חזרה לפיד
articlesמקור: MongoDB Official Blog (general)26.10.2026

סוכני AI חכמים: חיפוש ושמירה ב-MongoDB Atlas

אמ;לק

שימוש בשרשרת של סוכני AI לביצוע משימות מחקר מורכבות על מסמכים ממשלתיים, עם שמירת מצב (State) ב-MongoDB. גישה שמאפשרת יציבות ואמינות גבוהה יותר בתהליכי אוטומציה של AI.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: Give Deep Agents a Searchable Filesystem on MongoDB Atlas

סוכני AI חכמים: חיפוש ושמירה ב-MongoDB Atlas

התוכן המלא בעברית

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

רבות מהדגמות הסוכנים שפורסמו השנה הן גרסה כלשהי של אותו הדבר: חבר את הסוכן שלך למקור נתונים, תן לו להכיר את הנתונים וקבל דוח בחזרה.

נבנה סוכן מתאם ושלושה סוכני משנה שיחפשו בתוך מסמך חוק פדרלי בן כ-2,900 עמודים, נכתוב את הממצאים שלהם לסביבת עבודה משותפת, ונעביר את הטיפול לסוכן רביעי שיסכם את הממצאים למזכר. אתה תפריע לצינור העיבוד (pipeline) באמצע הריצה, תפעיל אותו מחדש ותראה שהוא מתחדש מהשלב האחרון שהושלם במקום לבצע מחדש עבודה שסיימה.

העבודה על כך עלתה לנו $2 עד $5 בשיחות API וארכה כ-45 דקות.

• טען קורפוס של מסמך בפורמט מעורב לתוך ⁦Amazon Simple Storage Service⁩ (⁦S3⁩) והוסף אותו לאינדקס ב-⁦MongoDB Atlas⁩.

• צפה בסוכן מנווט את הקורפוס הזה בהדרגה במקום לטעון אותו בהנחיה.

• בנו רכז שמעביר לשלושה סוכני משנה החולקים סביבת עבודה אחת.

• קטע צינור עיבוד (pipeline) פועל והמשך אותו ממצב ריצה שמור, מבלי לבצע מחדש עבודה שהושלמה.

מדריך זה עובר מארכיטקטורה (מה שמחפשים לעומת מה שמאוחסן בבתים), לדוגמה של חיפוש באמצעות סוכן יחיד, לצינור עיבוד של ארבעה סוכנים, לשחזור מכשלים, ועד לאזהרות בייצור (production).

הקוד והקורפוס המלאים נמצאים במאגר הנלווה (⁦GenAI-Showcase⁩, ⁦partners/langchain/langchain-deepagents⁩).

מהי מערכת קבצים וירטואלית?

מערכת קבצים וירטואלית היא ממשק מבוסס נתיבים שמפשט את המקום שבו בתים של קבצים מאוחסנים בפועל. סוכן רואה נתיב כגון corpus/rules/88FR21752-final-rule.pdf , אך הבתים הבסיסיים עשויים לשבת באחסון אובייקטים, במסד נתונים, או במאגר LangGraph. הסוכן קורא לאותן פעולות ls , glob , grep , קריאה, כתיבה ועריכה, ללא קשר למה שנמצא מתחת; הקצה האחורי (backend) המוגדר מחליט לאן כל פעולה עוברת בפועל.

ההפשטה הזו היא המאפשרת לסוכן לעבוד בהדרגה: רשום ספרייה, צמצם לפי דפוס שם קובץ, חפש מושג, קרא קובץ אחד, כתוב ממצא - מבלי לטעון את כל הקורפוס לחלון ההקשר שלו.

רֶקַע

מה הם ⁦LangChain Deep Agents⁩?

LangChain Deep Agents היא תשתית סוכנים הבנויה על LangChain ו-LangGraph לעבודה מורכבת מרובת שלבים. היא מוסיפה תכנון, סוכני משנה וכלים מוכווני מערכת קבצים, כך שסוכן יכול לפרק משימה גדולה לפעולות קטנות יותר במקום לפתור הכל בחלון הקשר (context window) אחד.

Deep Agent פועל באמצעות קבוצה קטנה של פעולות מערכת קבצים: ls למבנה ספריות, glob למציאת קבצים לפי דפוס נתיב, grep לחיפוש תוכן, read לאחזור קובץ, ו-write ו-edit ליצירה או שינוי של קבצים. כלים אלה נחשפים באמצעות חוזה מול ה-backend, כך שהסוכן לעולם אינו יודע אם הקבצים נמצאים בדיסק מקומי, במאגר LangGraph או באחסון אובייקטים. הוא קורא לאותו ממשק, והקצה האחורי המוגדר מספק את הנתונים.

מה הקצה האחורי של ⁦MongoDB⁩ ⁦VFS⁩ עושה

חבילת langchain-mongodb-deepagents-vfs מיישמת את החוזה הזה. הוא חי ב-⁦LangChain⁩ המונורפו ב-⁦langchain-ai/langchain-mongodb/libs/langchain-mongodb-deepagents-vfs⁩ , ומתוחזק על ידי ⁦LangChain and MongoDB⁩. היא מציגה לסוכן קורפוס מגובה באחסון אובייקטים כמערכת קבצים, ומנתבת כל פעולה למערכת שנבנתה עבורו:

זה מפריד בין מקור האמת לאינדקס החיפוש. אחסון אובייקטים בנוי לאחסון עמיד ובעלות נמוכה של בתים של קבצים; הוא לא בנוי לתחזק אינדקסים חיים או לדרג שאילתות היברידיות. Atlas הוא מסד נתונים תפעולי עם ⁦Search⁩, ⁦Vector Search⁩, ודירוג היברידי מובנה.

שמירה על הדירוג במסד הנתונים מסירה גם דירוג מחדש בצד הלקוח הלוך ושוב: $⁦rankFusion⁩ משלב את ערכות התוצאות המלאות והוקטוריות באופן מקורי, בשאילתה אחת, בצד מסד הנתונים.

איור 1. כיצד הקצה האחורי ⁦LangChain Deep Agents⁩ ⁦VFS⁩ מנתב בתים של קבצים דרך אחסון אובייקטים ופעולות חיפוש דרך ⁦MongoDB Atlas⁩.

צופה אובייקטים (object watcher) שומר על הייצוג ב-Atlas מסונכרן עם ה-bucket. לרציונל העיצוב המלא, עיין בפוסט ההכרזה על MongoDB VFS, המסביר כיצד הקצה האחורי מפריד בין אחסון לחיפוש.

דרישות מוקדמות

• אשכול ⁦MongoDB Atlas⁩ הפועל בגרסה 8.1 ואילך . $⁦rankFusion⁩ דורש זאת. אשכול ⁦M0⁩ פועל לפיתוח; ⁦MongoDB Search and Vector Search⁩ דורשים אשכול ⁦M10⁩ ומעלה עבור עומסי עבודה בייצור.

• הכתובת ⁦IP⁩ שלך ברשימת ⁦Network Access⁩ של הפרויקט ומשתמש במסד נתונים עם גישת קריאה וכתיבה.

• חשבון AWS עם bucket מסוג S3, ומדיניות IAM המעניקה s3:GetObject , s3:PutObject , s3:DeleteObject , ו-s3:ListBucket עבור arn:aws:s3::: ו-arn:aws:s3::: /*. אם אתה משתמש בהטמעות (embeddings) של Bedrock, הענק גם הרשאת bedrock:InvokeModel עבור amazon.titan-embed-text-v2:0 . אם תעבור לצופה SQS, הענק גם הרשאות sqs:ReceiveMessage ו-sqs:DeleteMessage בתור.

• ספק הטמעה. ⁦Amazon Bedrock⁩ הוא ברירת המחדל ומשתמש בשרשרת האישורים ⁦boto3⁩. כדי להשתמש ב-⁦OpenAI⁩ במקום זאת, התקן את התוספת [openai], הגדר את ⁦EMBEDDING_PROVIDER⁩ =openai והגדר את ⁦OPENAI_API_KEY⁩ מדף המפתחות ⁦OpenAI⁩ ⁦API⁩ .

• מפתח ⁦API⁩ עבור המודל שמניע את הסוכנים.

מדריך זה נכתב כנגד langchain-mongodb-deepagents-vfs 0.1.0, שיצא ב-25 באוגוסט 2026 ועדיין המהדורה היחידה, ו-langgraph-store-mongodb 0.4.0 אם אתה מפעיל את ההשוואה ⁦StoreBackend⁩ בקטע החיפוש ההיברידי.

שלב הגדרה אחד נכשל לעיתים קרובות יותר מהשאר. aws_region שולט ב-S3, SQS ו-Bedrock יחד, ולא ניתן לפצל אותם בין אזורים שונים. אם מודל ההטמעה של Bedrock אינו מופעל באזור שבו ה-bucket שלך נמצא, ההטמעה נכשלת ומופיעה כשגיאת אזור, במקום להצביע על בעיה בהטמעות. אפשר את amazon.titan-embed-text-v2:0 באזור של ה-bucket שלך לפני שתתחיל, או השתמש בתוספת [openai].

בנוסף, תוספת ההתקנה לא בוחרת את ספק ההטמעה. המשתנה EMBEDDING_PROVIDER עושה זאת, וערכו כברירת מחדל הוא Bedrock, כך שהתקנת התוסף [openai] לבדה משאירה אותך על Bedrock. הגדר גם את EMBEDDING_PROVIDER =openai, או העבר מופע של LangChain Embeddings ל-embedding_model ישירות. עקוף את המודל עם EMBEDDING_MODEL, ושמור על התאמה של embedding_dimensions למה שתבחר.

הגדר את הסביבה

1. התקן את החבילות

2. טען את הקורפוס

הקורפוס הוא חוק ⁦United States Department of Energy⁩: מסמך ⁦EERE-2021-BT-STD-0035⁩ ב-regulations.gov, תקני היעילות הפדרליים הראשונים עבור מנקי אוויר בחדר. הכלל הסופי ב-⁦Federal Register⁩ פורסם ב-88 ⁦FR⁩ 21752 באפריל 2023.

הכלל הסופי ומסמכי הניתוח של ⁦DOE⁩ עצמו הם יצירות של הממשלה ⁦United States⁩. מכתבי ההערות הוגשו על ידי צדדים שלישיים למסמך פדרלי ציבורי ומופצים כאן על בסיס זה. הקבצים מחויבים למאגר הנלווה במקום לשלוף בזמן ריצה, כך שאין צורך במפתח Regulations.gov ⁦API⁩ כדי לעקוב אחריהם.

הוא כולל בערך 2,900 עמודים על פני 45 קבצים, בשלוש ספריות. corpus/rules/ מכיל חמישה: הכלל הסופי בפורמט PDF ו-XML, ה-NOPR בפורמטים אלו, והודעת אישור תאריכים. corpus/analysis/ מכיל חמישה עשר: מסמך התמיכה הטכנית, חמישה מסמכי ניתוח כזוגות .htm ו-.pdf, וארבעה גיליונות אלקטרוניים עם מאקרו (lcc.xlsm, nia.xlsm, grim-joint.xlsm, grim-dfr.xlsm). corpus/comments/ מכיל עשרים וחמישה קבצים מצורפים מיצרנים, חברות שירות בקליפורניה, תומכי יעילות ואיגודי מסחר. לסיכום, מדובר ב-32 קבצי PDF, 5 קבצי HTML, 4 גיליונות .xlsm ו-1 .xlsx, 2 קבצי XML, ומסמך Word אחד. כמה ממכתבי ההערות הם קבצי Word או PDF שתוכנם המלא הוא "please see attached".

מילה על פורמטים לפני הזריעה. החבילה מתעדת מנתחים עבור .txt, .md, .rst, .csv, .pdf, .docx, .xlsx, .xls, .pptx ו-.ppt. קורפוס זה חורג מהרשימה הזו: חמשת מסמכי הניתוח מצורפים כ-.htm לצד קבצי ה-PDF שלהם, הכלל הסופי ו-NOPR כוללים גרסאות .xml, וארבע חוברות העבודה של הניתוח הן בפורמט מאקרו .xlsm ולא .xlsx. בריצה המוצגת לאורך מדריך זה, ה-grep ההיברידי החזיר התאמות מדורגות מקבצי ה-.htm עם מספרי שורה אמיתיים, כך שאלו הגיעו לאינדקס. לכל מה שתצביע עליו, התייחס לרשימת הפורמטים כאל הקומה המתועדת ולא כאל הסט המלא, ובדוק את initial_sync_report.failed מול ספירת הקבצים שלך לפני שאתה סומך על חיפוש שחוזר ריק.

או השתמשו בסקריפט ה-Seder, שכותב דרך ה-backend כך שמטא-נתונים ⁦MongoDB⁩ נוצרים לצד האובייקטים ⁦S3⁩:

אם אתה משתמש בסנכרון aws ⁦s3⁩ במקום זאת, צופה הרקע של הקצה האחורי יוסיף לאינדקס את הקבצים במרווח הסקרים הבא שלו.

3. הגדר את מחרוזת החיבור שלך

העתק את מחרוזת חיבור מנהל ההתקן מ-⁦Atlas⁩. זה נראה בערך כך:

Atlas ממלא את הפרמטר הזה בשם האשכול שלך כדי שלמדדי החיבור שלו יהיה תווית. החלף אותו במקום להוסיף תווית שנייה; הדרייבר שומר על הערך האחרון שהוא מנתח. אם המחרוזת שלך מכילה גם retryWrites או w=majority , השאר אותם - אלו אפשרויות חיבור, לא תוויות.

אם הסיסמה שלך מכילה : / ? # [ ] @ או סימן %, התווים האלה חייבים להיות מקודד באחוזים, או שהנהג קורא לא נכון את ה-⁦URI⁩ ומדווח על כשל אימות שאין לו שום קשר לכך שהסיסמה שלך שגויה.

4. צור את הקצה העורפי ואת הסוכן

הפנה את הקצה האחורי אל דלי ואשכול, מסור אותו לסוכן, ולסוכן יש מערכת קבצים:

s3_prefix מבצע עבודה אמיתית בקריאה הזו. ברירת המחדל היא "mongodb_vfs/" והיא מגבילה כל פעולה, כולל קריאה, כתיבה, עריכה, סנכרון וצפייה, למפתחות תחת קידומת זו. הגדרתו ל-"corpus/" מגבילה את ה-backend הזה למסמך החוק הספציפי ולא לשום דבר אחר ב-bucket. העברת מחרוזת ריקה מאפשרת גישה לכל ה-bucket, דבר שלעיתים רחוקות תרצה ב-bucket משותף.

debug=True משנה את האופן שבו כשלים מגיעים אליך: שיטות מעלות AdapterError במקום להחזיר DTOs של שגיאה. זה תופס באגים אמיתיים. זה גם הופך החמצה צפויה לחריגה (exception), כך שקריאת מניפסט בריצה חדשה מעלה שגיאה במקום להחזיר None. עטוף את הקריאות הללו ב-try/except AdapterError.

אין כלים מותאמים אישית ⁦MongoDB⁩ בלולאת החשיבה, ואין שרשרת שליפה. הסוכן קורא ל-grep וקורא כמו שהוא יקרא מול ספרייה מקומית, וה-backend מחליט לאן כל שיחה עוברת.

5. ודא את הסנכרון הראשוני

ה-constructor חוזר מיד, בעוד שהקצאת אינדקס, הסנכרון הראשוני והפעלת ה-watcher רצים בשרשור רקע. ה-grep הראשון שלך חוסם עד לסיום התהליך, כך שהוא לוקח זמן רב יותר באופן ניכר מכל קריאה שלאחר מכן. בקורפוס זה לקח לנו 5 עד 8 שניות.

מחסום - מה שאתה צריך לראות: ⁦init_errors⁩ ריק ו-⁦initial_sync_report⁩ .failed הוא 0 לפני שתמשיך הלאה. אם אחת מהטענות נכשלות, אל תמשיך לשלב הגילוי; הקורפוס עדיין לא ניתן לחיפוש מלא.

אל תדלג על בדיקה זו. שלושה תנאים פוגעים בחיפוש מבלי לייצר שגיאה: הצבעה על grep לא-⁦Atlas MongoDB⁩ טיפה לשאילתת ביטוי רגולרי, איבוד ההטמעה ⁦API⁩ מורידה אותו לטקסט מלא בלבד, וסנכרון שנכשל חלקית משאיר אוסף שנראה בריא בעוד מסמכים חסרים. ⁦init_errors⁩ ו-⁦initial_sync_report⁩ תופסים את שלושתם.

לשער המוכנות יש דקויות. הוא משתחרר בין שלב הסנכרון לתחילת ה-watcher, כך שחיפוש שחוזר מבטיח את סיום שלבי האינדקס והסנכרון, אך כשל בהפעלת ה-watcher נרשם רגע לאחר מכן וניתן לפספס אותו על ידי בדיקה שנעשתה מיד לאחר ה-grep הראשון. הערך initial_sync_report הוא גם None כאשר הסנכרון נכשל בשגיאה במקום להסתיים עם כשלים, וזו הסיבה שהבדיקות בודקות את report לפני report.failed.

כיצד הסוכן מחפש קורפוס בפורמט מעורב

שאל אותו משהו שדורש מציאת מחט בערימת שחת במסמך:

כל מספר במדריך זה מגיע מהרצה בודדת מול אשכול אחד וקורפוס אחד. הם מראים את הצורה של הדבר. האזור, שכבת האשכולות, הקורפוס והדגם שלך יזיזו אותם. אם אתה רוצה דמויות משלך, ⁦src/vfs_demo/metrics.py⁩ עוקב אחר אסימונים, שעון קיר ועלות לכל שלב, וה-⁦compare_runs⁩ () שלו מדפיס טבלה קרה לעומת חידוש.

#mongodb#ai-agents#automation
קרא במקור

קריאה וכלים קשורים

אבטחת MongoDBמונחי אבטחה והסברים בעברית