Репортаж от Wedoany，Большие языковые модели, несмотря на постоянный технологический прогресс, долгое время страдают от структурного недостатка: отсутствия контекстной памяти между диалогами и надежной системы поиска данных, что приводит к несогласованности и ненадежности результатов. Американский провайдер NoSQL-баз данных MongoDB 7 мая 2026 года на конференции MongoDB.local London 2026 в Лондоне объявил о полной интеграции ключевых ИИ-возможностей, таких как постоянная память, поиск, эмбеддинги и реранкинг, в свою платформу данных Atlas, пытаясь системно решить эту проблему на уровне данных.
По данным DimensionNet, большие языковые модели, несмотря на постоянный технологический прогресс, долгое время страдают от структурного недостатка: отсутствия контекстной памяти между диалогами и надежной системы поиска данных, что приводит к несогласованности и ненадежности результатов. Американский провайдер NoSQL-баз данных MongoDB 7 мая 2026 года на конференции MongoDB.local London 2026 в Лондоне объявил о полной интеграции ключевых ИИ-возможностей, таких как постоянная память, поиск, эмбеддинги и реранкинг, в свою платформу данных Atlas, пытаясь системно решить эту проблему на уровне данных.
Технический директор по искусственному интеллекту MongoDB на месте проведения конференции Пит Джонсон (Pete Johnson) дал прямую оценку памяти агентов на презентации: «Для раскрытия возможностей агентов необходима память. Как и человеческая память, хорошая память агента организует знания». Он отметил, что ключ к агентному ИИ лежит в понимании контекста, и сама модель не является ограничивающим фактором — «Когда ИИ-инструменты и агенты дают неправильные ответы, люди инстинктивно винят модель, но на самом деле именно платформа данных является ключом к предоставлению агенту правильного контекста и памяти».
Одним из ключевых обновлений этого выпуска стала новая функция Automated Voyage AI Embeddings в векторном поиске MongoDB, которая уже доступна в публичной предварительной версии. Эта функция автоматически генерирует векторы-эмбеддинги при записи или обновлении данных, сокращая процесс создания поисковой инфраструктуры данных, который ранее занимал недели, до нескольких минут. Главный директор по продуктам MongoDB Пабло Стерн (Pablo Stern) отметил, что узким местом в производственном внедрении ИИ на предприятиях являются не модели, а уровень данных, обеспечивающий агентам надежный контекст и постоянную память: «Разработчикам больше не нужно самостоятельно создавать и поддерживать инфраструктуру данных, вручную подключать модели эмбеддингов или управлять синхронизацией между системами».
Точность поиска является предварительным условием надежности агентов. Модель эмбеддингов Voyage AI занимает первое место в бенчмарках поисковых эмбеддингов, что означает, что агенты могут точнее находить правильную информацию. Джонсон пояснил, что, сталкиваясь с ошибками в результатах агентов, большинство пользователей инстинктивно переходят на более крупные и дорогие модели, но истинная проблема кроется в поиске: модель может делать выводы только на основе предоставленной информации, и если данные неточны, устарели или лишены контекста, результат неизбежно будет ошибочным.
Долговременное хранилище памяти LangGraph.js стало общедоступным, что является ключевым расширением возможностей памяти в технологическом стеке. Разработчики на JavaScript и TypeScript, ранее ограниченные краткосрочной или однопоточной обработкой контента, теперь могут наделять агентов способностью к постоянной памяти между диалогами в MongoDB Atlas. Это означает, что агенты могут запоминать предпочтения пользователей и историю взаимодействий, на основе чего постоянно обучаться и принимать более оптимальные решения.
Для стабильной работы агентов в производственной среде MongoDB также синхронно повысила аппаратную производительность. Новая версия MongoDB 8.3 доступна немедленно и обеспечивает повышение производительности чтения до 45%, записи — на 35%, обработки ACID-транзакций — на 15% и обработки сложных операций — на 30% по сравнению с версией 8.0.
Еще одной проблемой при развертывании агентов на предприятиях является согласованность и безопасность среды. В настоящее время MongoDB Atlas поддерживает работу на нескольких облачных платформах, включая AWS, Google Cloud и Microsoft Azure, а также локальное развертывание и гибридные среды. Функция межузлового подключения AWS PrivateLink официально запущена, что гарантирует передачу трафика базы данных между кластерами MongoDB Atlas в разных регионах AWS исключительно внутри частной сети AWS.
С отраслевой точки зрения, этот шаг MongoDB фактически объединяет базу данных, векторный поиск, модель эмбеддингов, хранилище памяти и реранкинг поиска в единую инфраструктуру данных, избавляя разработчиков от необходимости самостоятельно собирать и эксплуатировать операционные базы данных, векторные хранилища и множество конвейеров данных. Эта интеграция устраняет задержки и накладные расходы на синхронизацию, вызванные фрагментированной архитектурой данных, помогая предприятиям перевести агентные приложения от стадии демонстрации к реальному производственному развертыванию. По мере повышения точности поиска данных и снижения операционной сложности консенсус о том, что «последним недостающим шагом для корпоративных ИИ-приложений всегда был заслуживающий доверия уровень данных», заставляет всю отрасль пересмотреть реальное расстояние между демонстрацией возможностей моделей и зрелостью инфраструктуры.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
