חזרה לפיד
articlesמקור: MongoDB Official Blog (general)3.9.2026

מערכת קבצים וירטואלית עבור סוכני AI (LangChain)

אמ;לק

חיבור MongoDB כבסיס לניהול קבצים עבור סוכני AI. זה מאפשר לסוכנים אוטונומיים לקרוא ולכתוב מידע בצורה מאורגנת, מה שדורש בקרת גישה הדוקה למידע המאוחסן.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: MongoDB VFS for LangChain Deep Agents: A Searchable Filesystem for Agents

מערכת קבצים וירטואלית עבור סוכני AI (LangChain)

התוכן המלא בעברית

תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.

סוכני AI מודרניים כבר אינם נדרשים לענות על שאלות לבדם. הם אמורים להשלים עבודה ממשית: לתכנן משימה רב-שלבית, לבחון חומרי מקור, לייצר תוצרי ביניים ולהעביר חלקים מהבעיה לסוכנים אחרים, ובכך לדחוס עבודה שבעבר דרשה ימים לכדי שעות. השינוי הזה מעלה את הרף עבור התשתית הנדרשת לסוכן. סוכן יכול לתכנן ולבצע משימות במהירות כזו רק אם הוא מסוגל לנווט, לחפש, לקרוא ולעדכן בצורה מהימנה את מערכת הקבצים שבה הוא עובד לאורך התהליך.

מערכת הקבצים הווירטואלית (VFS) של MongoDB עבור LangChain Deep Agents מחברת את חוויית מערכת הקבצים ל-MongoDB Atlas ולאחסון האובייקטים (Object Store) הבסיסי שלך (למשל, S3 bucket). היא מעניקה ל-Deep Agents מערכת קבצים וירטואלית מוכרת, ומספקת לסוכנים סביבת עבודה ניתנת לחיפוש שנשמרת לאורך הפעלות, פריסות ותתי-סוכנים. מפתחים הבונים על גבי Deep Agents יכולים כעת להשתמש ב-MongoDB Atlas כפלטפורמת נתונים עבור הסוכנים שלהם, כולל MongoDB Search, Vector Search וחיפוש היברידי, מבלי לשנות את האופן שבו קוד הסוכן שלהם קורא או כותב קבצים. ארכיטקטורה זו מאפשרת לסוכן לתכנן, לבחון חומרי מקור, ליצור תוצרי ביניים ולחזור לעבודה שעשויה להימשך שעות או ימים, מבלי לטעון את כל הקורפוס לחלון ההקשר שלו.

פוסט זה מסביר מהם Deep Agents ומערכת קבצים וירטואלית, כיצד פועלת האינטגרציה של ה-backend של MongoDB בתוך יישום סוכן, והיכן דפוס זה יכול להיות שימושי במערכות סוכנים ארגוניות.

כיצד ⁦LangChain Deep Agents⁩ משתמשים במערכת קבצים וירטואלית

מה הם ⁦LangChain Deep Agents⁩?

‏LangChain Deep Agents הם רתמת סוכנים הבנויה על גבי LangChain ו-LangGraph לעבודה מורכבת ורבת-שלבים. הם מוסיפים יכולות כמו תכנון, תתי-סוכנים וכלים מוכווני מערכת קבצים, כך שסוכן יכול לפרק משימה גדולה לפעולות קטנות יותר במקום לנסות לפתור הכול בחלון הקשר אחד.

⁦Deep Agent⁩ יכול לעבוד עם פעולות כגון:

• הבנת מבנה הספריות

• כתיבה ועריכה ליצירה או שינוי של תוצרים

• upload_files ו-download_files להעברת קבצים בנפח גדול

כלים אלו נחשפים באמצעות חוזה (contract) של ה-backend. הסוכן אינו צריך לדעת אם הקבצים נמצאים במערכת קבצים מקומית, ב-LangGraph store, באחסון אובייקטים או מאחורי שכבת התמדה אחרת. הוא קורא לאותו ממשק מערכת קבצים, וה-backend המוגדר מספק את הנתונים.

עבור אינטגרציות LangChain ספציפיות ל-MongoDB, עיין בתיעוד Integrate MongoDB with LangChain - Atlas.

מהי מערכת קבצים וירטואלית?

מערכת קבצים וירטואלית היא תצוגה הגיונית מבוססת נתיבים של נתונים שהאחסון הפיזי שלהם מופשט. סוכן עשוי לראות נתיבים כגון docs/ , reports/ , או ⁦projects/customer-a/⁩ , גם כאשר הבתים הבסיסיים נמצאים במאגר אובייקטים והייצוג הניתן לחיפוש מאוחסן במסד נתונים.

הפשטה זו חשובה לסוכנים מכיוון שהניווט במערכת הקבצים הוא מצטבר מטבעו. במקום לטעון קורפוס שלם ל-prompt, סוכן יכול תחילה להציג רשימה של ספריות, לצמצם את החיפוש לפי תבנית שם קובץ, לחפש מושג, לקרוא את הקובץ הרלוונטי, ולאחר מכן לכתוב את ממצאיו כתוצר. זה עוזר לסוכנים להישאר בגבולות ההקשר ולהפחית עלויות, מכיוון שכל שלב מושך רק את החלק מהקורפוס שהוא באמת צריך, ולא את הקורפוס כולו.

לכן, מערכת הקבצים הווירטואלית היא יותר מהפשטת אחסון. זהו ממשק לניהול הקשר עבור עבודה של סוכנים.

מהי מערכת הקבצים הוירטואלית ⁦MongoDB⁩ עבור ⁦LangChain Deep Agents⁩?

חבילת langchain-mongodb-deepagents-vfs היא מימוש plug-and-play של ה-BackendProtocol של Deep Agents. היא מציגה קורפוס המגובה באחסון אובייקטים כאל מערכת קבצים לסוכן, ומנתבת פעולות למערכת המתאימה להן ביותר:

• פעולות מוכוונות חיפוש: grep , glob ו- ls פועלות עם ⁦MongoDB Atlas⁩.

• פעולות בתים (bytes) של קבצים: read, write, edit, upload_files ו-download_files מופנות ישירות לאחסון האובייקטים שלך.

• שכבת סנכרון רקע שומרת על ייצוג ⁦MongoDB Search⁩ מיושר עם מאגר האובייקטים שלך.

התוצאה היא הפרדה ברורה בין מקור האמת לאינדקס החיפוש. אחסון האובייקטים מחזיק במסמכים המקוריים, בעוד MongoDB Atlas מאחסן את הנתחים (chunks) הניתנים לחיפוש, את ההטמעות (embeddings) ואת מטא-נתוני הנתיבים הדרושים כדי להפוך את הקורפוס לניתן לגילוי.

כדאי לשאול מדוע מישור החיפוש צריך להיות מערכת נפרדת כמו Atlas, ולא פלטפורמה תואמת S3 שמציעה גם חיפוש, חיפוש וקטורי וחיפוש היברידי על אותם נתונים. הפיצול בין שני המישורים אינו מגבלה; זוהי המטרה. אחסון אובייקטים מותאם לאחסון עמיד, בעלות נמוכה ולטווח ארוך של בתים של קבצים; הוא אינו בנוי לתחזוקת אינדקסים חיים, דירוג שאילתות היברידיות או הגשת שאילתות מטא-נתונים מובנות בעלות שיהוי (latency) נמוך בו-זמנית. Atlas בנוי כמסד נתונים תפעולי עם Search, Vector Search ודירוג היברידי כיכולות מובנות (first-class), כך שמישור החיפוש פועל על מערכת שתוכננה בדיוק למשימה זו, בזמן שאחסון האובייקטים ממשיך לעשות את מה שהוא כבר טוב בו.

חיפוש היברידי אחר שאילתות סוכנים

החבילה משתמשת ב-⁦MongoDB Search and MongoDB Vector Search⁩ ביחד עבור grep . חיפוש בטקסט מלא טוב במונחים מדויקים, מזהים, שמות קבצים ומחרוזות נדירות. חיפוש וקטור טוב בפרפראזות ושאלות בשפה טבעית. שילוב שני האותות מאפשר לסוכן לחפש אסימון מילולי, כגון ⁦MAX_RETRIES⁩ , או שאלה מושגית, כגון "היכן מוגדרת התנהגות ניסיון חוזר?", דרך אותו ממשק.

החבילה משלבת את תוצאות הטקסט המלא והוקטור באמצעות שלב הצבירה $rankFusion של MongoDB. זה שומר על הדירוג בצד מסד הנתונים ומונע שכבת דירוג מחדש (reranking) נפרדת בצד הלקוח, מה שהיה מוסיף סבב תקשורת נוסף בין הסוכן לשלב הדירוג מחדש. זה גם משקף פשרה רחבה יותר באופן שבו מישור החיפוש בנוי. השגת דירוג טקסט מלא, וקטורי והיברידי על פלטפורמה תואמת S3 פירושה בדרך כלל חיבור של מערכות מיוחדות נפרדות: מנוע חיפוש לטקסט מלא, מסד נתונים וקטורי להטמעות, ושכבת דירוג מחדש כדי למזג את השניים – שלכל אחת מהן צינור אינדוקס (indexing pipeline) משלה שצריך להישאר מסונכרן עם נתוני המקור. Atlas מריצה את שלושתם במנוע אחד, כך ש-$rankFusion יכול לשלב תוצאות טקסט מלא ותוצאות וקטוריות באופן טבעי בשאילתה אחת, במקום לתאם תוצאות בין מערכות שאינן מכירות זו את זו.

המימוש הנוכחי משתמש בצינור עיבוד נתונים (pipeline) מבוסס טוקנים (chunking). פורמטים נתמכים של מסמכים כוללים טקסט רגיל, Markdown, PDF, DOCX, XLSX, XLS, PPTX ו-PPT. הנתחים (chunks) שומרים על מטא-נתונים מיקומיים כגון נתיב מקור, מספר עמוד, מיקומי תווים ומידע על שורות, כך שניתן להחזיר תוצאות במבנה תואם Deep Agents מבוסס שורות.

נתיב ההטמעה (embedding path) המוגדר כברירת מחדל משתמש ב-Amazon Bedrock, עם אפשרות ל-OpenAI הזמינה דרך תוספות החבילה. יישומים יכולים גם להזריק מימוש הטמעה תואם LangChain ישירות.

הסוכן יכול כעת להשתמש בכלי מערכת הקבצים הרגילים שלו ללא כלים מותאמים אישית ⁦MongoDB⁩ או ⁦S3⁩ בלולאת החשיבה שלו.

כיצד הקצה האחורי ⁦MongoDB⁩ ⁦VFS⁩ מפריד בין אחסון לחיפוש

ניתן להבין את הארכיטקטורה כמערכת דו מישורית: אחסון אובייקטים הוא מישור הנתונים עבור בתים של קבצים, בעוד ⁦MongoDB Atlas⁩ הוא מישור הבקרה והחיפוש עבור מטא נתונים, נתחים ואינדקסים של שליפה.

איור 1. כיצד ה-backend של LangChain Deep Agents VFS מנתב בתים של קבצים דרך אחסון אובייקטים, ופעולות חיפוש דרך MongoDB Atlas.

כיצד הקצה האחורי קולט קבצים לתוך ⁦MongoDB Atlas⁩

כאשר MongoFilesystemBackend נבנה, האתחול מתחיל ברקע. הקצאת האינדקס, הסנכרון הראשוני והפעלת ה-watcher רצים על שרשור דמון (daemon thread). פעולות מעבר קבצים (pass-through) ניתנות לשימוש מיידי, בעוד שפעולות חיפוש ממתינות עד שהסנכרון הראשוני יושלם.

• רשום אובייקטים בדלי ובקידומת המוגדרים ⁦S3⁩.

• חלץ טקסט באמצעות המנתח הספציפי לפורמט.

• פצל את הטקסט לגושים עם מטא נתונים מיקומי.

• הוסף נתחים ומטא נתונים לתוך ⁦MongoDB Atlas⁩.

• ספק או אמת את האינדקסים ⁦MongoDB Search and Vector Search⁩.

אסטרטגיית ה-chunking הנוכחית משתמשת בנתחים של 512 טוקנים עם חפיפה של 64 טוקנים. ה-ETags הופכים את הסנכרון הראשוני ואת קליטת הנתונים על ידי ה-watcher לאידמפוטנטיים: ניתן לדלג על אובייקטים שלא השתנו במקום להוריד ולהטמיע אותם מחדש.

כיצד הקצה העורפי מנתב פעולות קבצים וחיפוש

כאשר הסוכן קורא ל-ls, ה-backend שואל את Atlas עבור מטא-נתוני נתיבים ומקבץ את התוצאות כרשומות ספרייה. כאשר הוא קורא ל-glob, ה-backend מחיל סמנטיקה סטנדרטית של תבניות נתיב כדי למצוא קבצים תואמים. כאשר הוא קורא ל-grep, Atlas משלב שליפת טקסט מלא ושליפה וקטורית על פני קורפוס הנתחים ומחזיר התאמות מדורגות.

כאשר הסוכן קורא ל-read, הקצה העורפי מאחזר את הבתים הנוכחיים ממאגר האובייקטים ולא מאינדקס החיפוש. ההבחנה הזו חשובה: תוצאות החיפוש מותאמות לגילוי, בעוד קריאות מחזירות את מסמך המקור.

איך הצופים שומרים על ה-⁦MongoDB Search Index⁩ הנוכחי

• Polling watcher: בודק מעת לעת את מאגר האובייקטים ואינו דורש תשתית אירועים נוספת של AWS.

• SQS watcher: צורך התראות אירועים של S3 דרך Amazon SQS ומיועד לסנכרון הפקה בעל שיהוי נמוך יותר.

הארכיטקטורה מתוכננת מראש להיות בעלת עקביות סופית (eventually consistent) עבור חיפושים. כתיבה מוצלחת מגיעה תחילה ל-S3; לאחר מכן, ה-watcher מזהה את השינוי, מבצע chunking והטמעה מחדש לאובייקט, ומעדכן את אינדקסי החיפוש. כתוצאה מכך, פעולות קריאה משקפות את המצב ב-S3 באופן מיידי, בעוד ש-grep, glob ו-ls עשויים להשתהות עד להשלמת הסנכרון ואינדקסי החיפוש.

עבור זרימות עבודה משותפות, זה מציע כלל מעשי: השתמש בקריאות ישירות עבור מצב משותף

מקרי שימוש ארגוניים עבור מערכת קבצים וירטואלית

סוכני קידוד המודעים לבסיס קוד

סוכן קידוד יכול לחקור מאגר גדול בהדרגה במקום לקבל dump מאסיבי של קוד. הוא יכול להציג את מבנה הפרויקט, לאתר קבצים עם glob, לחפש מושג או מזהה עם grep היברידי, לקרוא את הקובץ המדויק ולהחיל עריכה מוגנת ב-ETag.

• הצטרפות למאגר וניווט בקוד

• הפקת תיעוד מקוד מקור

מודיעין מסמכים פרטיים

לארגונים יש לרוב אוספים גדולים של מדיניות, חוזים, נהלים, ספרי הפעלה (runbooks), מסמכי מוצר ותוצרי לקוחות השמורים באחסון אובייקטים. ה-backend מספק לסוכן ממשק דמוי מערכת קבצים לאותו קורפוס.

לדוגמה, סוכן מסמכים יכול לחפש "מדיניות החזרים עבור לקוחות ארגוניים", לאתר את הקטעים הרלוונטיים גם כאשר הניסוח שונה, לקרוא את המקור ⁦PDF⁩ או ⁦DOCX⁩, ולכתוב סיכום מוכן לציטוט או סקירה לנתיב נפרד.

זוהי התאמה טבעית לדור אחזור מוגבר (⁦RAG⁩), שבו הסוכן צריך לנווט במקום לבצע רק שלב אחזור אחד.

מחקר וניתוח רב סוכנים

מתאם יכול להאציל עבודה ממוקדת לסוכני משנה מיוחדים החולקים קורפוס משותף:

• סוכן אבטחה מחפש דפוסי קוד מסוכן.

• סוכן תיעוד מוצא שלבי פריסה והפניות לתצורה.

• סוכן בדיקה מאתר קבצי בדיקה רלוונטיים ומפיק הערות כיסוי.

• סוכן סינתזה קורא את הפלטים וכותב דוח מאוחד.

מערכת הקבצים המשותפת מספקת לכל תת-סוכן מרחב שמות עקבי, בעוד ⁦MongoDB⁩ מספקת שכבת גילוי חכמה על פני הקורפוס.

ניטור ארוך טווח על נתונים משתנים

מאגרי מסמכים ארגוניים אינם סטטיים. דוחות חדשים מגיעים, מדיניות משתנה ותוצרים תפעוליים מתעדכנים. ה-watcher שומר על ייצוג ה-MongoDB Search מיושר עם אחסון האובייקטים הבסיסי, כך שסוכן שיופעל מאוחר יותר יוכל לחפש בקורפוס העדכני מבלי לבנות מחדש את האינדקס עבור כל הפעלה.

• עוזרי מחקר על מערכי נתונים המתעדכנים כל הזמן

• תמיכה בסוכנים על תיעוד מוצר ופתרון בעיות

#mongodb#ai-agents#langchain
קרא במקור

קריאה וכלים קשורים

אבטחת MongoDBמונחי אבטחה והסברים בעברית