评估实时供应商风险 MongoDB Atlas。利用由 Voyage AI 驱动的多模态搜索,发现替代供应商。
行业: 零售
产品: MongoDB Atlas、Voyage AI、MongoDB 自动嵌入、MongoDB 向量搜索、MongoDB Atlas Charts
解决方案概述
全球供应链面临持续的宏观中断。地缘政治、天气事件和物流瓶颈可能会在一夜之间威胁业务的连续性。
旧版企业资源规划 (ERP) 系统无法适应这些快速的变化。他们将关键的供应商信息困在固定的关系表、静态的电子表格以及无法查询的 PDF 合同和电子邮件中。当发生中断时,采购团队会花费几小时甚至几天手动收集跨越不相连的信息孤岛的数据。这种延迟会导致缺货、意外费用和消费者失去信任。
将供应商管理与旧版 ERP 解耦 核心,并在 MongoDB Atlas 上构建现代化的统一智能层。
该解决方案将 MongoDB Atlas 视为一个 融合数据存储,即一个平台,可同时兼作操作存储、向量存储、搜索引擎和代理内存。自主代理需要用于对实时中断(供应商的位置、其未结算的采购订单、证书和先前历史记录)进行推理的每一个上下文信息只需一次查询即可获取,它们存储在同一个集合中,并受到相同的访问控制。
在智能数据层之上,以下后端模块将原始的中断信号转变为经过审查的人工批准决策:
ingestion_engine:确定性规范化层,没有 LLM、代理或推理循环。它将原始的外部信号(如地缘政治、气候和物流数据)转换为一致的内部格式,并将其写入 Atlas。它提供了所有下游过程都依赖的整洁起始点。risk_evaluator: LangGraph 代理,它根据实时供应商和采购订单数据读取这些信号,在地理空间上匹配风险敞口,计算动态风险优先级编号 (RPN),并根据存储在agent_memory中的历史先例进行推理,然后将语言风险摘要写回 Atlas。alternative_finder: LangGraph 代理,一旦经理标记供应商以进行操作,就会使用 混合向量和全文检索搜索供应商文档语料库,对候选者进行重新排名,根据引用的证据 Atlas 审核每项声明,并按接近度对剩余选项进行排名,同时将最终调用留给人类。
通过在 MongoDB Atlas 上统一运营数据和 AI 功能,您可以对外部条件做出几乎实时的反应,并使您的业务保持灵活。
参考架构
代理是根据进入其窗口的内容进行推理,而不是根据它所知道的一切进行推理。每个代理决策都取决于先前的过滤器。数据层首先会呈现、通过过滤器进行过滤并排名信息。 将 MongoDB Atlas 视为此 上下文层。在代理进行推理之前,Atlas 会决定哪些证据值得使用令牌。
一个对实时故障进行推理的代理运行地理空间匹配、向量搜索、全文搜索、重新排序和内存查询。单独的数据库、向量存储和搜索引擎之间的往返会降低代理的速度。在 MongoDB Atlas 聚合管道中运行所有查询。一个 API 替换整个堆栈。
控制上下文也是控制费用。多代理系统消耗的 token 比单人聊天多 15 倍。冗余检索会增加费用。控制模型上下文以控制您的预算。
供应商、中断信号和合规证据不断变化。使用灵活的 document model 将这一变体存储到一个集合中。
全球供应链会产生多种语言的证据。Voyage AI 将多语言证据映射到同一个共享向量空间中,而 Atlas Auto-嵌入 则保持这些向量同步。多语言检索成为数据库的原生属性,而不再需要外部服务。
以下架构图和步骤概述了端到端工作流和关键数据库功能。从原始外部源中追踪信号到经批准的替代供应商。
图 1。高层次概述
步骤 0:非结构化文档摄入
将 PDF、电子邮件、合同和 Atlas 审核报告等原始、非结构化的业务文档从云存储直接存储到 MongoDB Atlas 中。Voyage AI 多模态嵌入模型可自动嵌入数据块文档,支持任何语言,从而实现安全的数据库内多模态和多语言搜索。
步骤 1:从 ERP 系统解耦
ERP 实施业务规则并负责事务性工作流。将这些规则留在 ERP 中。通过变更数据捕获 (CDC),将其供应商和订单数据流式传输到 Atlas,并让代理从该副本中读取,而不是直接查询 ERP。
解耦使得新功能可以在 ERP 之上按照自身的进度发展。
步骤 2—3:外部风险信号摄入
将现实世界的物流、地缘政治和气候数据引入操作数据层。这些外部风险数据源自 MarineTraffic、美国国家海洋和大气管理局 (NOAA) 以及全球新闻源等来源。在此解决方案中,ingestion 引擎 每个会话生成三个演示 trigger 信号以初始化流程。
通过摄取引擎处理原始外部信号。引擎将外部中断事件转换为规范化的内部业务语言,并将结构化信号写入 MongoDB Atlas。
步骤 4:供应商风险评估 (风险评估代理)
当标准化信号进入 MongoDB Atlas 时,trigger Risk Evaluator 代理。该代理读取操作数据和 agent_memory,执行 地理空间匹配 ($geoWithin),计算动态 RPN,并将评估结果写入数据库。
步骤 5:替代供应商发现(替代供应商查找代理)
当经理选择受影响的供应商时,激活 alternative_finder 代理。代理使用多模态向量搜索、混合搜索 ($rankFusion) 和原生重排序 ($rerank) 查询文档数据块,以查找合规的替代供应商,然后将候选选项写入 MongoDB Atlas。
步骤 6: 记忆富集
risk_evaluator 会使用动态的风险优先级编号 (RPN) 为每个故障打分。在代理最终确定该分数之前,内存会直接影响该分数。
它在每次评估中查询 agent_memory 两次:一次用于供应商自身历史记录,另一次用于按风险类型划分的跨供应商先例。alternative_finder 在采购方面遵循相同的逻辑。它会检查候选人的追踪记录,并从类似供应商中抽取语义前例,然后再对候选人进行排名。
Atlas 可以原生地处理两种内存结构。记忆有两种形式:结构化事实(“就是这件事发生了”)和语义相似性(“类似于这件事发生了”)。大多数架构将其分割为两个系统:一个用于事实的数据库,和一个用于相似性的向量存储库。在 Atlas 中,一个集合包含两者。一个精确的 find 和一个 $vectorSearch 查询命中相同的文档,因为结构化字段和嵌入式文本可以并存。
智能供应枢纽工作流
以下泳道图表显示了在发生中断时,控制如何在系统层之间转移。
图 2。供应链风险分析工作流
当外部风险信号到达时,ingestion_engine 会将其规范化到 MongoDB Atlas 中,触发 risk_evaluator 代理自动计算供应商风险分数。工作流然后在第一个人工决策点停止,在该点,采购经理查看已标记的风险分数并选择受影响的供应商。此选择会激活 alternative_finder 代理,从 MongoDB Atlas 检索、Atlas 审核并重新排序替换候选对象。最后,在第二个人工决策点,经理查看预先呈现的引用合规文档,以批准替代供应商。这消除了跨越孤立系统、文件格式和外语的人工搜索。
数据库内的多模态和多语言智能
全球供应链管理需要搜索非结构化、多格式的业务文档,例如 PDF 合同、贸易协议、合规证书和 Atlas 审核报告,这些文档以多种语言编写。
MongoDB Atlas 通过将 Voyage AI 多模态向量嵌入 直接与操作数据一起存储来处理这种复杂性,从而揭示原本会保留在无法搜索的文档孤岛中的关键合规见解:
Atlas 自动嵌入
将 PDF 合同、扫描的 Atlas 审核报告和贸易协议等非结构化的供应商合规记录和合同进行数据块处理和嵌入,并将其存储在 MongoDB Atlas 中。
创建一个类型为 autoEmbed 的向量搜索索引,以在文档数据块上启用 自动嵌入。这确保了在插入或更新数据时,使用配置的 Voyage AI 模型自动生成向量嵌入。
db.suppliers.createSearchIndex( "suppliers_autoembed_index", "vectorSearch", { fields: [ { type: "autoEmbed", modality: "text", path: "auto_embed_text", model: "voyage-4" }, { type: "filter", path: "region" }, { type: "filter", path: "product_categories" }, { type: "filter", path: "status" } ] });自动嵌入消除了外部嵌入服务和复杂的 ETL 管道,同时将数据安全地保存在 MongoDB Atlas 安全边界内。
图 3。风险评估器代理
利用聚合管道、搜索功能和灵活的 document model,对这些数据块执行高级查询,并对摄取的数据进行合规验证。
多模态嵌入搜索和检索
借助存储在 MongoDB Atlas 中的文档数据块,使用混合搜索查询非结构化数据。构建动态搜索查询,以在中断期间找到替代合作伙伴。结合区域预过滤器和详细的语义查询字符串。示例,搜索“具有关税中性贸易区域、有效质量认证和紧急交付承诺的包装材料制造商。”
在单一的 MongoDB Atlas 聚合管道中执行此搜索。使用 $rankFusion 混合搜索,将向量相似性与全文搜索相关性合并。这种混合查询可同时匹配语义概念和精确关键字。
在融合之后,使用 Voyage AI 重排序模型 链接一个 原生重排序 阶段 (),以提高检索准确性。$rerank数据库内交叉编码器将候选数据块与您的查询联合评估,以计算精确的相关性分数。在管道中运行重排序可以将敏感的供应商记录安全地保留在数据库边界内。
图 4。替代供应商查找代理
多语言智能
支持任何语言的全球供应商文档搜索和分析,而无需构建自定义翻译管道。Voyage AI 多语言模型将不同语言的文本映射到共享的向量空间中。
使用英语查询数据库,以检索用阿拉伯语、西班牙语、中文或越南语编写的相关合同或证书。在 MongoDB Atlas 中原生存储这些多语言嵌入,从而实现延迟几乎为零的跨语言语义搜索。
将全球供应商文档整合到单一的多语言搜索索引中,以简化国际合规工作流程,并删除翻译开销。
数据模型方法
僵化的数据库将不兼容的数据格式强制放入扁平表。现实世界中的供应链实体不断变化,并且具有混乱、不断演变的结构。灵活的文档原生模式使数据模型能够随着业务发展而演进。在单个 API 下原生存储运行记录、向量嵌入和坐标。避免不灵活的数据库迁移导致的开发延迟。
该解决方案使用八个集合来管理风险和替代采购。
集合名称 | 用途 |
|---|---|
| 捕获带有 TTL 过期的实时外部风险信号。 |
| 编码静态故障模式及影响分析 (FMEA) 风险分数和阈值。 |
| 存储主供应商记录,包含 GeoJSON 位置。 |
| 追踪待执行订单,以量化金融风险。 |
| 包含数据块化的、自动嵌入式的供应商合同和证书。 |
| 存储历史风险事件,用于上下文学习。 |
| 包含动态 RPN 分数和自然语言风险摘要。 |
| 持久存储排名候选人短名单,等待人工审批。 |
有关 document model 的完整概述,请参阅解决方案的 后端 README。检查 external_conditions 和 supplier_documents 集合,探索 document model 的优势。
external_conditions
external_conditions 集合提供服务,作为现实世界风险警报的入口点,存储规范化的中断。不同的风险类型可以在同一集合中共存,无需实施严格的模式。
以下是文档在所有风险警报中共享的字段。
{ "condition_id": "COND-20260505-0941", "risk_type_triggered": "logistics_disruption", "condition_score": 0.76, "has_physical_location": true, "detected_at": "2026-05-05T09:41:00Z", "valid_until": "2026-05-08T09:41:00Z"}气候和物流警报存储物理位置的精确坐标和影响半径。坐标必须是 GeoJSON point 对象,才能对数据运行地理空间查询。使用 $geoWithin 查找完全位于指定受影响区域内的供应商。
{ // other shared fields "epicentre": { "type": "Point", "coordinates": [114.1095, 22.5229] }, "impact_radius_km": 80, "has_physical_location": true,}地缘政治警报追踪区域边界,并包含受影响区域的数组。要在受影响的区域内查询供应商,请使用 $in 操作符。
{ // other shared fields "affected_regions": ["CN", "HK"], "has_physical_location": false,}ingestion_engine 将不同的接收到的 API 负载规范化为前面代码示例中显示的整洁文档结构。
多态性允许您同时查询两种信号类型。在单个数据库调用中,使用 $geoWithin 和 $in 执行统一的地理匹配查询。这种整合简化了您的应用程序逻辑,并防止排干性能的查询分割。
供应商文档
supplier_documents 集合存放非结构化的业务文件,可搜索。以下文档示例说明了此集合布局:
{ "supplier_id": "SUP-882", "doc_type": "quality_certification", "filename": "certificado_SUP882_2024.pdf", "chunk_index": 2, "chunk_total": 4, "chunk_text": "ISO 9001:2015 and IATF 16949:2016. Valid 2024-11-01 to 2027-10-31...", "page_ref": 1, "valid_until": "2027-10-31T00:00:00Z", "embedding": [/* 1024 dimensions */]}chunk_text: 存储从原始 PDF 文件中提取的 400 到 600 个 token 的文本段。这种高保真度数据块分割将大型合同分割成重叠的段,以保留关键条款。它可以将非结构化文档内容与您的操作数据库记录同时原生存储。embedding: 存储由 Voyage AI 生成的 1024维向量。多语言模型将多种语言映射到单一的共享向量空间。这种对齐可以使您使用英语搜索字符串查询西班牙或德语文档。valid_until: 追踪合规认证到期日期,以自动使过期的供应商记录失效。
构建解决方案
部署代理式供应链风险解决方案。
先决条件
在开始前,请确保您具备以下帐户、密钥和软件:
MongoDB Atlas 账户:一个 Atlas 集群 (M10 层级或更高级别)。
Anthropic API 密钥:一个活跃的 API 密钥,用于支持 LLM 推理和规划。
Docker Desktop:运行前端和后端服务所需的应用程序。
配置 Atlas 设置
在部署代码之前,请启用以下 Atlas 功能:
登录您的 MongoDB Atlas 帐户。
在您的项目设置中启用 $rerank 聚合 stage。
将您的项目级 Voyage Model API 密钥添加到您的 Atlas 项目设置中。
配置并填充数据库
配置您的数据库,导入初始数据文件,并构建所需的索引以运行演示。
登录 MongoDB Atlas 并在您的 Atlas 集群中创建一个名为 retail-supply-chain-risk 的数据库。
从 Docs/设置/集合 文件夹中导入五个种子 JSON 文件:
在 Collections 屏幕上选择您的新数据库。
点击加号 (+) 图标或点击 Create Collection 添加五个集合中的每个。
选择每个集合,点击 Import Data,并上传对应的 JSON 文件。
创建运行向量搜索、混合搜索和地理空间查询所需的地理空间和搜索索引。索引配置位于 Docs/设置/索引 文件夹中。执行以下步骤以创建每个索引。
mongosh "<your-connection-string>" --file suppliers-location-2dsphere.jsmongosh "<your-connection-string>" --file external_conditions-epicentre-2dsphere.jsmongosh "<your-connection-string>" --file suppliers_autoembed_index.jsmongosh "<your-connection-string>" --file agent_memory_autoembed_index.jsmongosh "<your-connection-string>" --file supplier_documents_vector_index.jsmongosh "<your-connection-string>" --file supplier_documents_fulltext_index.js克隆该存储库并配置环境变量
从 GitHub 克隆项目存储库。
git clone https://github.com/mongodb-industry-solutions/retail-supply-chain-management.git配置前端和后端环境变量:
将示例 前端/示例.env 复制到同一目录中的新
.env文件。将占位符值替换为您的配置详细信息。将BACKEND_URL设置为http://127.0.0.1:8000。将示例 后端/.env.示例 复制到同一目录中的新
.env文件。将占位符值替换为您的配置详细信息。添加您的 Anthropic API 密钥作为LLM_API_KEY。
构建并启动应用程序
使用 Docker Compose 或通过分别运行后端和前端编译启动您的多服务环境。
要使用 Docker Compose 启动应用程序,运行:
make build若要手动运行服务,请先启动前端:
cd frontendnpm inpm run dev然后,导航到根目录并启动后端:
make uv_initmake uv_syncsource backend/.venv/bin/activatecd backenduvicorn main:app --reload在浏览器中打开 http://localhost:3000 处的前端仪表盘。在 http://localhost:8000/docs. 查看交互式 API 文档。
图 5。智能供应商枢纽系统
阅读用户指南以浏览演示。
关键要点
此解决方案展示了几种关键的架构模式,用于构建 AI 驱动的供应链应用程序:
构建统一智能层以控制费用:通过在 MongoDB Atlas 中创建统一智能层,将供应商管理与固定的旧版系统解耦。通过使用 CDC 同步 ERP 中的数据,将运行数据、向量嵌入和代理内存整合到同一平台。这种结构允许代理读取当前状态,而无需直接查询 ERP。阅读同一个文档以进行运行状态检查和检索,然后在 LLM 接收数据之前,使用地理空间过滤器、混合搜索和重新排序确定性地筛选数据。控制输入模型的内容可以优化推理性能并降低执行费用。
统一多语言版本的非结构化数据:存储 PDF 合同、电子邮件和扫描的 Atlas 审核报告等非结构化文档,并与结构化的供应商记录一起存储。使用 Voyage AI 将这些多样化格式嵌入单一 MongoDB 集合中。这种统一的布局支持跨文本和图像的语义查询,无需维护单独的数据库系统即可简化您的检索架构。此外,多模态嵌入模型支持跨语言查询,而无需翻译开销。
在 Atlas 内部实现搜索和重新排序:在单一数据库查询中整合向量搜索、全文搜索和原生重新排序。使用
$rankFusion运行混合搜索,并直接在您的聚合管道中将原生$rerank与 Voyage AI 串联起来。这消除了额外的网络跳转、API 延迟和自定义凭证管理。
作者
Florencia Arin, MongoDB
Angie Guemes, MongoDB
罗纳恩 康伦,MongoDB
Daniel Jamir, MongoDB