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:

• Pipelines 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, provisiona os serviços e os monitora continuamente. Quando a rede se desvio da promessa, o agente diagnostica a causa e aplica uma correção por conta própria.

O MongoDB Atlas serve como a camada de dados operacional que impulsiona esse fluxo de trabalho. Ele consolida todos os recursos que o agente precisa em um banco de dados, fornecendo queries em tempo real no estado atual da rede, acordos com cliente , histórico de evento e insights de operadores. A camada de IA se conecta diretamente aos dados, eliminando pipelines de barramento de mensagens, cache ou ETL. A seção Arquiteturas de referência mostra como essa estrutura 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 no ReAct

• Um roteador semântica de dois estágios

• Um conjunto de microsserviços MCP especializados

• Collections do Atlas armazenando os dados da rede e a memória do agente

Cada serviço lê e grava no Atlas, eliminando a necessidade de manter pipelines de barramento de mensagens, cache ou ETL. Essa base é extensível: o mesmo orquestrador, roteador e camada de memória assume novos domínios adicionando serviços e coleções de MCP. Essa estrutura define o estágio para futuros casos de uso, como um Digital Network Gêmeo, para o planejamento de capacidade hipotética.

figura 1. O orquestrador roteia cada query por meio do MongoDB Atlas, que armazena o catálogo de serviços, as collections de IBN e a memória do agente.

Abordagem do modelo de dados

O IBN trabalha com diferentes formas de dados, e o MongoDB Atlas 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 campo especificados na solicitação, como o teto de latência ou a política de segmentação.

• ibn_sites: contém os sites da rede comcoordenadas indexadas pelo 2dsphere para pesquisas geoespaciais.

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

• ibn_policy_snapshots: Armazena snapshots de planos imutáveis que preservam todo o histórico de planejamento.

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

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

• ibn_knowledge_chunks: Armazena instâncias anteriores, runbooks e modelos, auto-incorporados com Voyage AI para pesquisa vetorial.

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

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

• agent_memories: extrai fato de longo prazo quando um fluxo de trabalho é fechado, indexado por vetor para recuperação entre sessões.

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

Um único índice do Atlas Vector Search torna possível a query de diagnóstico quadridimensional. Com a incorporação automática do Atlas , você ponto o índice em um campo de texto e o Atlas gera e armazena as incorporações para você. Você não precisa de um pipeline ou serviço de incorporação separado para ser executado. Esse mesmo índice emparelha o campo de texto incorporado automaticamente com filtros estruturados, de tempo e geoespaciais. Como resultado, um estágio $vectorSearch realiza 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 armazenamento: mantenha registros de intenção, locais geoespaciais, telemetria de séries temporais e conhecimento indexado por vetores em um único banco de dados MongoDB Atlas , consultável com um driver e um pipeline.

• Recuperar entre 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 painéis sem pesquisa.

• Dê ao seu agente uma memória: armazene o contexto de curto prazo, dados de longo prazo e as preferências do usuário como coleções, para que o agente melhore com o uso, em vez de com o retreinamento.

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

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