MongoDB를 사용하는 에이전트 기반 공급업체 관리

솔루션 개요

전 세계 공급망은 상시적인 거시적 중단에 직면합니다. 지정학, 기상 이벤트 및 물류 병목은 순식간에 운영 연속성을 위협합니다.

레거시 엔터프라이즈 리소스 계획(ERP) 시스템은 이러한 급격한 변화에 적응할 수 없습니다. 그들은 강제적인 관계형 테이블, 정적 스프레드시트, 그리고 조회할 수 없는 PDF 계약서 및 이메일 내에 중요한 공급업체 정보를 가두어 놓습니다. 중단이 발생하면, 조달 팀은 연결되지 않은 사일로에서 수동으로 데이터를 수집하는 데 수 시간 또는 수 일을 소비합니다. 이러한 지연은 재고 부족, 예상치 못한 비용 및 소비자 신뢰 상실로 이어집니다.

레거시 ERP에서 공급업체 관리 분리 MongoDB Atlas에서 현대화된 통합 인텔리전스 계층을 구축하여 핵심을 강화하세요.

이 솔루션은 MongoDB Atlas를 컨버지드 데이터 저장소로 간주합니다. 즉, 운영 저장, 벡터 저장, 검색 엔진 및 에이전트 메모리로 동시에 기능하는 단일 플랫폼입니다. 자율 에이전트가 실시간 중단에 대해 추론하는 데 필요한 모든 컨텍스트 정보(공급업체의 위치, 미결 구매 주문, 인증서 및 선례 기록)는 쿼리 한 번으로 동일한 컬렉션에 동일한 액세스 제어 하에 액세스할 수 있습니다.

지능형 데이터 계층 상에서 다음 백엔드 모듈은 원시 중단 신호를 검증되고 사람이 승인한 결정으로 전환합니다.

• ingestion_engine: LLM, 에이전트 또는 추론 루프가 없는 결정적 정규화 계층입니다. 이것은 원시 외부 신호(지정학적, 기후 및 물류 데이터 등)를 일관적인 내부 형식으로 변환하고 Atlas에 쓰기 (write)합니다. 모든 하위 프로세스가 의지하는 깨끗한 시작점을 제공합니다.

• risk_evaluator: 실시간 공급업체 및 구매 주문 데이터에 대해 해당 신호를 읽고, 지리 공간적으로 노출을 일치시키고, 동적 위험 우선 순위 번호(RPN)를 계산하고, agent_memory에 저장된 과거 선례를 추론한 다음 일반 언어로 된 위험 요약을 Atlas에 다시 기록하는 LangGraph 에이전트입니다.

• alternative_finder: 관리자가 공급업체에 대한 조치를 표시하면 공급업체 문서 코퍼스를 하이브리드 벡터 및 전체 텍스트 검색으로 검색하고, 후보 순위를 다시 매기고, 인용된 증거에 대해 모든 주장을 감사하고, 최종 호출하는 것은 사람에게 맡기면서 나머지 옵션의 순위를 근접성별로 매기는 LangGraph 에이전트입니다.

MongoDB Atlas에서 운영 데이터와 AI 역량을 통합하면 거의 실시간으로 외부 상황에 대응하고 비즈니스를 Agile하게 유지할 수 있습니다.

참조 아키텍처

에이전트는 자신이 알고 있는 모든 것이 아니라 컨텍스트 창에 도달하는 모든 것을 사용하여 추론합니다. 모든 에이전트 결정은 이전 데이터 필터링에 따라 달라집니다. 데이터 계층은 정보를 먼저 표면화하고, 필터링하고, 순위를 매깁니다. MongoDB Atlas를 이 컨텍스트 계층으로 취급하세요. Atlas는 에이전트가 추론하기 전에 어떤 증거에 토큰을 할당할지 결정합니다.

실시간 중단을 통해 추론하는 에이전트는 지리 공간적 일치, 벡터 검색, 전체 텍스트 검색, 재순위 지정 및 메모리 조회를 실행합니다. 별도의 데이터베이스, 벡터 저장, 검색 엔진 간의 왕복 호출은 에이전트의 속도를 느리게 합니다. MongoDB Atlas 집계 파이프라인 내에서 모든 쿼리를 실행. 하나의 API가 전체 스택을 대체합니다.

컨텍스트 제어는 곧 비용 제어입니다. 멀티 에이전트 시스템은 단일 채팅보다 최대 15배 더 많은 토큰을 소비합니다. 중복 검색은 비용을 증가시킵니다. 예산을 관리하려면 모델 컨텍스트를 제어하세요.

공급업체, 중단 신호 및 컴플라이언스 증거는 지속적으로 변경됩니다. 유연한 document model을 사용하여 하나의 컬렉션에 이 변경사항을 저장합니다.

글로벌 공급망은 다양한 언어로 증거를 생성합니다. Voyage AI는 다국어 증거를 하나의 공유 벡터 공간에 매핑하고, Atlas Auto-Embedding은 이러한 벡터를 동기화된 상태로 유지합니다. 다국어 검색은 외부 서비스가 아닌 네이티브 데이터베이스 속성이 됩니다.

다음 아키텍처 다이어그램과 단계에서는 전체 워크플로우 및 주요 데이터베이스 역량을 설명합니다. 원시 외부 피드에서 승인된 대체 공급업체로 신호를 추적합니다.

그림 1. 전체적인 개요

클릭하여 확대

단계 0: 비구조화 문서 수집

PDF, 이메일, 계약서, 감사 보고서와 같은 원시 비정형 비즈니스 문서를 클라우드 저장소에서 MongoDB Atlas로 직접 저장하세요. Voyage AI 멀티모달 임베딩 모델은 청크된 문서를 자동으로 임베딩 하여 모든 언어로 안전한 데이터베이스 내 멀티모달 및 다국어 검색을 지원합니다.

1단계: ERP에서 분리

ERP는 비즈니스 규칙을 시행하고 트랜잭션 워크플로우를 관리합니다. 그 규칙들을 ERP에 그대로 두세요. 자사의 공급업체 및 주문 데이터를 Change Data Capture(CDC)를 통해 Atlas로 스트리밍하여, ERP를 직접 조회하는 대신 에이전트가 이 복사본에서 데이터를 읽을 수 있게 합니다.

결합 해제를 통해 ERP 상위에서 새로운 역량이 고유한 타임라인에 따라 발전할 수 있습니다.

2단계—3: 외부 위험 신호 수집

실제 물류, 지정학적, 기후 데이터를 운영 데이터 계층으로 가져옵니다. 이 외부 위험 데이터는 MarineTraffic, 미국 해양대기청(NOAA), 글로벌 뉴스 피드와 같은 출처에서 제공됩니다. 이 솔루션에서 ingestion 엔진은 세션당 3개의 데모 trigger 신호를 생성하여 흐름을 초기화합니다.

수집 엔진을 통해 원시 외부 신호를 처리합니다. 엔진은 외부 중단 이벤트를 정규화된 내부 비즈니스 언어로 변환하고 구조화된 신호를 MongoDB Atlas에 쓵니다.

단계 4: 공급업체 위험 평가 (위험 평가 에이전트)

정규화된 신호가 MongoDB Atlas에 도달하면 Risk Evaluator 에이전트를 trigger합니다. 이 에이전트는 운영 데이터와 agent_memory를 읽고, 지리 공간적 매칭 ($geoWithin)을 수행하며, 동적 RPN을 계산하고, 평가 결과를 데이터베이스에 다시 쓰기 (write)합니다.

5단계: 대체 공급업체 발견 (대체 공급업체 찾기 에이전트)

관리자가 영향을 받는 공급업체를 선택하면 alternative_finder 에이전트를 활성화합니다. 에이전트는 멀티모달 벡터 검색, 하이브리드 검색 ($rankFusion), 네이티브 리랭킹 ($rerank)을 사용하여 문서 청크를 쿼리하여 규정을 준수하는 대체 공급업체를 찾은 다음 후보 옵션을 MongoDB Atlas에 다시 쓰기 (write).

6단계: 메모리 강화

risk_evaluator은 각 중단에 동적 위험 우선 순위 번호(RPN)를 매경니다. 메모리는 에이전트가 최종 완료하기 전에 해당 점수에 직접 영향을 줍니다.

평가당 agent_memory을(를) 두 번 쿼리합니다. 한 번은 공급업체 자체 기록을 쿼리하고, 다른 한 번은 위험 유형별 공급업체 간 선례를 쿼리합니다. alternative_finder은 소스잉 측면에서도 동일한 논리를 따릅니다. 지원자의 추적 기록을 확인하고, 지원자의 순위를 매기기 전에 유사한 공급업체에서 의미론적 선례를 찾습니다.

Atlas는 두 가지 메모리 구조를 네이티브게 처리합니다. 기억은 구조화된 사실 ("이런 일이 정확히 발생했습니다")과 의미론적 유사성 ("이런 유사한 일이 발생했습니다") 두 가지 형태로 나누어집니다. 대부분의 아키텍처는 이러한 자료를 두 개의 시스템으로 분할합니다. 사실을 위한 데이터베이스 하나와 유사성을 위한 벡터 저장 하나입니다. Atlas에서는 하나의 컬렉션이 두 가지 모두 담습니다. 구조화된 필드와 내장된 텍스트가 나란히 존재하기 때문에 정확한 find 및 $vectorSearch 쿼리는 동일한 문서를 찾습니다.

지능형 공급 허브 워크플로우

다음 스임레인 다이어그램에서는 중단 또는 장애 발생 시 제어가 시스템 계층 간을 가로질러 이동하는 방법을 보여줍니다.

그림 2. 공급망 위험 분석 워크플로

클릭하여 확대

외부 위험 신호가 도착하면, ingestion_engine은 이를 MongoDB Atlas로 정규화하고, risk_evaluator 에이전트를 트리거하여 공급업체 위험 점수를 자동으로 계산합니다. 워크플로우는 그 다음 첫 번째 사람 결정 점에서 일시 중지됩니다. 이 점에서 조달 관리자가 표시된 위험 점수를 검토하고 영향을 받은 공급업체를 선택합니다. 이 선택 항목은 alternative_finder 에이전트를 활성화하여 MongoDB Atlas에서 대체 후보를 조회, 감사 및 재순위 지정합니다. 마지막으로, 두 번째 사람의 의사 결정 지점에서는 관리자가 미리 제시되고 인용된 컴플라이언스 문서를 제공받아 대체 공급업체를 승인하기 위해 검토합니다. 이것은 사일로화된 시스템, 파일 형식 및 외국 언어 전반에서 수동 검색을 없애니다.

데이터베이스 내 다중 모드 및 다국어 지능

그로벌 공급망 관리는 여러 언어로 작성된 PDF 계약서, 무역 협정, 컴플라이언스 인증서, 감사 보고서 등 비정형, 다중 형식 비즈니스 문서를 검색해야 합니다.

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

Atlas 자동 임베딩

PDF 계약, 스캔된 감사 보고서, 무역 협정 등 비정형 공급업체 컴플라이언스 기록 및 계약을 청크화 및 임베딩하여 MongoDB Atlas에 저장합니다.

문서 청크에서 자동 임베딩을 활성화하려면 autoEmbed 유형으로 벡터 검색 인덱스를 생성하세요. 이렇게 하면 구성된 Voyage AI 모델을 사용하여 데이터 삽입 또는 업데이트 시 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" }    ]  });

MongoDB Atlas 보안 경계 내에서 데이터를 안전하게 유지하면서, 자동 임베딩은 외부 임베딩 서비스 및 복잡한 ETL 파이프라인을 제거합니다.

그림 3. 위험 평가 에이전트

클릭하여 확대

집계 파이프라인, 검색 역량 및 유연한 document model을 활용하여 이러한 청크에 대한 고급 쿼리를 실행하고 수집된 데이터에 대한 컴플라이언스 유효성 검사를 수행합니다.

다중 모드 임베딩 검색 및 검색 결과 검색

MongoDB Atlas에 문서 청크를 저장하여 하이브리드 검색으로 비정형 데이터를 쿼리합니다. 중단 시 대체 파트너를 찾기 위한 동적 검색 쿼리를 구성합니다. 지역 사전 필터와 세부 의미 쿼리 문자열을 결합합니다. 예시를 들어, "유효한 품질 인증을 보유하고 관세 중립 무역 구역에 있는 급한 배송 약속이 있는 포장 재료 제조업체"를 검색할 수 있습니다.

단일 MongoDB Atlas 집계 파이프라인에서 이 검색을 실행하세요. $rankFusion 하이브리드 검색을 사용하여 벡터 유사성을 전체 텍스트 검색 관련성과 병합합니다. 이 하이브리드 쿼리는 의미론적 개념과 정확한 키워드를 동시에 일치시킵다.

검색 정확도를 높이기 위해 Voyage AI 리랭킹 모델 을 사용하여 융합 후 네이티브 리랭크 단계()를 연결합니다.$rerank 데이터베이스 내 크로스 인코더는 쿼리와 함께 후보 청크를 공동으로 평가하여 정확한 관련성 점수를 계산합니다. 파이프라인 내에서 리랭킹을 실행하면 민감한 공급업체 기록을 데이터베이스 경계 내에서 안전하게 유지할 수 있습니다.

그림 4. 대체 공급업체 검색 에이전트

클릭하여 확대

다국어 지능

사용자 지정 번역 파이프라인을 구축하지 않고 모든 언어로 전 세계 공급업체 문서를 검색 및 분석합니다. Voyage AI 다국어 모델은 다양한 언어의 텍스트를 공유 벡터 공간으로 매핑합니다.

데이터베이스를 영어로 쿼리하여 아랍어, 스페인어, 중국어 또는 베트남어로 작성된 관련 계약 또는 인증서를 조회합니다. 이러한 다국어 임베딩을 MongoDB Atlas에 네이티브 방식으로 저장하여 거의 0에 가까운 지연 시간으로 교차 언어 시맨틱 검색을 실행합니다.

전 세계 공급업체 문서를 단일 다국어 검색 인덱스로 통합하여 국제 컴플라이언스 워크플로를 간소화하고 번역 오버헤드를 제거합니다.

데이터 모델 접근 방식

경직적인 데이터베이스는 호환되지 않는 데이터 형식을 평면 테이블에 집어넣도록 강제합니다. 실제 공급망 엔티티는 끊임없이 변화하며 복잡하고 진화하는 구조를 가집니다. 유연한 문서 네이티브 스키마는 데이터 모델이 비즈니스 성장 속도에 맞추어 발전할 수 있도록 합니다. 단일 API 하에서 운영 기록, 벡터 임베딩 및 좌표를 기본적으로 저장합니다. 엄격한 데이터베이스 마이그레이션으로 인한 개발 중단 시간을 방지합니다.

이 솔루션은 위험 관리와 대체 소스링을 위해 8개의 컬렉션을 사용합니다.

document model에 대한 전체 개요는 솔루션의 백엔드 README를 참조하세요. external_conditions 및 supplier_documents 컬렉션을 검토하여 document model의 이점을 살펴보세요.

{  "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

AI 기반 공급망 위험 솔루션을 배포합니다.

전제 조건

시작하기 전에 다음 계정, 키 및 소프트웨어를 준비하세요.

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

• Anthropic API 키: LLM 추론 및 계획을 지원하는 활성화된 API 키.

• Docker Desktop: 프론트엔드 및 백엔드 서비스를 실행하는 데 필요한 애플리케이션입니다.

1

Atlas 설정 구성

코드를 배포하기 전에 다음 Atlas 역량을 활성화하십시오.

1. MongoDB Atlas 계정에 로그인합니다.

2. 활성화 $rerank 집계 단계를 프로젝트 설정에서 활성화합니다.

3. 프로젝트 수준의 Voyage Model API 키를 Atlas 프로젝트 설정에 추가하세요.

2

데이터벤이스 구성 및 시드

데모를 실행하려면 데이터베이스를 설정하고, 시드 파일을 가져오고, 필요한 인덱스를 빌드하십시오.

MongoDB Atlas에 로그인하고 Atlas 클러스터에 retail-supply-chain-risk 이라는 이름의 데이터베이스를 만듭니다.

Docs/설정/컬렉션 폴더에서 5개의 시드 JSON 파일을 가져옵니다.

1. Collections 화면에서 새 데이터베이스를 선택하세요.

2. 더하기(+) 아이콘을 클릭하거나 Create Collection을 클릭하여 다섯 개의 컬렉션을 각각 추가합니다.

3. 각 컬렉션을 선택하고, Import Data을 클릭하여, 해당 JSON 파일을 업로드합니다.

벡터 검색, 하이브리드 검색 및 지리 공간적 쿼리를 실행하는 데 필요한 지리 공간적 및 검색 인덱스를 생성합니다. 인덱스 구성은 Docs/설정/인덱스 폴더에 있습니다. 각 인덱스를 생성하려면 다음 단계를 실행하십시오.

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

3

리포지토리 복제 및 환경 변수 구성

Github에서 프로젝트 리포지토리를 복제합니다.

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

프론트엔드 및 백엔드 환경 변수를 구성합니다:

1. 샘플 프론트엔드/예시.env를 동일한 디렉토리의 새 .env 파일로 복사합니다. 자리 표시자 값을 구성 세부 정보로 바꿉니다. BACKEND_URL을(를) http://127.0.0.1:8000(으)로 설정합니다.

2. 샘플 백엔드/.env.예시을 동일한 디렉토리의 새 .env 파일로 복사합니다. 자리 표시자 값을 구성 세부 정보로 바꿉니다. Anthropic API 키를 LLM_API_KEY로 추가합니다.

4

애플리케이션 빌드 및 실행

Docker Compose를 사용하거나 백엔드와 프론트엔드를 별도로 실행하여 다중 서비스 환경을 컴파일하고 실행합니다.

Docker Compose로 애플리케이션을 실행하려면, 다음을 실행합니다:

make build

서비스를 수동으로 실행하려면 먼저 프론트엔드를 시작합니다.

cd frontendnpm inpm run dev

그 다음, 루트 디렉토리로 이동하여 백엔드를 시작합니다.

make uv_initmake uv_syncsource backend/.venv/bin/activatecd backenduvicorn main:app --reload

브라우저에서 http://localhost:3000의 프론트엔드 대시보드를 엽니다. http://localhost:8000/docs에서 대화형 API Docs를 확인하세요.

그림 5. 지능형 공급업체 허브 시스템

클릭하여 확대

데모를 탐색하려면 사용자 가이드를 읽어보세요.

주요 학습 사항

이 솔루션은 AI 기반 공급망 애플리케이션 구축을 위한 여러 개의 중요한 건축 패턴을 보여줍니다.

• 비용을 제어하는 통합 인텔리전스 레이어 빌드: MongoDB Atlas에서 통합 인텔리전스 레이어를 생성하여 경직된 레거시 시스템에서 공급업체 관리를 분리합니다. CDC를 사용하여 ERP에서 데이터를 동기화하여 운영 데이터, 벡터 임베딩, 에이전트 메모리를 단일 플랫폼에서 통합합니다. 이 구조는 에이전트가 ERP에 직접 쿼리하지 않고도 현재 상태를 읽을 수 있도록 합니다. 운영 검사 및 검색을 위해 동일한 문서를 읽은 후, LLM이 받기 전에 지리 공간적 필터, 하이브리드 검색 및 리랜킹을 사용하여 결정적으로 데이터 범위를 접히고 제한합니다. 모델에 도달하는 것을 제어하면 추론 성능이 최적화되고 실행 비용이 절감됩니다.

• 여러 언어로 비정형 데이터 통합: 비정형 문서(예: PDF 계약서, 이메일, 스캔된 감사 보고서)를 정형화된 공급업체 기록과 함께 저장합니다. Voyage AI를 사용하여 이러한 다양한 형식을 단일 MongoDB 컬렉션에 포함하세요. 이 통합 레이아웃은 텍스트와 이미지 전체에 대한 의미 검색 쿼리를 가능하게 하여 별도의 데이터베이스 시스템을 유지할 필요 없이 검색 아키텍처를 간소화합니다. 또한, 멀티모달 임베딩 모델은 번역 오버헤드 없이 교차 언어 쿼리를 가능하게 합니다.

• Atlas 내에서 검색 및 재순위 지정 유지: 벡터 검색, 전문 검색 및 네이티브 재순위 지정을 단일 데이터베이스 쿼리에서 통합합니다. $rankFusion을(를) 사용하여 하이브리드 검색을 실행합니다. 그리고 집계 파이프라인 내에서 네이티브 $rerank과 Voyage AI를 직접 연결합니다. 이로써 예비 네트워크 혹, API 지연 시간, 및 사용자 지정 자격 증명 관리를 제거합니다.

작성자

• Florencia Arin, MongoDB

• Angie Guemes, MongoDB

• 로넌 콘런, MongoDB

• 다니엘 자미르, MongoDB

자세히 알아보기

• 리테일 혁신을 위한 MongoDB

• MongoDB Atlas, Voyage AI 및 다중 모델 검색을 활용하는 Agent적 공급업체 관리