使用MongoDB和 Agentic AI预测设备故障并自动响应。
行业： 制造和移动性
产品： MongoDB Atlas、MongoDB Atlas Vector Search、MongoDB时间序列集合、MongoDB Node.js驱动程序
合作伙伴： Amazon Bedrock、Amazon Web Services、LangChain、Vercel
解决方案概述
从制造和汽车行业到能源和公用事业，计划外停机是组织可能面临的最昂贵的中断之一。虽然预测性维护可以帮助团队预测故障，但设备正变得越来越复杂，供应链越来越脆弱，熟练的劳动力也越来越难找到。因此，组织需要既能预测又能自主行动的系统。
使用AI支持的代理的多代理系统会利用 LLM、工具和代理内存来预测故障并采取相应行动。通过自动执行重复性决策， AI助手启用技术人员能够专注于解决问题，同时降低成本并提高效率。
图 1。预测性维护有助于实现卓越运营
这些优势应用于多个行业，例如：
制造和汽车：助手可以检测设备异常，触发检查并自动重新安排生产任务。
运输和物流：车队运营商可以使用代理监控车辆健康状况、预测组件故障并安排维护以尽量减少停机时间。
能源和公用事业：助手可以分析来自电网或涡轮机的实时遥测数据，并在检测到问题时自动调度维修人员。
航空航天：助手可以跨复杂系统协调诊断，确保在执行维护操作时尽量减少中断。
该解决方案侧重于制造车间。但是，您可以在不同场景中应用相同的架构和原则。
为了构建此解决方案，多智能体系统依赖于对数据的及时和上下文访问权限，这使智能体能够有效地进行推理、学习；了解和行动。传统的 IT 和 OT 系统并未考虑到这种扩展和灵活性。
MongoDB Atlas是一种通用数据库，为向量、图表和时间序列数据提供原生支持。在代理AI的工业应用中， Atlas可以：
实时摄取各种物联网（IoT）遥测和传感器输入。
将短期和长期代理内存存储在一个统一的数据层中。
支持 RAG 进行上下文感知推理。
可靠地扩展，以延迟处理大量流媒体数据。
通过连接工业物物联网（IoT）和代理AI， MongoDB Atlas使您能够从监控和预测转向智能和自动化的动作。
参考架构
此解决方案演示了如何使用MongoDB Atlas、LangGraph 和Amazon Bedrock构建多代理预测性维护系统。这些技术共同简化了异常检测、根本原因分析、工单创建和维护计划等复杂流程。
从宏观层面来看：
MongoDB Atlas作为统一数据层，对遥测数据、代理内存、向量嵌入和其他操作数据进行存储和索引。它还为代理提供了必要的检索工具。
LangGraph 支持跨代理进行基于图表的协调。
Amazon Bedrock 提供的 LLM 允许代理进行推理、分析和生成输出。
该架构遵循主管-代理模型。主管协调工作流程并将任务委托给这些专门的代理：
故障代理：执行根本原因分析并生成事件报告。
工单代理：起草包含要求、技能和材料的维护工单。
规划代理：根据生产和资源限制确定最佳维护时段。
图 2。多智能体预测性维护系统的高级架构
此架构中的每个代理都使用工具、内存和状态图表。这些组件共同启用智能体以协调的方式进行推理、回忆和行动。
代理工具
工具是特定于领域的功能，允许代理与外部系统交互。它们可以调用数据库查询、执行语义搜索或写入结构化输出写回MongoDB。
以下代码显示了如何使用MongoDB Node.js 驱动程序为故障代理注册工具。在此示例中，该工具使用 Vector Search 从机器手册中检索相关部分。
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, ]; }
每个代理都有自己的工具包，如下列表所示：
故障代理
retrieveManual：搜索手册以了解故障排除步骤。retrieveWorkOrders：查找过去类似的修复。retrieveInterviews：查找操作符或技术人员关于过去事件后分析的注释。generateIncidentReport：创建事件报告并将其存储在MongoDB中。
工单代理
retrieveWorkOrders：参考过去的工单以指导。generateWorkOrder：草拟包含预计工期、所需技能和材料的新订单。
规划代理
checkInventoryAvailability：验证所需零件是否有股票。checkStaffAvailability：寻找具有合适技能的技术人员。scheduleWorkOrder：将任务登记到生产日历中。
您还可以扩展此工具集。示例，您可以添加新功能以反映独特的业务流程或特定行业的需求。
代理记忆
为了使代理有效工作，它们需要自己的内存来存储上下文和推理步骤。这使他们能够：
保持任务的连续性。
回想之前的步骤。
在交互中构建上下文。
在此架构中， MongoDB Atlas存储内存。内存可以是：
短期记忆：当代理在状态图表中移动时，存储中间状态。这确保了如果进程中断，它可以在不丢失进度的情况下恢复。在此解决方案中，有两个集合存储此类内存：
checkpoints：捕获代理在每个步骤的一般状态。checkpoints_writes：记录工具调用和输出。
长期记忆： MongoDB存储的历史数据可为当前决策提供依据。助手通过向量搜索检索这些数据，确保历史背景驱动推理。集合包括：
interviews：技术人员的事后访谈和笔记。workorders：历史工单记录。incident_reports：之前的事件摘要和调查结果。
要配置短期记忆，可以使用 LangGraph 中的 MongoDBSaver 类，它将代理进度写入 checkpoints 和 checkpoints_writes 集合，如下所示：
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" });
此设置可为代理启用内存和容错功能。
代理状态图
状态图表是用于将工作流建模为节点和边的框架。每个节点代表一个推理步骤、工具调用或检查点。边定义了这些步骤之间的转换。状态图使工作流程变得明确、可重复且具有弹性。
在此解决方案中，LangGraph 支持状态图表以协调代理及其工具。节点代表专门的代理或主管决策，而边则定义其执行顺序。
此架构可确保：
助手可以根据结果进行分支。示例，缺失部件与可用部件。
每个步骤都会自动写入和读取内存。
主管代理协调专门的代理来协作解决任务。
以下代码构建了一个状态图表，将监控程序、专门代理和上一个代码示例中用于短期记忆的 checkpointer 连接起来。
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 });
通过此图表设置，您可以跟踪、恢复和调试整个多代理工作流程。
端到端工作流程
总而言之，代理的协作方式如下：
主管代理接收警报，通过状态图表记录该警报，并将其传递给故障代理。
故障助手使用工具来查询手册、工单和面谈，引用长期记忆来获取上下文。然后，它会生成事件报告。
工单代理起草一份包含所需材料、技能和预计工期的新工单。它使用内存来应用输出的正确要求和工具。
检查点会在执行前验证订单。
规划代理使用自己的工具集和内存来检查零件可用性、人员安排和日历冲突。然后，它会安排作业。
当所有代理都完成其任务后，主管代理会更新状态图表以追踪工作流完成情况。
您可以使用新代理扩展和自定义此工作流程，例如：
自动下零件订单的采购代理。
准备监管报告的合规代理。
用于平衡技术人员工作负载的轮班优化代理。
由于工具、内存和图表编排都是模块化的，因此您可以在不中断现有代理的情况下添加新代理。
数据模型方法
多智能体预测性维护系统依赖于范围的数据，包括：
高频传感器读数
代理记忆
技术手册
真人采访笔记
员工时间表
库存记录
MongoDB 灵活的文档模型使得在单个解决方案中操作这些数据变得容易。 在MongoDB Atlas中，您可以存储：
用于毫秒粒度遥测的时间序列数据。
用于跨手册和工单进行语义搜索的向量嵌入。
用于统一上下文的元数据，例如工厂ID、机器ID或生产线。
计划、日历和库存的操作数据。
主要集合
此解决方案使用以下集合来存储不同的数据：
telemetry：来自车间的机器传感器读数，存储为时间序列集合，以便高效摄取、压缩和查询。时间序列集合可以高效地存储和查询数百万个读数。它们还保留上下文元元数据，如机器、工厂或生产线标识符。alerts：触发工作流并通知主管代理的预测问题或异常。incident_reports：故障代理生成的根本原因分析结果。结果汇总了来自遥测、手册和访谈的上下文。work_orders：由工单代理起草。包括任务描述、预计持续时间、所需技能和材料。manuals：使用向量嵌入存储的机器手册，供代理进行语义检索。interviews：事件后的记录以及与员工的对话，提供了非结构化但有价值的背景信息。maintenance_staff：规划助手使用的人员名册、轮班安排和技能专长。inventory：备件可用性、费用和交付周期。对于调度和采购决策至关重要。production_calendar：生产任务、优先级级和可接受的延迟。用于确定中断最少的维护窗口。checkpoints和checkpoints_writes：捕获代理的状态以及工具调用和输出的日志。
有关 telemetry集合中示例文档的示例，请参阅以下代码区块：
{ "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 }
时间序列文档包括以下字段：
ts包含读数的时间戳。metadata包含工厂、机器和生产线的上下文标签。vibration和temperature由数字传感器值组成。
构建解决方案
要查看此解决方案的完整演示实施，请参阅其Github存储库。按照存储库的 README 进行操作，其中更详细地介绍了以下步骤。
关键要点
利用代理AI：多代理系统可以自主监控、推理和执行任务，从而简化工作流程并提高效率。
构建现代数据基础：高性能、低延迟且可扩展的数据基础架构对于扩展有效运行AI助手至关重要。
无缝集成物联网（IoT）和AI： MongoDB Atlas为遥测、向量嵌入、代理内存和检索提供统一的数据层。这样可以在工业环境中实现可靠、安全和灵活的代理工作流程。
快速根据预测采取行动：将见解转化为自动化动作，推动卓越运营。
作者
Humza Akthar, MongoDB
Raphael Schor，MongoDB
Rami Pinto，MongoDB
了解详情
要探索预测性维护中的多代理AI概念，请阅读解锁用于预测性维护的多代理AI博客。
要了解该解决方案的工作原理，请观看此Youtube视频。
要学习；了解MongoDB如何支持制造和汽车应用程序，请访问MongoDB for Manufacturing & Mobility.
要了解如何使用MongoDB构建由AI驱动的应用程序，请访问MongoDB for AI。