O MongoDB Atlas serve como a camada de dados operacionais unificada para redes baseadas em intenções agenticas, permitindo que os agentes de IA configurem, monitorem e reparem redes complexas de forma autônoma em tempo real.
Casos de uso: Gen AI
Setores: Telecomunicações
Produtos: MongoDB Atlas, MongoDB Search, MongoDB Atlas Vector Search, Voyage AI
Visão Geral da Solução
Telecomunicações e mídia estão entre os setores que lideram a adoção da IA, juntamente com software e fintech. No entanto, a lacuna entre os líderes e todos os outros continua a aumentar: as empresas na fronteira da funcionalidade de IA geram aproximadamente double o crescimento da receita de seus pares, enquanto quase três quartos de todas as empresas ainda não mostraram nenhum valor tangível de seus investimentos em IA. A Telecom avança em uma frente em particular — tem a maior taxa de adoção de IA agentic de qualquer setor. A lacuna não é o modelo. É tudo o que os agentes precisam para agir em dados de rede ao vivo:
Pipeline de dados
Pesquisa vetorial
Embeddings
Memória de curto e longo prazo
Processamento em tempo real
A automação de rede baseada em agentes fecha essa lacuna. Em vez de os engenheiros traduzirem 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 especifica um resultado de rede em termos de negócios claros, e o sistema o entrega e o defende sem intervenção adicional.
Com o IBN, o cliente de um operador descreve o que precisa, não como criá-lo. Por exemplo: Abrir uma nova armazenar carro-chefe. Dê prioridade ao tráfego de POS, mantenha o WiFi para convidados estritamente separado, adicione um uplink de câmera e mantenha a latência de POS 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.
Encaminhamento de query para o serviço certo
À medida que o número de serviços aumenta, o agente precisa de uma maneira confiável de escolher o certo. O roteamento é executado em dois estágios, ambos apoiados pelo MongoDB.
Primeiro, um pequeno LLM classifica a query em relação a uma taxonomia curta de domínios, usando algumas linhas por domínio em vez de por serviço. Este framework mantém o roteamento preciso à medida que os serviços se multiplicam. Em segundo lugar, um Atlas $vectorSearch, filtrado para o domínio selecionado, recupera o serviço que melhor corresponde. O catálogo de serviços está no Atlas, e as query são roteadas através dele.
O ciclo de vida da intenção
Uma intenção de resultado de rede passa pelos seguintes serviços de uma solicitação inicial a uma resolução final:
Serviço de intenção: analisa a solicitação de linguagem natural em campos estruturados com um LLM. Ele acompanha o estado da intenção à medida que ela passa pelos estágios de enviada, viável, planejada, ativa, violada e fechada.
Serviço de inventário: Mantém a rede física, mapeando sites com coordenadas geoespaciais e os recursos disponíveis em cada localização. Quando um site precisa de um dispositivo sobressalente, ele encontra o mais próximo disponível com uma query geoespacial.
Serviço de viabilidade: corresponde à intenção ao inventário atual, criar um plano de serviço concreto e gravar um snapshot imutável desse plano. Cada alteração cria um novo snapshot, para que todo o histórico de planejamento permaneça auditável.
Serviço de garantia: Monitora telemetria ao vivo em relação aos alvos acordados. Quando uma métrica excede seu limite, ela registra um evento de compliance e o envia para o dashboard em tempo real.
Simulador de telemetria: injeta eventos sob demanda, para que você possa testar o ciclo completo de violação, diagnóstico e remediação em um ambiente controlado.
Diagnóstico em uma única query
As violações ao vivo criam o momento mais exigente. Suponha que a latência do PDV na nova loja exceda sua meta de 40 ms. Em vez de abrir um ticket, o agente de garantia executa um único pipeline de agregação do Atlas que aplica filtros específicos à Base de Conhecimento, criando uma única query de diagnóstico em quatro dimensões:
Semelhança semântica:
$vectorSearchencontra incidentes anteriores cuja descrição é mais próxima da violação atual, como colisão de agendamento de fila, segmentação rígida de convidados ativa, utilização de link baixa.Filtro estruturado: limita os resultados a incidentes anteriores, para que os runbooks e os modelos de política não diluam a correspondência.
Janela de tempo: exclui incidentes com mais de 180 dias, para que as conclusões de estados de rede anteriores não enganem os resultados.
Limites geoespaciais: mantenha a pesquisa local, para que um incidente em uma cidade não distorça um diagnóstico em outra.
Essas operações são executadas como pré-filtro dentro do índice Atlas Vector Search, restringindo o conjunto de candidatos antes que o cálculo de similaridade seja executado. As respostas retornam o incidente passado mais próximo, sua causa raiz e seu runbook comprovado juntos. O agente aplica o runbook, registra um evento de recuperação e o dashboard fica verde. Um pipeline no Atlas substitui várias passagens de query coordenadas em sistemas separados.
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 $vectorSearch faz o trabalho de vários mecanismos de query:
{ "fields": [ { "type": "autoEmbed", "modality": "text", "path": "text", "quantization": "float", "model": "voyage-4" }, { "type": "filter", "path": "kind" }, { "type": "filter", "path": "segment" }, { "type": "filter", "path": "market" }, { "type": "filter", "path": "plan_id" }, { "type": "filter", "path": "ts" }, { "type": "filter", "path": "lng" }, { "type": "filter", "path": "lat" } ]}Construir a solução
A demonstração completa está disponível neste repositório do GitHub. Clone o repositório e siga estas etapas.
Defina suas chaves de API
Defina as variáveis de ambiente para os serviços externos que a demonstração chama:
OpenAI para o modelo de linguagem
MongoDB Atlas para a camada de dados
Voyage AI para embeddings
export OPENAI_API_KEY="<your openai api token>"export MONGODB_URI="<your mdb connection string>"export VOYAGE_API_KEY="<your voyage api token>"Configure seu ambiente Python
Instale o Python 3.13 e adicione-o ao seu caminho. Em seguida, crie e ative um ambiente virtual. Por fim, instale as dependências.
brew install python@3.13export PATH="$(brew --prefix)/opt/python@3.13/libexec/bin:$PATH"python -m venv <dir>source <dir>/bin/activatecd agentic-mcp-demopip install -r requirements.txtExecutar o agente e observá-lo ao vivo
Inicie os servidores web e aponte seu navegador para http://localhost:8070/ para o shell interativo.
./bin/start.shOs botões na navegação superior permitem que você:
Alimente os dados iniciais nas coleções do MongoDB.
Redefina os dados para refazer a demonstração.
Abra outra janela do navegador para exibir o dashboard do IBN.
Veja o estado ao vivo dos sites monitorados em tempo real.
Tente um ciclo de vida de intenção completo
No chat do navegador, guie o agente por uma intenção completa, da solicitação à recuperação. O prompt de violação de diagnóstico dispara a query de diagnóstico quadridimensional.
-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 runbookPrincipais 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