利用 Agentic AI转变供应链中断管理，克服数据就绪障碍并在几分钟内自动缓解。
行业： 制造与移动
产品： MongoDB Atlas、 MongoDB Atlas Search、 MongoDB Atlas Vector Search、Voyage AI
合作伙伴： AWS、LangChain
解决方案概述
184截至2026 ，供应链中断每年给企业费用 十亿美元的损失。代理AI可以帮助减少这些中断的影响。 Gartner 将数据准备就绪视为供应链成败的障碍之一。
要使AI助手从聊天机器人转变为自主协作者，需要以目前存储在孤岛中的高质量实时数据为基础。 Agentic AI通过以下方式弥补这一差距：
解决非结构化数据问题：Agentic AI使用推理从数千个 PDF、电子邮件和图像中提取信息，将其转换为整个企业都可以使用的 UNS。
缩短响应时间：代理可以在几分钟（而不是几天）内诊断出中断并触发纠正措施。
实现自主缓解：上下文感知代理可以同时对多个数据流进行推理。他们可以自主重新安排发货路线，与替代供应商协商，并在设立的限制内调整生产计划。这些功能可将数据就绪程度转化为竞争优势。
行动架构： MongoDB Atlas上的代理AI
所提出的解决方案演示了多个AI助手如何在单个AI就绪数据基础中进行协作。该应用程序使用MongoDB Atlas将数据准备障碍转化为以下操作时刻的竞争优势。
图 1。解决方案代理概述
中断分析：从混乱中提取逻辑
过长的电子邮件链、PDF 发票、QA 报告或送货单通常会隐藏发货失败的原因。传统数据库很难解析这些信息，因为它们会寻找确切的单词。示例，如果报告显示机械延迟，但用户搜索卡车故障，则系统会错过连接。该解决方案使用 Voyage AI将此文本转换为嵌入内容。
将嵌入视为含义的数学表示。 Atlas Vector Search不仅仅是存储文本，还能在高维空间中映射数据含义。这使代理能够识别恶劣天气、暴风雪和无法通行的道路等术语股票相似的含义。
有了这些信息，代理就可以通过不同的文件进行推理，并解释承运人倒闭的原因。它了解情况，并将堆栈PDF 转换为对中断的清晰、可行的分析。
供应链计划：执行恢复
当代理发现故障原因时，它就获得了诊断胜利，但可能仍需相当长的时间才能找到替代方案。点，代理从分析师转变为协调员，并使用Atlas Search和MongoDB地理空间查询来识别可以立即介入的替代承运人。
该代理不再手动交叉引用电子表格和地图，而是将地理位置视为实时、可查询的数据点。该代理使用 geoWithin查询来快速找到特定中断半径内的可用车队中心。
风险分析：缓解漏洞
最终的代理充当预测引擎，通过聚合天气事件和历史事件日志等来源的数据来计算每批货物的 VAR。 MongoDB Atlas使用灵活的文档模型，允许代理摄取这些不同的源，而不会受到严格模式的影响。
该代理可以根据当前情况有效地建议更新风险权重。示例，如果预计会出现恶劣天气，代理可以建议增加天气模式的优先级重，以进行更准确、实时的风险评估。
参考架构
展示一个使用以下内容构建的多智能体供应链应用程序：
MongoDB Atlas ，用于数据存储、检索和向量搜索。
用于代理编排的 LangGraph。
用于 LLM 推理的 AWS 基岩。
用于生成嵌入的 Voyage AI 。
这些技术创建了一个智能系统，自主代理在该系统中使用物流数据来处理中断分析、路线规划和风险评估。
此架构的优势
MongoDB Atlas充当统一数据平台，在单个数据库中处理结构化物流数据、地理空间查询和向量搜索，无需多个专用系统。
LangGraph 协调专门的代理（每个代理都有自己的工具和提示）来处理复杂的工作流程。它可以将会话内存和状态管理存储在MongoDB中。
AWS Bedrock 充当中央决策中心。通过利用 Claude 3.5俳句等模型，Bedrock 可以充当推理代理，它不仅可以匹配关键字，还可以理解意图。
Voyage AI可生成精确检索所需的高质量向量表示。嵌入模型将文档、图像、音频等非结构化复杂数据转换为可捕获其语义的密集数值向量（即嵌入）。
每个代理都有设立针对其领域的独特工具。示例，一种工具可以查询历史发货模式和天气中断，另一种工具可以利用地理空间空间邻近度找到附近的承运商，另一种工具可以跨质量保证报告执行语义搜索。下一节将详细探讨代理工具。
图 2。解决方案架构图
中断分析工具
使用工具，启用使用结构化发货数据和非结构化 QA 报告揭示中断的根本的原因。
检索运营商历史记录
使用存储的运营商历史记录来检测性能趋势。有了这些数据，代理就可以智能地确定延迟是孤立事件还是持续模式的一部分。
检索 QA 报告
使用Atlas Vector Search ，让代理分析存储在数据库中的矢量化 QA 报告，并查找与运营商相关的类似问题。
生成货件事件报告
生成有关延迟原因的综合报告。它将报告存储在数据库中，以便以后用于识别重复出现的问题。
供应链计划工具
查找替代承运商和路线。它将地理数据与承运人的能力相结合，提出可以完成交付的替代方案。该代理使用以下工具。
查找最近的运营商
搜索货件当前位置附近的承运商。它确定哪些承运人可以快速接管延迟的发货，从而最大限度地减少恢复时间。
验证服务覆盖和来源
检查哪些运营商在始发地地区运营。该工具仅考虑在取货地点区域内开展活动的承运商。
验证服务覆盖和目的地
标识覆盖始发地并到达目的地的承运人。
可选格式
从数据库中检索详细的承运商信息，并显示备用路线和承运商。它强调了关键决策因素，如费用、预计交付时间、可靠性评级和环境影响。
该代理使用 MongoDB 的地理空间功能，确保有可行的替代方案，并为制定数据驱动型决策提供宝贵的见解。
风险分析工具
通过查看天气条件、过境中断和承运人的历史可靠性，分析设立路线的潜在风险。在此背景下，代理生成一个 VAR 指标，用于估计潜在的财务风险。代理可以使用以下工具。
检索天气事件
查找沿线的历史天气模式，例如飓风、暴风雪、洪水和其他可能导致延误的情况。然后，代理可以在安排发货时警告意外的天气风险。
检索边界事件
获取并分析过境点的历史中断情况，例如检查延误和过境点意外关闭。
检索运营商性能
查看所选承运商最近的发货情况，以确定延迟、合规问题或可靠性能等模式。代理会使用此历史记录来评估切换运营商是否会降低风险。
计算 VAR 以估算财务风险
从以前的工具中收集上下文信息以生成估计的 VAR。该计算将基本路由费用与风险调整值相结合，并根据用户对每个风险因素的偏好进行加权。
这些工具共同提供风险分析，帮助团队根据存储在MongoDB Atlas中的操作智能做出决策。
构建解决方案
要复制此解决方案，请按照README GitHub存储库中的 操作，它将指导您完成以下步骤。
配置环境
复制模板并创建本地环境文件：
cp .env.example .env
打开 .env文件并更新您的凭证：
MONGODB_URI="mongodb+srv://<user>:<password>@<cluster>.mongodb.net/" DATABASE_NAME="supply_chain_demo" AWS_REGION="us-east-1" AWS_PROFILE="default" COMPLETION_MODEL="your_completion_model" EMBEDDING_MODEL="your_embedding_model" VOYAGE_API_KEY="your_voyage_key_here"
示例，您可以选择 us.anthropic.claude-4-5-haiku-20251001-v1:0 作为补全模型，voyage-large-2-instruct 作为嵌入模型。
访问应用程序
应用运行后，导航到浏览器并转到 http://localhost:8080 以使用该解决方案。
关键要点
利用代理AI协调供应链运营：代理AI可以将数据就绪情况转化为竞争优势，从而缓解供应链中断的情况（每年费用的损失估计为 184十亿美元）。
从非结构化数据中释放见解：使用 Agentic AI分析PDF 和电子邮件等非结构化数据，将响应时间从几天缩短到几分钟。
整合数据基础：采用MongoDB Atlas作为单一数据平台。将结构化物流数据、用于路线优化的地理空间数据以及用于 QA 报告语义检索的向量搜索到单个数据库中，从而无需使用多个专门的数据库。
部署专门的多代理：部署 LangGraph 托管代理来处理关键的操作中断。构建一个系统，使用 Voyage AI和Atlas Vector Search识别中断意图，利用MongoDB地理空间查询查找替代运营商，并将碎片化数据流聚合到灵活的文档模型中，以估计不稳定事件期间的潜在 VAR。
构建模块化AI堆栈：结合MongoDB Atlas、LangGraph、AWS Bedrock 和 Voyage AI ，为供应链数据创建高性能推理引擎。
作者
Javier Guajardo, MongoDB
Dr. Humza Akhtar, MongoDB