MongoDB Atlas
PulseAugur coverage of MongoDB Atlas — every cluster mentioning MongoDB Atlas across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
通过 MongoDB Atlas 集成解决 Claude Code 的记忆丢失问题
本文解决了像 Claude Code 这样的 AI 模型在长会话中丢失上下文的问题，解释说问题源于有限的上下文窗口和称为“压缩”的过程。为了解决这个问题，作者提出使用 MongoDB Atlas 作为持久化内存存储。该设计将存储、嵌入和检索机制与数据紧密集成，创建了一个带有配套开发者代码的轻量级 Claude Code 插件。
-
MongoDB MCP 服务器允许 AI 代理直接访问数据库
MongoDB 推出了官方 MCP 服务器，允许 Claude 和 Cursor 等 AI 代理直接与 MongoDB Atlas 和本地实例进行交互。此集成使 AI 能够查询文档、管理索引、监控性能，甚至在无需手动干预的情况下创建或更新数据。该工具旨在通过直接从实时数据库进行快速原型设计、数据调试和自动文档生成来简化工作流程。
-
使用 MongoDB Atlas、Voyage AI 和 LangGraph 构建一个代理式活动场地运营商
本教程演示了如何使用 MongoDB Atlas、Voyage AI 和 LangGraph 构建一个代理式活动场地运营商。该系统旨在为代理提供持久化内存、操作上下文以及记录结果的能力。演示模拟了在雨延期间管理虚构的网球比赛 MongoDB Open，展示了代理检索访客和场地上下文、响应实时变化以及记住过去事件以供未来操作的能力。该架构利用 MongoDB Atlas 进行数据存储和检索，Voyage AI 进行嵌入，LangGrap…
-
Graphify 设置指南：兼容性和性能洞察
文章讨论了 Graphify（一种用于图数据的工具）的设置过程，重点介绍了它与各种数据库系统的兼容性和局限性。文章详细介绍了作者将 Graphify 与 Neo4j、AWS 以及 MongoDB Atlas、ArangoDB 和 TigerGraph 等其他流行数据库集成的经验。作者还触及了成本问题以及 Graphify 在不同环境下的性能，包括其与 Docker 和 Kubernetes 的使用。
-
AI 运营助手：有状态工作流和人工干预最终确定
本文通过详细介绍有状态工作流检查点、工具调用以及暂停/恢复机制，结束了关于构建人工智能驱动的运营助手的系列文章。之前的文章涵盖了基础的检索增强生成（RAG）方法，包括将数据加载到向量存储中并将模型响应基于文档，以及实现短期和长期对话记忆。
-
AI 代理管道面临扩展挑战：数据访问和成本管理
一个旨在每日处理超过 10,000 个职位列表的 AI 代理管道遇到了重大的扩展问题，主要与数据访问模式有关，而非 LLM 本身。MongoDB 中深度 skip() 分页的初始实现随着系统扩展导致 CPU 飙升和超时。通过切换到基于游标的分页解决了这个问题，该分页更有效地利用了索引。另一个挑战是使用 GPT-4 重写职位描述的成本高昂，导致每日费用不可持续，最终不得不关闭该功能。
-
开发者通过批处理和函数调用将 LLM 评分管道扩展到每天 10,000 个作业
一位开发者详细介绍了他们如何将 LLM 评分管道的处理能力从每天一个职位列表扩展到超过 10,000 个。最初使用单独的 GPT-4 调用方法在规模化时速度太慢且成本太高。通过实施批处理并利用具有严格 JSON 模式的 GPT-4 函数调用，该管道现在可以返回确定性和可解析的结果，从而显著提高效率和成本效益。