Rede baseada em intenção: automação de rede Agent

Visão Geral da Solução

Telecomunicações e mídia estão entre os setores que Lideram a adesão à IA, ao lado de software e tecnologia. No entanto, a lacuna entre os principais e todas as outras continua aumentando: as empresas na linha de frente da capacidade de IA geram aproximadamente o dobro do crescimento da receita de suas pares, enquanto quase três quartos de todas as empresas ainda precisam mostrar qualquer valor tangível de seus projetos de IA. A Telecom está à frente em uma frente em particular – ela tem a maior taxa de aprovação de IA por agentes de qualquer setor. A lacuna não é o modelo. É tudo por baixo que os agentes precisam para agir com base nos dados da rede ao vivo:

• Pipeline de dados

• Pesquisa vetorial

• Embeddings

• Memória de curto e longo prazo

• Processamento em tempo real

A automação de rede agente preenche essa lacuna. Em vez de engenheiros traduzindo solicitações em configurações de dispositivos manualmente, agentes autônomos interpretam metas, planejam alterações, agem na rede e verificam o resultado. IBN é a expressão mais clara desse padrão. Você declara um resultado de rede em termos comerciais simples e o sistema o entrega e o protege sem intervenção adicional.

Com o IBN, o cliente de uma operadora descreve o que precisa, não como construí-lo. Por exemplo: Abra uma nova loja principal. Dê prioridade ao tráfego do PDV, mantenha o Wi-Fi dos convidados estritamente separado, adicione um uplink para a gravação e mantenha a latência do PDV abaixo de 40 ms.

Um agente central traduz essa intenção em políticas de rede, provisionamento os serviços e monitorar-os continuamente. Quando a rede se desvia da promessa, o agente diagnostica a causa e aplicar uma correção por conta própria.

O MongoDB Atlas serve como a camada de dados operacionais que impulsiona esse fluxo de trabalho. Ele consolida todos os recursos de que o agente precisa em um banco de dados, fornecendo query em tempo real sobre o estado atual da rede, contratos de clientes, históricos de eventos e perspicácia do operador. A camada de IA se conecta diretamente aos dados, eliminando barramento de mensagens, cache ou pipeline de ETL. A seção Arquiteturas de Referência mostra como esse framework funciona em detalhes.

Arquiteturas de referência

A solução é executada em um único agente apoiado pelo MongoDB Atlas. A Figura 1 mostra os principais componentes:

• Um orquestrador baseado em ReAct

• Um roteador semântico de dois estágios

• Um conjunto de microsserviços MCP especializados

• Coleção Atlas armazenar os dados da rede e a memória do agente

Cada serviço lê e grava no Atlas, eliminando a necessidade de manter barramento de mensagens, cache ou pipeline de ETL. Esta base é extensível: o mesmo orquestrador, roteador e camada de memória assumem novos domínios adicionando serviços e coleções MCP. Este framework prepara o cenário para futuros casos de uso, como um Digital Network Twin para planejamento de capacidade de what-if.

Figura 1. O orquestrador roteia cada query através do MongoDB Atlas, que armazena o catálogo de serviços, as coleções IBN e a memória do agente.

Abordagem do modelo de dados

O IBN funciona com diferentes formatos de dados, e o MongoDB Atlas os mantém todos em um só lugar. Cada uma das seguintes coleções mapeia para uma parte do fluxo de trabalho:

• ibn_intents: Armazena a intenção analisada e seu estado de ciclo de vida. Ele contém todos os campos especificados na solicitação, como o teto de latência ou a política de segmentação.

• ibn_sites: Contém os sites de rede com coordenadas indexadas por 2dsphere para pesquisas geoespaciais.

• ibn_resources: Contém os recursos de rede disponíveis em cada site.

• ibn_policy_snapshots: Armazena snapshots de plano imutáveis que preservam o histórico completo do planejamento.

• ibn_telemetry. Armazena amostras de métricas em uma coleção de séries temporais.

• ibn_compliance_events: Armazenar o registro de cada violação e recuperação.

• ibn_knowledge_chunks: Armazena incidentes passados, runbooks e modelos, autoincorporados com Voyage AI para pesquisa vetorial.

A memória do agente também reside no MongoDB, armazenada em coleções dedicadas ao lado dos dados da rede:

• agent_workstreams: Armazena o contexto de curto prazo para o thread de trabalho atual.

• agent_memories: Extrai fatos de longo prazo quando um fluxo de trabalho é fechado, com índice de vetor para recuperação entre sessões.

• user_preferences: Armazena instruções que o engenheiro ensina ao agente.

Um único índice do Atlas Vector Search possibilita a query de diagnóstico quadridimensional. Com o auto-embedding do Atlas, você aponta o índice para um campo de texto e o Atlas gera e armazena os embedding para você. Você não precisa de um pipeline ou serviço de embedding separado para executar. Esse mesmo índice emparelha o campo de texto auto-embedded com filtros estruturados, de tempo e geoespaciais. Como resultado, um estágio $vectorSearch faz o trabalho de vários mecanismos 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"
      }
   ]
}

Construir a solução

A demonstração completa está disponível neste repositório do GitHub. Clone o repositório e siga estas etapas.

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

Principais Aprendizados

• Unifique seus dados em um único armazenamento: Mantenha registros de intenção, sites geoespaciais, telemetria de série temporal e conhecimento com índice vetorial em um único banco de dados MongoDB Atlas, consultável com um driver e um pipeline.

• Recuperar em todas as dimensões em uma query: Combine similaridade vetorial, filtros estruturados, uma janela de tempo e limites geoespaciais em um único estágio do Atlas Vector Search, sem orquestração do lado do aplicativo.

• Transmitir alterações em tempo real: Use o MongoDB Change Streams para enviar ativações de intenção, violações e recuperações para dashboards sem polling.

• Dê ao seu agente uma memória: Armazene o contexto de curto prazo, fatos de longo prazo e preferências do usuário como coleções, para que o agente melhore com o uso em vez de ser retreinado.

• Automatize o ciclo de vida completo da intenção: deixe um agente analisar, planejar, ativar, garantir e corrigir intenções de rede de ponta a ponta, com base em dados ao vivo.

Autores

• Benjamin Lorenz, MongoDB

• Aditya Vikram Roy, MongoDB

• Diego Canales, MongoDB

Saiba mais

• Personalização de mídia impulsionada por AI

• Chatbot com tecnologia de IA para gerenciamento de rede

• Resumo de vídeo com tecnologia GenAI