Как стартапы строят агентные системы: новый подход к данным

Стартапы, работающие в сфере искусственного интеллекта, сталкиваются с новой проблемой: традиционные базы данных не успевают за динамичностью AI-агентов. Жесткие схемы реляционных систем требуют ручных миграций при каждом изменении структуры данных, что замедляет разработку и увеличивает количество ошибок. Три стартапа — Huntr, Modelence и Tavily — нашли решение, перейдя на MongoDB Atlas, платформу с поддержкой векторного поиска, гибридных запросов и автоматического масштабирования.

Modelence, платформа для создания AI-приложений, изначально столкнулась с проблемой несовместимости традиционных бэкенд-систем с требованиями AI. Основатель компании Aram Shatakhtsyan отмечает, что выбор MongoDB Atlas позволил объединить все данные в одном месте, включая живые потоки данных и векторный поиск. Это критически важно для AI-агентов, которым необходима единая платформа для работы без ошибок, связанных с интеграцией нескольких систем.

Tavily, API для поиска в реальном времени, использует MongoDB Atlas для управления миллионами API-ключей, отслеживания актуальности данных и масштабирования нагрузки. Томер Вайсс, руководитель команды данных, подчеркивает, что гибкая схема MongoDB позволила компании адаптироваться к новым требованиям без сложных миграций. Это особенно важно в условиях быстро меняющейся AI-индустрии, где изменчивость — норма.

Huntr, платформа для создания резюме с помощью AI, хранит карьерные данные кандидатов в формате документов MongoDB. Это позволяет системе обрабатывать глубоко вложенные и переменные данные, а также использовать гибридный и векторный поиск для оптимизации резюме под конкретные вакансии. Команда стартапа отмечает, что интеграция поиска и векторных технологий в единую платформу ускорила разработку и повысила точность AI-моделей.