하게 보관합니다.

그림 3. 위험 평가 에이전트

클릭하여 확대

집계 파이프라인, 검색 기능 및 유연한 문서 모델 활용하여 이러한 청크에 대해 고급 쿼리를 실행하고 수집한 데이터에 대해 컴플라이언스 유효성 검사 수행합니다.

멀티모달 임베딩 검색 및 조회

문서 청크가 MongoDB Atlas 에 저장된 상태에서 하이브리드 검색 사용하여 구조화되지 않은 데이터를 쿼리 . 중단 중에 대체 파트너를 찾기 위해 동적 검색 쿼리 구성합니다. 리전별 사전 필터를 자세한 시맨틱 쿼리 문자열과 결합합니다. 예시 를 들어 '품질 인증이 활성화되고 긴급 배송이 이뤄지는 관세중립무역 구역 의 포장재 제조업체'를 검색 .

단일 MongoDB Atlas 집계 파이프라인 에서 이 검색 실행합니다. $rankFusion 하이브리드 검색 사용하여 벡터 유사성을 전체 텍스트 검색 관련성과 병합합니다. 이 하이브리드 쿼리 시맨틱 개념과 정확한 키워드를 동시에 일치시킵니다.

검색 정확도를 개선하기 위해Voyage AI 재순위 모델을 사용하여 퓨전 후 네이티브 재순위 단계($rerank)를 체인으로 연결합니다. 데이터베이스 내 교차 인코더는 쿼리 와 함께 후보 청크를 평가하여 정확한 관련성 점수를 계산합니다. 파이프라인 내에서 순위 재지정을 실행하면 민감한 공급업체 기록이 데이터베이스 경계 내에 안전하게 보관됩니다.

그림 4. 대체 찾기 공급업체 에이전트

클릭하여 확대

다국어 지능

사용자 지정 번역 파이프라인을 구축하지 않고도 모든 언어 로 된 글로벌 공급업체 문서를 검색하고 분석 . Voyage AI 다국어 모델은 다양한 언어의 텍스트를 공유 벡터 공간에 매핑합니다.

데이터베이스 영어로 쿼리하여 아랍어, 스페인어, 중국어 또는 베트남어로 작성된 관련 계약서 또는 인증서를 조회 할 수 있습니다. 이러한 다국어 임베딩을 MongoDB Atlas 에 기본적으로 저장하여 지연 시간 거의 0에 가까운 언어 간 시맨틱 검색을 실행할 수 있습니다.

글로벌 공급업체 문서를 단일 다국어 검색 인덱스 로 통합하여 국제 컴플라이언스 워크플로를 간소화하고 번역 오버헤드 제거 .

데이터 모델 접근 방식

리지드 데이터베이스는 호환되지 않는 데이터 형식을 플랫 테이블로 강제합니다. 실제 공급망 엔티티는 끊임없이 변화하며 복잡하고 진화하는 구조를 가지고 있습니다. 유연한 문서 네이티브 스키마 통해 데이터 모델 비즈니스 속도에 맞게 발전시킬 수 있습니다. 운영 기록, 벡터 임베딩 및 좌표를 단일 API 에 기본적으로 저장합니다. 경직된 데이터베이스 마이그레이션으로 인한 개발 다운타임을 방지합니다.

이 솔루션은 8개의 컬렉션을 사용하여 위험 및 대체 소싱을 관리 .

문서 모델 에 대한 전체 개요는 솔루션의 백엔드 README를 참조하세요. external_conditions 및 supplier_documents 컬렉션을 검사하여 문서 모델 의 이점을 알아보세요.

{
  "condition_id": "COND-20260505-0941",
  "risk_type_triggered": "logistics_disruption",
  "condition_score": 0.76,
  "has_physical_location": true,
  "detected_at": "2026-05-05T09:41:00Z",
  "valid_until": "2026-05-08T09:41:00Z"
}

{
  // other shared fields
  "epicentre": {
    "type": "Point",
    "coordinates": [114.1095, 22.5229]
  },
  "impact_radius_km": 80,
  "has_physical_location": true,
}

{
  // other shared fields
  "affected_regions": ["CN", "HK"],
  "has_physical_location": false,
}

{
  "supplier_id": "SUP-882",
  "doc_type": "quality_certification",
  "filename": "certificado_SUP882_2024.pdf",
  "chunk_index": 2,
  "chunk_total": 4,
  "chunk_text": "ISO 9001:2015 and IATF 16949:2016. Valid 2024-11-01 to 2027-10-31...",
  "page_ref": 1,
  "valid_until": "2027-10-31T00:00:00Z",
  "embedding": [/* 1024 dimensions */]
}

솔루션 빌드

에이전트적 공급망 위험 솔루션을 배포합니다.

전제 조건

시작하기 전에 다음 계정, 키 및 소프트웨어가 있는지 확인하세요.

• MongoDB Atlas 계정: Atlas cluster (M10 계층 이상).

• Anthropic API 키: LLM 추론 및 계획을 강화하는 데 사용되는 활성 API 키입니다.

• Docker Desktop: 프론트엔드 및 백엔드 서비스를 실행 데 필요한 애플리케이션 입니다.

1

Atlas 설정 구성

코드를 배포 전에 다음 Atlas 기능을 활성화하세요.

1. MongoDB Atlas 계정에 로그인합니다.

2. 프로젝트설정에서 $rerank 집계 단계를 활성화합니다.

3. 프로젝트 수준의 Voyage 모델 API 키를 Atlas 프로젝트 설정에 추가합니다.

2

데이터베이스 구성 및 시드

데이터베이스 설정하고 시드 파일을 가져오고 필요한 인덱스를 빌드 데모를 실행 .

MongoDB Atlas 에 로그인하고 Atlas cluster 에 retail-supply-chain-risk라는 데이터베이스 생성합니다.

docs/ 설정 /collections 폴더에서 5개의 시드 JSON 파일을 가져옵니다.

1. Collections 화면에서 새 데이터베이스 선택합니다.

2. 더하기(+) 아이콘을 클릭하거나 Create Collection를 클릭하여 5개의 컬렉션을 각각 추가합니다.

3. 각 컬렉션 선택하고 Import Data을 클릭한 다음 해당 JSON 파일 업로드합니다.

벡터 검색, 하이브리드 검색 및 지리 공간적 쿼리를 실행 데 필요한 지리 공간적 및 검색 인덱스를 생성합니다. 인덱스 구성은 docs/ 설정/indexes 폴더에 있습니다. 다음 단계를 실행하여 각 인덱스 생성합니다.

mongosh "<your-connection-string>" --file suppliers-location-2dsphere.js
mongosh "<your-connection-string>" --file external_conditions-epicentre-2dsphere.js
mongosh "<your-connection-string>" --file suppliers_autoembed_index.js
mongosh "<your-connection-string>" --file agent_memory_autoembed_index.js
mongosh "<your-connection-string>" --file supplier_documents_vector_index.js
mongosh "<your-connection-string>" --file supplier_documents_fulltext_index.js

3

리포지토리 복제 및 환경 변수 구성

GitHub에서 프로젝트 리포지토리 복제합니다.

git clone https://github.com/mongodb-industry-solutions/retail-supply-chain-management.git

프론트엔드 및 백엔드 환경 변수를 구성합니다.

1. 샘플 프론트엔드 /EXAMPLE.env를 동일한 디렉토리 의 새 .env 파일 에 복사합니다. 자리 표시자 값을 구성 세부 정보로 바꿉니다. BACKEND_URL를 http://127.0.0.1:8000로 설정합니다.

2. 샘플 백엔드/.env를 복사합니다. 예시 동일한 디렉토리 의 새 .env 파일 에 추가합니다. 자리 표시자 값을 구성 세부 정보로 바꿉니다. Anthropic API 키를 LLM_API_KEY(으)로 추가합니다.

4

애플리케이션 빌드 및 실행

Docker Compose를 사용하거나 백엔드 와 프론트엔드 별도로 실행 하여 멀티 서비스 환경을 컴파일하고 실행하세요.

Docker Compose를 사용하여 애플리케이션 시작하려면 실행.

make build

서비스를 수동으로 실행 하려면 먼저 프론트엔드 시작합니다.

cd frontend
npm i
npm run dev

그런 다음 루트 디렉토리 로 이동하여 백엔드 를 시작합니다.

make uv_init
make uv_sync
source backend/.venv/bin/activate
cd backend
uvicorn main:app --reload

브라우저의 http://localhost:3000에서 프론트엔드 대시보드 엽니다.http://localhost:8000/docs 에서 대화형 API 문서를 확인하세요.

그림 5. 지능형 공급업체 허브 시스템

클릭하여 확대

데모를 탐색하려면 사용자 가이드 읽어보세요.

주요 학습 사항

이 솔루션은 AI 기반 공급망 애플리케이션을 구축하기 위한 몇 가지 중요한 구조 패턴 보여줍니다.

• 비용 관리를 위한통합 인텔리전스 계층 구축: MongoDB Atlas 에 통합 인텔리전스 계층을 생성하여 엄격한 레거시 시스템에서 공급업체 관리 분리합니다. CDC를 사용하여ERP의 데이터를 동기화하여 운영 데이터, 벡터 임베딩 및 에이전트 메모리를 하나의 플랫폼으로 통합하세요. 이 구조를 통해 상담원은 ERP를 직접 쿼리하지 않고도 현재 상태 읽을 수 있습니다. 작동 확인 및 조회를 위해 동일한 문서 읽은 다음 지리 공간적 필터, 하이브리드 검색 사용하여 데이터를 결정론적으로 좁히고 LLM이 데이터를 받기 전에 순위를 다시 매깁니다. 모델에 도달하는 항목을 제어하면 추론 성능이 최적화되고 실행 비용이 절감됩니다.

• 여러 언어로 비정형 데이터 통합: PDF 계약, 이메일 및 스캔한 감사 보고서와 같은 비정형 문서를 구조화된 공급업체 기록과 함께 저장합니다. Voyage AI 사용하여 이러한 다양한 형식을 단일 MongoDB 컬렉션 에 임베드할 수 있습니다. 이 통합 레이아웃을 사용하면 텍스트와 이미지에 걸쳐 시맨틱 쿼리를 수행할 수 있으므로 별도의 데이터베이스 시스템을 유지 관리하지 않고도 검색 아키텍처를 간소화할 수 있습니다. 또한 멀티모달 임베딩 모델을 사용하면 번역 오버헤드 없이 교차 언어 쿼리를 활성화 .

• Atlas 내에서 검색 및 순위 재지정 유지: 벡터 검색, 전체 텍스트 검색 및 네이티브 재순위 지정을 단일 데이터베이스 쿼리 로 통합합니다. $rankFusion을(를) 사용하여 하이브리드 검색 실행 하고 네이티브 $rerank을(를) 집계 파이프라인 내에서 직접 Voyage AI 와 연결합니다. 이렇게 하면 예비 네트워크 홉, API 지연 시간 및 사용자 지정 자격 증명 관리 필요하지 않습니다.

작성자

• Florencia Arin, MongoDB

• Angie Guemes, MongoDB

• MongoDB , Ronan Conlon

• 다니엘 자미르, MongoDB

자세히 알아보기

• 리테일 혁신을 위한 MongoDB

• MongoDB Atlas, Voyage AI 및 멀티모달 검색을 사용한 Agentic 공급업체 관리