Manutenção preditiva de IA multiagente com MongoDB

Ferramentas do Agente

Ferramentas são funções específicas de domínio que permitem que os agentes interajam com sistemas externos. Eles podem invocar queries de banco de dados , realizar pesquisas semânticas ou gravar saídas estruturadas de volta no MongoDB.

O código abaixo mostra como você pode registrar uma ferramenta para o Agente de Falha usando o driver MongoDB Node.js No exemplo, esta ferramenta usa o Vector Search para recuperar seções relevantes dos manuais da máquina.

export const retrieveManual = tool(
   async ({ query, n = 3 }) => {
      const dbConfig = {
         collection: "manuals",
         indexName: "default",
         textKey: ["text"],
         embeddingKey: "embedding",
         includeScore: true,
      };
      const result = await vectorSearch(query, dbConfig, n);
      return JSON.stringify(result);
   },
   {
      name: "retrieve_manual",
      description:
         "Retrieve the relevant manual for the alert via vector search.",
      schema: {
         type: "object",
         properties: {
            name: {
               type: "string",
               description: "Name of the tool for identification purposes",
               enum: ["retrieve_manual"],
            },
            query: {
               type: "string",
               description: "The query to process",
            },
            n: {
               type: "number",
               description: "Number of results to return (optional, default 3)",
               default: 3,
            },
         },
         required: ["name", "query"],
      },
   }
);
export function getTools() {
   return [
      retrieveManual,
      retrieveWorkOrders,
      retrieveInterviews,
      generateIncidentReport,
   ];
}

Cada agente tem seu próprio conjunto de ferramentas, como mostrado na lista a seguir:

• Agente de falha

  • retrieveManual: pesquisa manuais para etapas de solução de problemas.

  • retrieveWorkOrders: procura reparos anteriores semelhantes.

  • retrieveInterviews: encontra notas do operador ou técnico em análises anteriores pós-incidente.

  • generateIncidentReport: Cria um relatório de caso e armazena no MongoDB.

• Agente de ordem de trabalho

  • retrieveWorkOrders: faz referência a ordens de trabalho anteriores para obter orientação.

  • generateWorkOrder: rascunhos um novo pedido com duração estimada, habilidades necessárias e materiais.

• Agente de planejamento

  • checkInventoryAvailability: verifica se as peças necessárias estão em estoque.

  • checkStaffAvailability: encontra técnicos com as habilidades certas.

  • scheduleWorkOrder: registra a tarefa no calendário de produção.

Você também pode expandir esse conjunto de ferramentas. Por exemplo, você pode adicionar novas funções para refletir processos comerciais exclusivos ou necessidades específicas do setor.

Memória de agente

Para que os agentes trabalhem de forma eficaz, eles precisam de sua própria memória para armazenar o contexto e as etapas de argumento. Isso permite que eles:

• Manter a sequência dentro de uma tarefa.

• Lembre-se das etapas anteriores.

• Crie contexto entre interações.

Nesta arquitetura, o MongoDB Atlas armazena memória. A memória pode ser:

• Memória de curto prazo: armazena o estado intermediário à medida que o agente se move pelo gráfico de estado. Isso garante que, se um processo for interrompido, ele possa ser retomado sem perder o progresso. Nesta solução, duas coleções armazenam este tipo de memória:

  • checkpoints: captura o estado geral de um agente em cada etapa.

  • checkpoints_writes: registra as chamadas e saídas da ferramenta.

• Memória de longo prazo: o MongoDB armazena dados históricos que informam as decisões atuais. Os agentes recuperam esses dados por meio de pesquisa vetorial, garantindo que o contexto histórico impulsione o argumento. As coleções incluem:

  • interviews: Entrevistas e anotações pós-incidente de técnicos.

  • workorders: Registros históricos de ordens de trabalho.

  • incident_reports: Resumos e descobertas de eventos anteriores.

Para configurar a memória de curto prazo, você pode usar a MongoDBSaver classe do LangGraph, que grava o progresso do agente nas coleções checkpoints e checkpoints_writes da seguinte forma:

import { MongoDBSaver } from "@langchain/langgraph-checkpoint-mongodb";
import { MongoClient } from "mongodb";
const client = new MongoClient("<connection-string>");
const checkpointer = new MongoDBSaver({
   client: client,
   dbName: "<database-name>",
   checkpointCollectionName: "checkpoints",
   checkpointWritesCollectionName: "checkpoints_writes"
});

Esta configuração habilita os recursos de memória e tolerância a falhas para seus agentes.

Gráfico de estado do agente

Um gráfico de estado é uma estrutura para modelar fluxos de trabalho como nós e bordas. Cada nó representa uma etapa de reflexão, chamada de ferramenta ou checkpoint. As bordas definem transições entre essas etapas. Os gráficos de estado tornam os fluxos de trabalho explícitos, repetíveis e resilientes.

Nesta solução, o LangGraph alimenta o gráfico do estado para coordenar os agentes e suas ferramentas. Os nós representam agentes especializados ou decisões de supervisão, enquanto as bordas definem sua ordem de execução.

Essa arquitetura garante que:

• Os agentes podem ramificar com base nos resultados. Por exemplo, peças ausentes versus disponíveis.

• Cada etapa escreve na memória e lê dela automaticamente.

• O agente Supervisor orquestra agentes especializados para resolver tarefas de forma participativa.

O código abaixo cria um gráfico de estado que conecta o gerente, os agentes especializados e o checkpointer usado para a memória de curto prazo do exemplo de código anterior.

const graph = new StateGraph(StateAnnotation)
   .addNode("supervisor", callModel)
   .addNode("failure", agentNode(failureGraph, "failure"))
   .addNode("workorder", agentNode(workorderGraph, "workorder"))
   .addNode("planning", agentNode(planningGraph, "planning"))
   .addEdge("__start__", "supervisor")
   .addConditionalEdges("supervisor", shouldContinue)
   .addEdge("failure", "supervisor")
   .addEdge("workorder", "supervisor")
   .addEdge("planning", "supervisor")
   .compile({ checkpointer });

Com esta configuração de gráfico, você pode rastrear, retomar e depurar todo o fluxo de trabalho de vários agentes.

Fluxo de trabalho de ponta a ponta

Unindo tudo, veja como os agentes colaboraram:

1. O agente Supervisor recebe um alerta, registra-o por meio do gráfico de estado e o passa para o Agente de Falha.

2. O agente de falhas usa ferramentas para consultar manuais, ordens de trabalho e pesquisas, fazendo referência à memória de longo prazo para obter contexto. Em seguida, ele gera um relatório de incidente.

3. O Agente de ordem de trabalho rascunhos uma nova ordem de trabalho com materiais necessários, habilidades e duração estimada. Ele usa a memória para aplicar os requisitos e ferramentas corretos para a saída.

4. Um checkpoint valida a ordem antes da execução.

5. O agente de planejamento usa seu próprio conjunto de ferramentas e memória para verificar a disponibilidade de peças, as programações da equipe e os conflitos de calendário. Em seguida, ele agenda o tarefa.

6. Quando todos os agentes tiverem concluído suas tarefas, o agente Supervisor atualizará o gráfico de estado para acompanhar a conclusão do fluxo de trabalho.

Você pode expandir e personalizar esse fluxo de trabalho com novos agentes, como:

• Um agente de compras para colocar automaticamente os pedidos de partes.

• Um agente de compliance para preparar relatórios regulatórios.

• Um agente de otimização de mudanças para equilibrar o volume de trabalho dos técnicos.

Como as ferramentas, a memória e a orquestração de gráficos são modulares, você pode adicionar novos agentes sem interromper os existentes.

Coleções principais

Esta solução utiliza as seguintes collections para armazenar dados diferentes:

• telemetry: Leituras do sensor da máquina coletadas no local, armazenadas como uma coleção de séries temporais para ingestão, compressão e query eficientes. As coleções de séries temporais tornam eficiente o armazenamento e a consulta de milhões de leituras. Elas também preservam metadados contextuais, como identificadores de máquina, fábrica ou linha de produção.

• alerts: Problemas ou anomalias previstas que acionam o fluxo de trabalho e notificam o Agente Supervisor.

• incident_reports: Resultados da análise de causa raiz gerados pelo agente de falhas. Os resultados agregam contexto de telemetria, manuais e pesquisas.

• work_orders: Redigido pelo Agente de Ordem de Trabalho. Inclui descrições de tarefas, duração estimada, habilidades necessárias e materiais.

• manuals: Manuais de máquina armazenados com incorporações vetoriais para recuperação semântica por agentes.

• interviews: Anotações e conversas pós-incidente com funcionários, fornecendo um contexto não estruturado, mas valioso.

• maintenance_staff: Listas de funcionários, agendamentos de mudanças e especializações de habilidades usadas pelo agente de planejamento.

• inventory: Disponibilidade, custo e prazo de entrega de peças de reposição. Essenciais para decisões de agendamento e aquisição.

• production_calendar: Tarefas de produção, níveis de prioridade e atrasos aceitáveis. Usado para identificar a período de manutenção menos disruptiva .

• checkpoints e checkpoints_writes: captura o estado do agente e registra as chamadas e saídas da ferramenta.

Para obter um exemplo de documento de exemplo na coleção telemetry, consulte o seguinte bloco de código:

{
   "ts": {
      "$date": "2025-08-25T08:53:06.052Z"
   },
   "metadata": {
      "factory_id": "qro_fact_1",
      "machine_id": 1,
      "prod_line_id": 1
   },
   "_id": {
      "$oid": "68ac24720d4c459561c42a4e"
   },
   "vibration": 0.209,
   "temperature": 70.69
}

O documento de série temporal inclui os seguintes campos:

• ts contém o carimbo de data/hora da leitura.

• metadata incorpora tags contextuais para fábrica, máquina e linha de produção.

• vibration e temperature consistem em valores numéricos de sensores.