MongoDB спонсировал этот пост.
В 2025 году генеральный директор Nvidia Jensen Huang и CPO CPO Кевин Вейл, как «Год агентов» Кевина Вейла, все больше интересуют организациям в разных отраслях. Эти автономные системы часто должны взаимодействовать с базами данных, где проживает большая часть ценных данных мира.
Согласно отчету IDC «Возраст данных 2025 года», предприятия будут управлять почти 60% данных мира к 2025 году, большинство из которых были организованы в базах данных. В результате базы данных будут иметь центральное место в агентских архитектурах, а успех развертывания агентов будет зависеть от того, насколько хорошо они соединяются и взаимодействуют с ними.
Введите модельный протокол контекста (MCP), первоначально разработанный антропным. MCP быстро стал популярным в качестве стандартизированного метода подключения инструментов и данных с агентскими системами, предлагая новый подход к совместимости с агентом-и-датабазой. Но это поднимает ключевые вопросы для разработчиков ИИ: как на самом деле выглядит агентские архитектуры с участием баз данных? А что вы должны учитывать при его построении?
Быстрый обзор агентов
Агенты представляют собой системы на основе большой языковой модели (LLM), которые имеют доступ к инструментам-функциональности или ресурсам, которые они могут использовать для выполнения задач за пределами их родных возможностей. Что их определяет, так это способность автономно решать, когда и как использовать эти инструменты, независимо от того, независимо от того, независимо от того, независимо от того, в пределах структурированного рабочего процесса или с человеком в цикле.
Основные компоненты агента: восприятие, планирование, инструменты и память.
Предоставление агентам возможность напрямую запросить и взаимодействовать с данными базы данных, позволяет ряд мощных вариантов использования. Примеры включают генерирование кода приложения на основе доступных коллекций и схем или получение последней информации о клиенте для решения вопросов поддержки.
Это вводит несколько архитектурных проектных решений для обеспечения производительности, масштабируемости и безопасности. В частности, как разоблачены инструменты запроса базы данных, играет важную роль. При предоставлении возможностей запросов базы данных агентам ИИ появляется два основных пути: использование стандартизированных инструментов с MCP или создание пользовательской интеграции, адаптированной для конкретных потребностей.
Путь 1: Стандартизированная интеграция с серверами MCP
Серверы MCP предлагают подход подключения и игры к интеграции агентов с базами данных. Например, сервер MongoDB MCP упрощает подключение к базе данных MongoDB и запросило данные через MCP, что облегчает для различных помощников на основе агента, таких как курсор, Windsurf, Claude Desktop или любая агентская система с поддержкой MCP для взаимодействия с вашими данными.
MCP предоставляет агентам стандартизированный интерфейс для взаимодействия с базой данных. Эти серверы могут быть развернуты локально или удаленно. Удаленный сервер позволяет нескольким клиентам получить доступ к одному экземпляру, что делает его идеальным для общих сред. Ваш выбор между локальным и удаленным развертыванием зависит от вашей производительности, масштабируемости и потребностей в безопасности. В частности, удаленные развертывания могут потребовать дополнительных соображений, таких как механизмы аутентификации, чтобы обеспечить безопасный доступ.
Архитектурная схема, показывающая агент, взаимодействующий с сервером MongoDB MCP.
Внижения этого подхода:
- Сдвиг в владении: Использование официально поддерживаемого сервера означает, что поставщик обрабатывает постоянную поддержку и обновления, предоставляя агентам доступ к постоянно улучшенным возможностям, не создавая команды и не развертывая эти агенты, делающие ручные обновления кода.
- Интеграция, похожая на плагин: Командовое решение является самым быстрым способом для команд прототипа или развертывания агентов производственного уровня, которые взаимодействуют с базой данных, аналогично системе плагина.
- Идеально подходит для использования операционной базы данных: Этот подход хорошо подходит для наиболее распространенных взаимодействий с базой данных, таких как базовые операции запросов в стиле CRUD и управление базами данных.
Основным компромиссом с использованием предварительно построенных серверов MCP является ограниченная настройка; По сравнению с созданием пользовательской интеграции, вы меньше контроля над тем, как инструменты ведут себя под капюшоном. Хотя MCP упрощает интеграцию предопределенных инструментов с агентами, он все равно требует тщательного рассмотрения, поскольку MCP по своей природе не защищен (подробнее об этом позже).
Путь 2: Пользовательские интеграции для управления и гибкости
Создание пользовательской реализации предлагает более гибкий маршрут для команд, требующих более мелкозернистого контроля над их взаимодействием базы данных. Структуры, такие как Langchain, упрощают и ускоряют этот процесс. Например, интеграционный пакет MongoDB-Langchain предоставляет инструменты для реализации запросов естественного языка, что позволяет разработчикам создавать приложения и агенты ИИ, которые взаимодействуют с MongoDB. Это позволяет интуитивно понятным интерфейсам для исследования данных и автономных агентов, таких как помощники поддержки клиентов, получать данные.
Этот инструментарий настраивается и расширяется. Разработчики, создающие агенты, могут точно определить, какие операции базы данных подвергаются воздействию агента, включая проверку схемы, генерацию запросов, проверку или более сложные сценарии, и, в частности, разрабатывать, как называются эти инструменты.
Основными преимуществами этого подхода являются:
- Полный контроль и владение: Вы сохраняете полный контроль над поведением инструментов и точными операциями базы данных, который может выполнить ваш агент.
- Поддержка передового использования: Этот подход позволяет поддержать расширенные и специфичные для домена варианты использования, которые стандартные предварительно созданные инструменты могут не охватывать.
- Пользовательская оптимизация: Пользовательские реализации могут быть тесно связаны с внутренними политиками данных и конкретной бизнес -логикой, следовательно, оптимизированы для ваших требований.
Тем не менее, индивидуальная разработка, как правило, связана с компромиссами, такими как более высокие накладные расходы и полную ответственность за интеграцию. Этот путь идеально подходит для команд, создающих агенты, адаптированные к уникальным рабочим процессам, где агенты являются основным продуктом, или где требования к соблюдению, конфиденциальности или производительности превышают то, что могут поддержать стандартные решения.
Точность, безопасность и соображения производительности
Предоставление агентам прямого доступа к базе данных, будь то через MCP или пользовательские инструменты, вносит значительную точность, безопасность и проблемы производительности. Поскольку эти технологии развиваются, реализация профилактических мер и соблюдение лучших практик имеет решающее значение для надежных и масштабируемых агентских операций.
Точность: обеспечить надежную генерацию запросов
Точность запроса в значительной степени зависит от возможностей LLM и качества предоставленной схемы или образцов данных. Неоднозначные или неполные метаданные неизбежно приводят к неправильным или неоптимальным запросам. При внедрении агентских систем текста к цифре важно обеспечить проверку ввода/вывода, реализовать строгое тестирование и установить ограждения или обзор человека для сложных, конфиденциальных операций.
Безопасность: поддерживать защиту и ограждения
Прямой доступ к базе данных агентами искусственного интеллекта создает беспрецедентные проблемы конфиденциальности и управления данными. MCP представляет новые угрозы безопасности, такие как оперативная инъекция и отравление инструментами, из -за присущего LLMS. Несмотря на относительно новую, связанные с MCP угрозы и смягчения риска были исследованы и задокументированы несколькими организациями, включая Red Hat и писателя. Строгие ограждения должны соблюдаться для смягчения рисков злонамеренной деятельности и конфиденциальной эксфильтрации данных.
Как общая лучшая практика, агенты должны работать в соответствии с строгими принципами наименования, используя роли и политики, которые предоставляют разрешения только для их конкретных задач.
Другая критическая проблема включает в себя конфиденциальное обмен информацией с поставщиками LLM, когда агенты получают доступ к данным. Организации нуждаются в архитектурном контроле над тем, какая информация (например, имена баз данных, имена сбора, образцы данных) достигает LLM, с возможностью полностью отключить это.
Чтобы решить эти проблемы безопасности, многоуровневая модель контроля доступа имеет важное значение.
- Вверх по течению: Мелкозернистый доступ на основе ролей гарантирует, что агенты взаимодействуют только с авторизованными услугами и данными в соответствии с принципом наименьшей привилегии.
- Вниз по течению: Дополнительные ограничения могут быть применены для ограничения функциональности или обеспечения доступа только к чтению. Эти контроли снижают риск и обеспечивают надлежащее управление по сравнению с агентами-идатабазой.
Производительность: управление непредсказуемыми агентскими рабочими нагрузками
Недотеринный характер LLM заставляет паттерны рабочей нагрузки агента по своей природе непредсказуемыми. Агенты могут часто взаимодействовать с базой данных, что может серьезно повлиять на производительность, создавая ключевую оперативную задачу. В этом контексте очень важно выбрать базу данных, которая сохраняет свою основную роль, позволяя агентам эффективно масштабироваться.
Изолирующие агентские рабочие нагрузки из других операций базы данных предлагают два ключевых преимущества: во -первых, это гарантирует, что только назначенные экземпляры обрабатывают рабочие нагрузки агентов, сохраняя производительность производства, одновременно обеспечивая масштабируемость гибкой агента. Во-вторых, он позволяет создавать адаптированные конфигурации в этих экземплярах, таких как установление их в режим только для чтения, для оптимизации для конкретных вариантов использования.
С помощью MongoDB это переводится на использование наборов реплик, которые поддерживают независимое масштабирование операций чтения и записи. Кроме того, автоматическое масштаб, наряду с выделенными, оптимизированными узлами поиска, еще больше повышает производительность агента для поисковых задач. Комбинирование изоляции рабочей нагрузки с автомассалированием имеет решающее значение для развертывания надежных и масштабируемых агентов.
Агентное будущее зависит от баз данных
Поскольку агенты ИИ продолжают развиваться в мощные, автономные системы, их способность напрямую взаимодействовать с предприятиями становится важной. Благодаря базам данных, в которой размещается большая часть информации о мировой информации, доступ к доступу больше не является обязательным. MCP предлагает стандартизированный, быстрый путь к интеграции агента-датабазы, который идеально подходит для общих вариантов использования. Для более глубокой настройки строительство индивидуальной интеграции обеспечивает детальный контроль и расширяемость.
Независимо от выбранного пути, разработчики должны определить приоритет точности, обеспечивать строгие меры управления безопасности и обеспечивать масштабируемость. В эту новую эру агентов реальное конкурентное преимущество заключается в выборе современной и гибкой базы данных, которая соответствует этим требованиям.
Штаб -квартира в Нью -Йорке, MongoDB — это компания Data Data Platform, позволяющая новаторам создавать, трансформировать и разрушать отрасли, выпуская мощность программного обеспечения и данных. Узнайте больше последних из MongoDB Trending Stories YouTube.com/ThenewStack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Thibaut Gourdel является менеджером по маркетингу технического продукта в MongoDB, где он фокусируется на интеграции MongoDB с фреймворками ИИ для поддержки и ускорения принятия разработчиков. С опытом работы в области разработки данных, интеграции и применения ИИ, Тибо приносит опыт в практической … Подробнее от Thibaut Gourdel
