Startup digital-native membuang database yang kaku demi tumpukan agen mereka
Dipersembahkan oleh MongoDBKesenjangan antara model dan agen AI yang dapat dihasilkan dan infrastruktur lama yang dapat didukung secara andal dikenal sebagai hambatan arsitektur, dan ini merupakan hambatan utama di era agen. Lapisan data di bawah sistem agen harus menangani skema variabel, penyematan vektor, pengambilan real-time, dan skala multi-penyewa, sering kali secara bersamaan dan tanpa campur tangan manusia untuk mengelola migrasi — namun database relasional tradisional tidak dirancang secara asli untuk fleksibilitas dokumen atau kemampuan AI. Skema yang diperbaiki memerlukan pembaruan manual setiap kali agen AI memperkenalkan bentuk data baru, sementara database vektor terpisah menambah latensi dan overhead sinkronisasi. Tiga startup digital-native — Huntr, Modelence, dan Tavily — memecahkan masalah ini dengan cara yang sama: dengan membangun MongoDB Atlas, platform database terpadu dengan penelusuran vektor asli, penelusuran hibrid, dan penskalaan otomatis terkelola. Pengalaman mereka menentukan seperti apa tumpukan data asli agen dalam produksi, dan alasan penggunaan Atlas memungkinkan pengembang membangun perusahaan asli AI yang kompleks dengan mudah. Modelence: Membangun cloud asli agen Modelence adalah pembuat aplikasi AI dengan kerangka kerja sumber terbuka yang dirancang khusus untuk pengembangan asli agen, memungkinkan siapa saja membangun dan menerapkan aplikasi web siap produksi, termasuk API dan database, dalam hitungan menit. Perusahaan menyadari sejak awal bahwa sebagian besar infrastruktur backend dibangun untuk manusia, bukan AI, dan bahwa manajemen skema yang kaku dan migrasi kompleks dari sistem tradisional menciptakan hambatan operasional yang menyebabkan agen gagal ketika mencoba membangun aplikasi siap produksi. “Memilih MongoDB membantu kami menyimpan semuanya di satu tempat, yang merupakan properti penting dari apa yang kami upayakan untuk pengguna kami sendiri,” kata Aram Shatakhtsyan, salah satu pendiri dan CEO Modelence. “Aliran data langsung, penelusuran vektor, semuanya sebagai bagian dari database utama. Bagi agen AI, sangat penting untuk memiliki satu platform tempat segala sesuatu dapat dilakukan, karena menghubungkan beberapa platform secara bersamaan membuatnya lebih rentan terhadap kesalahan.” Modelensi distandarisasi pada MongoDB Atlas karena model dokumennya selaras dengan cara agen AI memproses dan menghasilkan data, sehingga memungkinkan skema berkembang dengan cepat tanpa migrasi manual. Platform ini memasangkan fleksibilitas tersebut dengan lapisan skema yang diketik di atas, sebuah keputusan arsitektur yang disengaja. “Model dokumen MongoDB memungkinkan kami menjaga segala sesuatunya tetap sederhana dan pada saat yang sama memutuskan seberapa terstruktur apa yang kami inginkan,” kata Shatakhtsyan. Kami masih menambahkan skema yang diketik di atasnya, yang sangat meningkatkan keakuratan AI dalam menghasilkan aplikasi web yang berfungsi sepenuhnya dan andal. Integrasi TypeScript sangat penting, tambahnya. “Karena jenis dan nilai MongoDB dapat langsung diterjemahkan ke TypeScript, ini menjadi perpanjangan dari kerangka Modelence dan App Builder kami memiliki satu sumber kebenaran untuk logika aplikasi dan database,” jelas Shatakhtsyan. Hasilnya adalah platform yang dapat beralih dari perencanaan ke fitur langsung yang berjalan dalam hitungan menit dengan regresi yang jauh lebih sedikit. Itu kecepatan dan keandalan membantu Modelence mengumpulkan dana awal sebesar $3 juta dan berhasil meluncurkan pembuat aplikasi asli AI yang menangani seluruh siklus hidup aplikasi secara end-to-end. Tavily: Lapisan akses web untuk agen Tavily adalah API pencarian yang dibuat khusus untuk agen AI, menghubungkan mereka ke pengetahuan web yang akurat dan real-time dan menjaga mereka tetap berdasarkan pada apa yang sebenarnya terjadi, bukan pada data pelatihan statis menyerap perubahan tanpa merusaknya. “Di sisi pengguna, setiap permintaan agen mengautentikasi dan mengukurnya,” kata Tomer Weiss, Pimpinan Tim Data di Tavily. “Di sisi data, kami menggunakannya untuk melacak siklus hidup setiap dokumen yang pernah kami sentuh: kapan dokumen tersebut diambil, seberapa lama dokumen tersebut, sinyal kesegarannya, dan seberapa populer dokumen tersebut. Skema MongoDB yang fleksibel memungkinkan kami terus mengembangkan catatan tersebut tanpa migrasi seiring dengan hadirnya metrik dan fitur baru.”Catatan hidup itulah yang membuat agen tetap bertahan di dunia nyata. Multi-tenancy pada skala Tavily berarti mengelola jutaan kunci API, profil penggunaan yang berbeda, tingkat paket, dan persyaratan residensi regional. Mereka dibangun untuk kompleksitas tersebut sejak hari pertama. “Kami memisahkan kekhawatiran di seluruh cluster sejak awal: cluster pengguna/akun yang dioptimalkan untuk autentikasi latensi rendah dan penulisan penggunaan, dan cluster sharded untuk status dokumen di mana poros penskalaannya adalah URL, bukan pengguna,” jelas Weiss. “Pemisahan ini telah membuahkan hasil.” Pelajaran yang paling penting adalah memilih infrastruktur yang tidak menghukum perubahan, dan fleksibilitas itu semakin bertambah, katanya. Huntr: Dari pelacak pekerjaan hingga platform karier AIHuntr.co, platform pembuatan dan penyesuaian resume AI, membantu lebih dari 500.000 pencari kerja di 190 negara membuat lamaran yang lebih kuat dan mengelola pencarian mereka. Untuk tim teknik yang ramping dan beranggotakan tiga orang, tantangannya adalah menemukan fondasi data yang cukup fleksibel untuk menyimpan seluruh kompleksitas riwayat karier seseorang dalam struktur yang dapat dibaca, dipikirkan, dan dihasilkan oleh AI. “Jenis data karier yang kami kumpulkan di Huntr secara alami selaras dengan model dokumen MongoDB,” kata Trevor McCann, insinyur perangkat lunak senior di Huntr. “Masalah inti yang kami selesaikan dengan alat pencari kerja AI adalah bagaimana menampilkan kualitas kandidat yang menjadikan mereka unik. Kita harus siap untuk menyimpan jenis data apa pun yang ingin disertakan oleh kandidat dalam materi mereka.”Huntr membangun AI Resume Builder di MongoDB Atlas, di mana model dokumennya mencerminkan bentuk alami dari data karier: sangat bersarang, bervariasi antar kandidat, dan terus berkembang seiring platform mengirimkan fitur-fitur baru. MongoDB Search di Atlas menangani kebutuhan pencarian inti sementara MongoDB Vector Search mendukung fitur Job Tailoring, yang menempatkan profil karier kandidat yang disimpan berdampingan dengan deskripsi pekerjaan tertentu dan menggunakan pencocokan semantik untuk menghasilkan resume dioptimalkan untuk peran tersebut. Kemampuan terintegrasi memiliki dampak langsung pada seberapa cepat tim dapat melakukan pengiriman, kata McCann. “Pencarian hibrid MongoDB memungkinkan kami melakukan kueri dengan mulus pada kecocokan teks literal dan semantik, yang harus dimiliki saat bekerja dengan data yang beragam,” kata McCann. Konsolidasi kemampuan database, pencarian, dan vektor ke dalam satu platform memungkinkan tim untuk melampaui bobotnya. Huntr menganggap MongoDB sebagai anggota keempat dari tim tekniknya, tambah McCann. Ke depan, platform ini berkembang menuju AI yang belajar dari seluruh riwayat profesional kandidat dari waktu ke waktu, sehingga memberikan panduan yang lebih personal dalam setiap interaksi. Cetak biru digital native Kisah sukses ini menjadi “cetak biru digital native” yang pasti untuk era agen, yang dibangun di atas tiga pilar inti. Pertama, dengan menyatukan database, pencarian, dan penyimpanan vektor ke dalam satu platform, startup ini telah secara efektif menghilangkan pajak arsitektural dari skema data kompleks yang biasanya memperlambat pengembangan. Konsolidasi ini memungkinkan tingkat ketidakstabilan yang tidak dapat dinegosiasikan; Agen AI memerlukan platform data modern yang dapat beradaptasi secepat perkembangan bahasa alami. Pemenang era AI adalah mereka yang membangun sistem yang paling berkinerja, tahan lama, dan fleksibel untuk mendukung model-model tersebut dalam produksi. Seiring dengan semakin canggihnya alur kerja agen, landasan data menentukan seberapa cepat tim dapat melakukan pengiriman, seberapa andal agen dapat beroperasi, dan seberapa cepat platform dapat beradaptasi ketika lanskap kembali berubah. Artikel bersponsor adalah konten yang diproduksi oleh perusahaan yang membayar postingan tersebut atau memiliki hubungan bisnis dengan VentureBeat, dan artikel tersebut selalu ditandai dengan jelas. Untuk informasi lebih lanjut, hubungi sales@venturebeat.com.
Diterbitkan : 2026-07-07 07:00:00
sumber : venturebeat.com
