基于意图的网络：代理网络自动化

解决方案概述

电信和媒体以及软件和金融科技都是引领AI采用的行业。然而，领先者与其他公司之间的差距却在不断拉大：处于AI功能前沿的公司的收入增长大约是同行的两倍，而近四分之三的公司尚未从其AI投资中显示出任何有形价值。电信业在一个领域尤其领先——它的代理AI采用率是所有行业中最高的。差距不在于模型。这是代理处理实时网络数据所需的一切：

• 数据管道

• Vector Search

• 嵌入

• 短期和长期记忆

• 实时处理

代理网络自动化弥补了这一差距。工程师无需手动将请求转换为设备配置，而是由自主代理解释目标、计划变更、作用于网络并验证结果。 IBN 是这种模式最清晰的表达式。您用通俗易懂的业务术语陈述网络结果，系统无需进一步干预即可交付和保护它。

通过 IBN，运营商的客户可以描述他们的需求，而不是如何构建需求。示例：新开一家旗舰存储。为 POS 流量提供优先级，将访客 WiFi 严格分开，添加摄像头上行链路，并将 POS延迟控制在 毫秒以下。40

中央代理将该意图转换为网络策略，提供服务并持续监控它们。当网络偏离承诺时，代理会诊断原因并自行修复。

MongoDB Atlas充当驱动此工作流程的操作数据层。它将代理所需的所有资源整合到一个数据库中，提供对当前网络状态、客户协议、事件历史和操作符见解的实时查询。 AI层直接连接到数据，消除了消息总线、缓存或 ETL 管道。参考架构部分详细展示了该框架的工作原理。

参考架构

该解决方案在MongoDB Atlas支持的单个代理上运行。图 1 显示了主要组件：

• 基于 ReAct 的协调器

• 两阶段语义路由器

• 一设立专门的 MCP 微服务

• 存储网络数据和代理内存的Atlas集合

每个服务都会读取和写入Atlas，从而无需维护消息总线、缓存或 ETL 管道。该基础是可扩展的：通过添加 MCP 服务和集合，相同的协调器、路由器和内存层可用于新域。该框架为未来的使用案例奠定了基础，例如用于假设容量规划的数字网络双胞胎。

图 1。协调器通过MongoDB Atlas路由每个查询，MongoDB Atlas 存储服务目录、IBN 集合和代理的内存。

数据模型方法

IBN 可处理不同的数据结构， MongoDB Atlas将所有数据结构保存在一个位置。以下每个集合都映射到工作流程的一部分：

• ibn_intents：存储解析的意图及其生命周期状态。它包含请求中指定的每个字段，例如延迟上限或分段策略。

• ibn_sites：包含具有 2dsphere 索引坐标的网络站点，用于地理空间查找。

• ibn_resources：包含每个站点可用的网络资源。

• ibn_policy_snapshots：存储可保留完整计划历史记录的不可变计划快照。

• ibn_telemetry。将指标样本存储在时间序列集合中。

• ibn_compliance_events：存储每次违规和恢复的记录。

• ibn_knowledge_chunks：存储过去的事件、操作手册和模板，自动嵌入用于向量搜索的 Voyage AI 。

助手的内存也位于MongoDB中，与网络数据一起存储在专用集合中：

• agent_workstreams：存储当前工作线程的短期上下文。

• agent_memories：在工作流关闭时提取长期事实，并进行向量索引以便跨会话调用。

• user_preferences：存储工程师向代理传授的指令。

单个Atlas Vector Search索引使四维诊断查询成为可能。通过Atlas自动嵌入，您点索引文本字段， Atlas会为您生成并存储嵌入内容。您不需要单独的嵌入管道或服务来运行.该索引将自动嵌入的文本字段与结构化、时间和地理空间筛选器配对。因此，一个 $vectorSearch 阶段会承担多个查询引擎的工作：

{
   "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"
      }
   ]
}

构建解决方案

此 GitHub存储库提供了完整的演示。克隆存储库，然后按照以下步骤操作。

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

关键要点

• 在一个存储中统一数据：将意图记录、地理空间站点、时间序列遥测和向量索引知识保存在单个MongoDB Atlas数据库中，可使用一个驾驶员和一个管道进行查询。

• 在一个查询中跨维度检索：在单个Atlas Vector Search阶段中组合向量相似度、结构化筛选器、时间窗口和地理空间边界，无需应用程序端编排。

• 流式传输实时更改：使用MongoDB Change Streams将意图激活、违规和恢复推送到仪表盘，而无需轮询。

• 为代理提供记忆：将短期上下文、长期事实和用户偏好存储为集合，以便代理通过使用而不是重新训练来改进。

• 实现整个意图生命周期的自动化：让一个代理以实时数据为基础，端到端地解析、规划、激活、保证和修复网络意图。

作者

• Benjamin Lorenz, MongoDB

• Aditya Vikram Roy， MongoDB

• Diego Canales, MongoDB

了解详情

• AI 驱动的媒体个性化
• 用于网络管理的 AI 驱动聊天机器人
• 生成式 AI 驱动的视频摘要