A cikket a MongoDB mutatja be. Az „architekturális drag” kifejezés arra a problémára utal, hogy az AI modellek és agentek által előállított adatformák és viselkedés milyen mértékben túlterhelik a hagyományos infrastruktúrát. Egy agentikus rendszer adatrétegének egyszerre kell kezelnie változó sémákat, vektorembeddingeket, valós idejű lekérdezést és többbérlős (multi-tenant) skálázódást, gyakran emberi beavatkozás nélküli migrációk nélkül — erre pedig a hagyományos relációs adatbázisok nincsenek natívan felkészítve.
Rögzített sémák minden egyes új adatforma bevezetésénél manuális módosítást igényelnek, külön vektoradatbázisok pedig késleltetést és szinkronizációs többletet visznek a rendszerbe. Három digitális natív startup — Modelence, Tavily és Huntr — erre a problémára hasonló megoldást választott: a MongoDB Atlasra építkeztek, amely egyesíti a dokumentummodellt, natív vektor- és hibrid keresést, valamint menedzselt autoscalinget.
Modelence: agent-native cloud építése
Modelence egy nyílt forrású keretrendszerre épülő AI-alkalmazás-készítő, amely kifejezetten az agent-native fejlesztésre optimalizált. Célja, hogy bárki percek alatt építhessen és telepíthessen éles webalkalmazásokat, API-kat és adatboltokat. A cég korán felismerte, hogy a legtöbb backend infrastruktúra emberekre optimalizált, nem pedig az AI-ra: a merev sémakezelés és a bonyolult migrációk olyan üzemeltetési súrlódást okoznak, amely agentek esetén gyakran éles hibákhoz vezet.
Aram Shatakhtsyan, a Modelence társalapítója és vezérigazgatója szerint: „Choosing MongoDB helped us keep everything in a single place, which is an important property of what we strive to do for our own users. Live data streams, vector search, all as part of the main database. For AI agents, it’s especially important to have a single platform where everything can be done, because connecting multiple platforms together makes it more error prone.”
Modelence az Atlas dokumentummodelljét használja, mert az jobban illeszkedik ahhoz, ahogyan az AI agentek adatokat dolgoznak fel és generálnak: a sémák gyorsan fejlődhetnek manuális migráció nélkül. Ugyanakkor a csapat egy típusosan strukturált (typed) sémaréteget is rétegez a dokumentumokra, hogy javítsa a generált alkalmazások megbízhatóságát. A TypeScript-integráció különösen fontos szerepet játszik: MongoDB típusok és értékek közvetlenül fordíthatók TypeScriptre, így az adatbázis a Modelence App Builder egyetlen forrása az alkalmazáslogika és az adat között.
Ennek eredményeként a platform gyorsan képes tervekből éles funkciót gyártani kevesebb regresszióval. A sebesség és megbízhatóság hozzájárult ahhoz, hogy a Modelence 3 millió dollár seed finanszírozást gyűjtsön össze és sikeresen elindítsa az AI-native app builderét.
Tavily: az agentek web-hozzáférési rétege
Tavily egy keresési API, amely kifejezetten AI agentek számára készült: valós idejű, pontos webes tudással köti össze az agenteket, és segít, hogy azok ne csak a statikus tanítóadatokra támaszkodjanak. Tavily skáláján minden egyes agentlekérés hitelesítve, lekérdezve és számlázva van; ennek a működésnek megbízható háttérinfrastruktúra kellett, amely elbírja a folyamatos változást.
Tomer Weiss, a Tavily Data Team Leadje elmondta: „On the user side, every agent request authenticates and meters against it. On the data side, we use it to track the lifecycle of every document we’ve ever touched: when it was fetched, how stale it is, what the freshness signals were and how popular it is. MongoDB’s flexible schema let us keep evolving those records without migrations as new metrics and features came along.”
Tavilynál a többbérlős működés millió API-kulcs, eltérő használati profil, előfizetési szint és regionális adatresidencia követelmények kezelését jelenti. A cég már a korai fázisban kettéválasztotta a feladatokat külön klaszterek között: egy alacsony késleltetésre optimalizált user/account klasztert az autentikációs és használati írásokhoz, és egy shardolt klasztert a dokumentumállapot kezelésére, ahol a skálázódás tengelye a URL-ekre épül, nem a felhasználókra. Weiss szerint a legfontosabb tanulság az volt, hogy olyan infrastruktúrát válasszanak, amely nem bünteti a változást — ez a rugalmasság hozta a legnagyobb megtérülést.
Huntr: álláskeresőből AI karrierplatformmá
Huntr.co egy AI-alapú önéletrajz-készítő és személyre szabó platform, amely több mint 500 000 álláskeresőt szolgál ki 190 országban. Háromfős mérsékelt mérnöki csapat számára kritikus volt olyan rugalmas adatbázis megtalálása, amely képes egy teljes személyes karriertörténet komplexitását tárolni úgy, hogy az AI számára olvasható, következtethető és generálható legyen.
Trevor McCann, a Huntr vezető szoftvermérnöke így fogalmazott: „The kinds of career data we are gathering at Huntr naturally aligns with MongoDB’s document model. The core problem we’re solving with AI job search tools is how to surface the qualities of a candidate that make them unique. We need to be ready to store whatever kinds of data the candidate wants to include in their materials.”
Huntr az AI Resume Builderét a MongoDB Atlasra építette: a dokumentummodell tükrözi a karrieradatok természetes szerkezetét — mélyen beágyazott, jelölt-specifikusan változó, és folyamatosan fejlődő. A MongoDB Search kezeli az alapvető keresési igényeket, míg a MongoDB Vector Search a Job Tailoring funkció mögött dolgozik: a jelölt profilját összeveti egy konkrét álláshirdetéssel, és szemantikus egyezés alapján készít optimalizált önéletrajzot.
A beépített keresési és vektorkeresési képességek jelentősen meggyorsítják a fejlesztést: a hibrid keresés egyszerre tud szó szerinti és szemantikus találatokat lekérdezni, ami különösen hasznos a sokféle és változó adatszerkezet mellett. A csapat szerint a MongoDB egyfajta „negyedik mérnök” szerepét tölti be a háromfős fejlesztőgárdában. A jövőben a Huntr olyan AI irányába halad, amely a jelölt teljes szakmai történetéből tanulva ad egyre személyre szabottabb tanácsokat.
A digitális natív recept: három pillér
A három startup tapasztalatai alapján kirajzolódik egy „digitális natív blueprint” az agentikus korszakra, három alapelv mentén:
- Egyesített platform: az adatbázis, keresés és vektortárolás ugyanazon a rétegen jelentősen csökkenti a sémamigrációk és platformok közti integrációk miatti architekturális költséget.
- Változást nem büntető infrastruktúra: a gyorsan változó AI-terhelések mellett kulcsfontosságú, hogy az adatplatform rugalmasan kezelje az új metrikákat és adatformákat emberi beavatkozás nélkül.
- Multi-tenant és skálázható tervezés: a többbérlős működés, milliós API-kulcs-készlet és regionális megfelelés tervezése alapból része kell, hogy legyen az architektúrának.
A nyerők azok lesznek, akik a legjobban tudnak teljesítményes, tartós és rugalmas rendszereket építeni, amelyek stabilan támogatják az agenteket éles környezetben: a data foundation határozza meg, milyen gyorsan tud egy csapat szállítani, mennyire megbízhóan működnek az agentek, és milyen gyorsan lehet alkalmazkodni az új igényekhez.
Megjegyzés a tartalomról
A cikk bemutató (Presented by MongoDB) formátumban készült, ami arra utal, hogy a tartalom mögött üzleti kapcsolat vagy fizetett megjelenés áll.
