Inteligência de documentos com IA e MongoDB

Visão Geral da Solução

Nesta solução, você aprenderá a aproveitar a inteligência de documento usando a IA de agentes da MongoDB. Essa abordagem desbloqueia perspicácias de dados estruturados, semiestruturados e não estruturados de diversas fontes, como repositórios locais, contêineres na nuvem e serviços de armazenamento na nuvem.

Instituições bancárias e fornecedores de tecnologia alimentar gerenciam grandes volumes de documentos e dados fragmentados de várias fontes. Tarefas manuais, como coletar, pesquisar e analisar essas informações, retardam as operações e aumentam o risco de erros.

Esta solução aborda esses desafios usando um sistema de orquestração de vários agentes. Ela é alimentada pelo document model flexível do MongoDB, MongoDB Atlas Vector Search, voyage-context-3 da VoyageAI e IA de agentes.

Esta solução explora cinco casos de uso de documento em serviços financeiros:

1. Classificação de crédito da empresa

2. Tratamento de exceções no pagamento em processamento

3. Pesquisa de valores

4. Onboarding de Clientes (KYC)

5. Originação de Empréstimos

A próxima seção explica como transformar documentos estáticos em fontes dinâmicas de perspicácias operacionais e estratégicas.

Arquiteturas de referência

Esta solução é composta por três componentes modulares principais:

figura 1. Arquitetura inteligente em processamento de documento com MongoDB.

1. Orquestração de vários agentes do Supervisor

Um agente Supervisor coordena uma equipe de agentes especializados. Cada agente recebe seus próprios prompts e ferramentas específicas para executar tarefas específicas:

• O agente de varredura descobre e indexa documentos disponíveis a partir de várias fontes (arquivos locais, AWS S3, Google Drive).

• O agente avaliador avalia a relevância do documento com base no contexto do setor e do caso de uso.

• O Agente Extrator usa a IA da Visão (Cláudia 3.5 Sonnet v2) para interpretar elementos visuais e de texto, como gráficos ou tabelas, e convertê-los em marcação.

• O Agente de Processador divide o conteúdo em partes semanticamente significativas, gera incorporações usando a VoyageAI e as armazena nas coleções do MongoDB Atlas.

Parte 2. Sistema de RAG agente

Após a ingestão dos dados, esse fluxo de trabalho RAG:

• Permite a interação em tempo real com um agente assistente de documento.

• Usa geração de query, classificação de documento e loops de reescrita de query para refinar automaticamente as respostas.

• Usa incorporações voyage-context-3, permitindo que partes do documento retenham um contexto mais amplo para respostas precisas e baseadas.

Parte 3. Geração de relatórios e perspicácias

Este módulo usa pesquisas vetoriais direcionadas e geração de conteúdo baseada em LLM para automatizar relatórios periódicos, executando as seguintes tarefas:

• Em processamento de informações para gerar relatórios personalizados.

• Compilar descobertas relevantes e dados contextuais.

• Exportação de saídas estruturadas, como PDFs.

• Incluindo mecanismos de contingência para garantir a confiabilidade, mesmo em cenários de baixo contexto.

Abordagem do modelo de dados

O modelo de dados da solução agrupa suas coleções por função:

Em processamento de documentos principais:

• chunks: armazena segmentos de texto com voyage-context-3 vetores.

• documents: armazena metadados do documento, que acompanha o status em processamento e as informações de origem.

• assessments: contém resultados da avaliação do documento, como pontuações de relevância e decisões em processamento.

• workflows: armazena o rastreamento do fluxo de trabalho de ingestão, que monitora o estado em processamento de vários agentes.

O documento a seguir é um exemplo da coleção chunks:

{
   "_id": {
      "$oid": "68e7d4cd77c8fbfb9abdf878"
   },
   "document_id": "doc_ef5b1da6",
   "document_name": "Payment_Investigation_Ticket.pdf",
   "chunk_index": 2,
   "chunk_text": "Contacted cardholder to confirm receipt of temporary credit and advise on investigation timeline. Cardholder confirmed satisfaction with temporary resolution...",
   "embedding": [
      0.02789805270731449,
      0.0045435624197125435,
      -0.06760358065366745,
     ...
   ],
   "has_visual_references": false,
   "metadata": {
      "name": "Payment_Investigation_Ticket.pdf",
      "path": "@s3@.../document-intelligence/fsi/payment_processing_exception/Payment_Investigation_Ticket.pdf",
      "processed_at": {
         "$date": "2025-10-09T15:29:17.741Z"
      },
      "chunk_count": 3,
      "chunk_metadata": {
         "chunk_index": 2,
         "total_chunks": 3,
         "section_start": "Contacted cardholder",
         "section_end": "ion_ticket.html*\n4/5",
         "document_id": "doc_ef5b1da6",
         "document_name": "Payment_Investigation_Ticket.pdf",
         "contains_images": false
      }
   }
}

O documento a seguir é um exemplo da coleção documents:

{
   "_id": {
      "$oid": "68e7d4cb5fc2bb6e17eaedb8"
   },
   "document_id": "doc_ef5b1da6",
   "document_name": "Payment_Investigation_Ticket.pdf",
   "document_path": "@s3.../document-intelligence/fsi/payment_processing_exception/Payment_Investigation_Ticket.pdf",
   "file_extension": "pdf",
   "file_size_mb": 0.3242454528808594,
   "source_type": "s3",
   "source_path": "@s3@fsi/payment_processing_exception",
   "page_count": 4,
   "created_at": {
      "$date": "2025-10-09T15:29:15.041Z"
   },
   "updated_at": {
      "$date": "2025-10-09T15:29:18.267Z"
   },
   "status": "completed",
   "chunk_count": 3,
   "has_visual_references": true,
   "metadata": {
      "markdown_length": 5592,
      "processing_timestamp": {
         "$date": "2025-10-09T15:29:15.041Z"
      }
   }
}

O documento a seguir é um exemplo da coleção assessments:

{
   "_id": {
      "$oid": "68e7d2b35fc2bb6e17eaedb2"
   },
   "document_id": "doc_ef5b1da6",
   "document_name": "Payment_Investigation_Ticket.pdf",
   "document_path": "@s3.../document-intelligence/fsi/payment_processing_exception/Payment_Investigation_Ticket.pdf",
   "file_size_mb": 0.3242454528808594,
   "assessment": {
      "main_entity": "Payment Investigation Ticket",
      "document_category": "Banking Investigation Document",
      "key_topics": [
         "merchant chargeback investigation",
         "payment dispute resolution",
         "cardholder dispute handling"
      ],
      "relevance_score": 95,
      "reasoning": "This document is highly relevant to both the financial services industry and exception handling in payment processing. It is an official payment investigation ticket from First National Bank's Payment Investigation Department, specifically dealing with a cardholder dispute and merchant non-response case. The document contains formal banking investigation details, dispute resolution tracking, and payment processing exception handling elements.",
      "should_process": true
   },
   "assessed_at": {
      "$date": "2025-10-09T15:20:19.060Z"
   },
   "workflow_id": "fsi_payment_processing_exception_1760023126468"
}

O documento a seguir é um exemplo da coleção workflows:

{
   "_id": {
      "$oid": "68e7d25d5fc2bb6e17eaedad"
   },
   "workflow_id": "fsi_payment_processing_exception_1760023126468",
   "endpoint": "/api/ingestion/start",
   "source_paths": [
      "@local@/docs/fsi/payment_processing_exception",
      "@s3@fsi/payment_processing_exception",
      "@gdrive@fsi/payment_processing_exception"
   ],
   "triggered_at": {
      "$date": "2025-10-09T15:18:53.563Z"
   }
}

Além das principais coleções de processamento de documento, a solução inclui outras funções e suas coleções correspondentes, como:

Interação e memória rápidas:

• gradings: inclui classificação de relevância do documento , como pontuações binárias de avaliações de recuperação de perguntas e respostas.".

• logs_qa: acompanha etapas e decisões do fluxo de trabalho do agente RAG, incluindo logs de sessão de interação rápida.

• agent_personas: define prompts e funcionalidades por setor, personalizados para configurações de IA específicas de casos de uso.

• checkpoint_writes_aio: lida com a persistência assíncrona para o estado de conversa, especificamente para gravações no estado LangGraph.

• checkpoints_aio: gerencia o histórico de diálogos baseado em thread, funcionando como memória de conversa.

Relatórios:

• scheduled_reports: acompanha localizações de PDF e histórico de geração, incluindo metadados de relatório gerados.

• report_templates: define seções e prompts por caso de uso, servindo como modelos de estrutura de relatório.

Essa abordagem do modelo de dados cria um design intuitivo que simplifica o desenvolvimento, pois todos os dados relacionados a uma tarefa específica são colocalizados dentro da estrutura flexível de documento do MongoDB.

Construir a solução

Para a implementação e código completos, siga as instruções no README neste repositório GitHub.

Esta solução é criada compondo três padrões de arquitetura primários. Aqui estão as etapas de como cada componente é implementado:

1

Implemente o sistema multiagente supervisor

Este é o pipeline de ingestão principal que coordena vários agentes de IA especializados.

• Defina agentes especializados: primeiro, você define cada agente usando um framework LangGraph.

• Implemente o agente Supervisor: Em seguida, você implementa um supervisor agent que gerencia o fluxo de trabalho geral. Isso segue o padrão do Supervisor LangGraph.

2

Construa o sistema RAG agente

Esse sistema fornece um fluxo de trabalho Agentic RAG com correção automática. Ele apresenta um recurso de agente que decide de forma inteligente se recupera o contexto do MongoDB Atlas Vector Search ou responde diretamente ao usuário.

figura 2. Arquitetura Agentic RAG com MongoDB (Agente Assistente de Documento).

1. Crie o índice de pesquisa vetorial: Crie um índice de pesquisa vetorial na sua coleção chunks. Isso permite que o aplicativo execute uma pesquisa semântica rápida nas incorporações de documentos.

2. Crie o grafo RAG auto-corretivo: Crie um grafo cíclico com bordas condicionais usando o LangGraph. Esse grafo inclui um agente de recuperação, um classificador de documento e um reescritor de query. O objetivo do reescritor de query é tentar novamente se os resultados não forem relevantes.

3. Habilitar a persistência da conversa: implemente o sistema de checkpoint do MongoDB para fornecer memória de conversa e conversas em vários pontos. Isso salva e carrega automaticamente o estado da conversa de uma coleção MongoDB dedicada, dando ao agente persistência da memória.

3

Criar o gerador automatizado de relatórios

Este módulo automatiza a geração de relatórios em PDF agendados.

1. Armazenar modelos de relatório: aproveite o esquema flexível do MongoDB para criar uma coleção report_templates. Isso armazena a estrutura, os títulos das seções e os prompts de pesquisa semântica específicos para cada tipo de relatório, como relatórios de Classificação de Crédito e Pesquisa de Investimento.

2. Implementar a geração específica de seção: crie um script que percorre cada seção de um modelo. Este script executa uma query separada do Atlas Vector Search . Ele usa o prompt para essa seção específica e acumula o conteúdo.

3. Agendar e acompanhar saídas de relatório: esse script é executado por um agendador. Depois de gerar o PDF, o script grava seus metadados, como caminho do arquivo e data de geração, em uma coleção scheduled_reports no MongoDB para rastreamento.

Principais Aprendizados

• Use o MongoDB Atlas como sua plataforma de dados unificada para armazenar metadados estruturados, documentos não estruturados, incorporações vetoriais e estado operacional. Isso elimina os silos de dados e reduz a complexidade arquitetônica.

• Implemente um padrão de orquestração de vários agentes e Supervisor para gerenciar fluxos de trabalho complexos e de várias etapas. Esse padrão permite dividir ferramentas em agentes trabalhadores especializados para garantir uma experiência direcionada.

• Implantar Agentic RAG com mecanismos de autocorreção para melhorar a precisão da query. Isso permite que os agentes decidam de forma inteligente quando recuperar o contexto, reformular as queries e classificar a relevância do documento.

• Implemente os checkpointers do MongoDB para uma memória persistente do agente, a fim de estabelecer uma conversa robusta e um rastreamento robusto do fluxo de trabalho. Isso garante o estado da conversa persistente e o histórico de diálogo para interações de várias voltas.

• Realize pesquisas semânticas usando o MongoDB Atlas Vector Search para geração de conteúdo direcionado, como relatórios automatizados. Isso permite que as querys recuperem conteúdo por significado, não apenas palavras-chave, para obter resultados mais precisos.

Autores

• Peyman Parsi, Serviços financeiros de campo CTO, MongoDB

• Ainhosa Mugica, Consultor, Soluções para o setor, MongoDB

• julian boronat, especialista sênior, soluções para o setor, MongoDB

• Andrea Alamán Calderón, especialista sênior em soluções setoriais, MongoDB

Saiba mais

• Descubra como implementar nosso framework para rápida implantação de agentes de IA

• Aprofunde-se na memória de agente com nosso guia "O que é memória de agentes? Um guia para aprimorar o aprendizado e a recuperação de IA

• Saiba mais sobre voyage-context-3: Detalhes focados no nível da parte com contexto global do documento