MongoDB Atlas как основа для AI-агентов: как Huntr, Modelence и Tavily строят agent-native инфраструктуру
Разрыв между тем, что способны выдать современные AI-модели и агенты, и тем, что может надежно переварить устаревшая инфраструктура, — это архитектурное сопротивление. И именно оно становится главным тормозом эпохи агентов. Представьте: data-слой под агентной системой должен обрабатывать изменяющиеся схемы, векторные эмбеддинги, работать с запросами в реальном времени и масштабироваться под тысячи клиентов — и всё это без участия человека, который правит миграции. Традиционные реляционные базы для такого не заточены: их жесткие схемы требуют ручных правок каждый раз, когда AI-агент приносит новый формат данных, а отдельные векторные БД добавляют лишнюю задержку и головную боль с синхронизацией.
Три цифровых стартапа — Huntr, Modelence и Tavily — решили эту проблему одинаково: построили всё на MongoDB Atlas. Это единая платформа с нативным векторным поиском, гибридным поиском и автоматическим масштабированием. Их истории показывают, как выглядит по-настоящему агент-нативный стек данных в продакшене и почему Atlas позволяет разработчикам без лишней боли собирать сложные AI-продукты.
Modelence: строим агент-нативное облако
Modelence — это конструктор AI-приложений с open-source фреймворком, заточенным именно под разработку для агентов. Любой может за пару минут собрать и запустить готовый веб-сервис — с API, базой данных и всем остальным. Компания быстро поняла: бэкенд, который проектировали для людей, для AI не годится. Жёсткие схемы и сложные миграции превращаются в операционный тормоз — агенты просто не могут нормально собирать продакшн-приложения.
«Выбор MongoDB позволил нам держать всё в одном месте, а это ключевое свойство того, что мы делаем для своих пользователей, — говорит Арам Шатахцян, сооснователь и CEO Modelence. — Потоки живых данных, векторный поиск — всё это часть основной базы. Для AI-агентов особенно важно иметь единую платформу, где можно сделать всё сразу, потому что связывание нескольких сервисов увеличивает шанс ошибки».
Modelence остановились на MongoDB Atlas, потому что её документная модель идеально совпадает с тем, как AI-агенты обрабатывают и генерируют данные. Схемы эволюционируют на лету без ручных миграций. Сверху платформа добавляет типизированный слой — это осознанное архитектурное решение.
«Документная модель MongoDB позволяет нам одновременно сохранять простоту и решать, насколько структурированными должны быть данные, — поясняет Шатахцян. — Мы всё же накидываем сверху типизированную схему — это резко повышает точность, с которой AI может генерировать полностью рабочие надёжные веб-приложения».
Интеграция с TypeScript оказалась особенно важной. «Поскольку типы и значения MongoDB можно напрямую транслировать в TypeScript, это становится расширением фреймворка Modelence — наш App Builder получает единый источник истины для логики приложения и базы данных», — объясняет Шатахцян.
Итог: платформа переходит от идеи к работающей функции за минуты, причём с заметно меньшим количеством регрессий. Эта скорость и надёжность помогли Modelence привлечь $3 млн посевных инвестиций и запустить AI-нативный конструктор, закрывающий полный жизненный цикл приложения.
Tavily: слой доступа к вебу для агентов
Tavily — поисковый API, созданный специально для AI-агентов. Он подключает их к актуальным веб-знаниям в реальном времени, не давая застревать в статичных тренировочных данных. В масштабах Tavily каждый запрос агента аутентифицируется, обрабатывается и тарифицируется без задержек. Для этого нужен бэкенд, который умеет впитывать изменения, не ломаясь.
«На стороне пользователя каждый запрос агента аутентифицируется и списывается со счёта, — рассказывает Томер Вайсс, руководитель Data Team в Tavily. — На стороне данных мы используем MongoDB для отслеживания жизненного цикла каждого документа: когда он был загружен, насколько устарел, какие сигналы свежести и популярности у него есть. Гибкая схема MongoDB позволила нам обновлять эти записи без миграций по мере появления новых метрик и функций».
Эта живая запись — именно то, что удерживает агентов в реальности. Мультиарендность в масштабах Tavily означает управление миллионами API-ключей, разными профилями использования, тарифными планами и требованиями к региональному расположению данных. Сложность заложили с первого дня.
«Мы рано разделили кластеры по зонам ответственности: кластер пользователей/аккаунтов оптимизирован для низкой задержки аутентификации и записи использования, а шардированный кластер для состояния документов масштабируется по URL, а не по пользователям, — объясняет Вайсс. — Это разделение окупилось».
Главный урок, по его словам, в выборе инфраструктуры, которая не наказывает за изменения — и гибкость здесь накапливается как сложный процент. «AI-сфера движется так быстро, что изменения — это наша норма, — говорит он. — Для компании, обслуживающей AI-агентов, чьи нагрузки постоянно меняют форму, выбор платформы данных, которая не наказывает за изменения, оказался ценнее любой отдельной функции».
Huntr: от трекера вакансий к AI-платформе для карьеры
Huntr.co — AI-сервис для создания и адаптации резюме. Он помогает более чем 500 000 соискателям из 190 стран собирать сильные заявки и управлять поиском работы. Для небольшой команды из трёх инженеров задача была в том, чтобы найти базу данных, достаточно гибкую для хранения всей сложности карьерной истории человека — и чтобы AI мог нативно читать, анализировать и генерировать на её основе.
«Данные о карьере, которые мы собираем в Huntr, естественным образом ложатся на документную модель MongoDB, — говорит Тревор МакКанн, старший инженер-программист Huntr. — Основная проблема, которую мы решаем с помощью AI-инструментов поиска работы, — как выявить уникальные качества кандидата. Мы должны быть готовы хранить любые данные, которые кандидат хочет включить в свои материалы».
Huntr построил свой AI-конструктор резюме на MongoDB Atlas. Документная модель отражает естественную структуру карьерных данных: глубоко вложенные, разные у каждого кандидата и постоянно меняющиеся по мере выхода новых функций. MongoDB Search на Atlas покрывает основные поисковые задачи, а MongoDB Vector Search отвечает за функцию подгонки под вакансию: профиль кандидата сопоставляется с описанием конкретной должности, и семантический матчинг генерирует резюме, оптимизированное под эту роль.
Совмещённые возможности напрямую повлияли на скорость релизов команды, отмечает МакКанн. «Гибридный поиск MongoDB позволяет нам seamless искать и по буквальным, и по семантическим совпадениям — это must-have для работы с такими разнородными данными, — говорит он. — Конечно, можно было бы склеить это из других решений, но с MongoDB всё готово прямо поверх нашего существующего слоя данных».
Консолидация базы данных, поиска и векторных возможностей в единой платформе позволяет команде работать с перевесом по весовой категории. МакКанн добавляет: в Huntr считают MongoDB четвёртым членом инженерной команды. В планах — AI, который учится на всей профессиональной истории кандидата со временем и даёт всё более персонализированные рекомендации.
Цифровой нативный blueprint
Эти истории успеха складываются в чёткий «цифровой нативный blueprint» для эры агентов. Он строится на трёх столпах. Во-первых, объединение базы данных, поиска и векторного хранилища в единую платформу — стартапы этим устранили архитектурный налог в виде сложных схем данных, который обычно тормозит разработку. Такая консолидация даёт уровень гибкости, без которого уже не обойтись: AI-агентам нужна современная платформа данных, способная адаптироваться так же быстро, как меняется текстовый запрос.
Победителями AI-эры станут те, кто построит самые производительные, надёжные и гибкие системы для поддержки моделей в продакшене. По мере усложнения агентных рабочих процессов именно фундамент данных определяет, как быстро команда сможет релизить, насколько надёжно будут работать агенты и как быстро платформа подстроится, когда ландшафт снова изменится.