MongoDB Atlas może pełnić w projekcie AI dwie role: zwykłej bazy danych aplikacji oraz bazy wektorowej dzięki funkcji Atlas Vector Search, która przechowuje embeddingi i wyszukuje podobne fragmenty tekstu. Agent AI korzysta z niej jako z narzędzia: wyszukuje dokumenty do odpowiedzi (RAG), odczytuje dane klienta czy zamówienia. Granica jest ważna: baza przechowuje i wyszukuje dane, a logika agenta, czyli instrukcje, wybór narzędzi, uprawnienia i walidacja, należy do aplikacji lub workflow, np. w n8n. Użycie jednej bazy do danych i wektorów upraszcza architekturę, ale nie zastępuje projektu aplikacji.
Gdzie kończy się baza, a zaczyna aplikacja
| Warstwa | Odpowiada za |
|---|---|
| MongoDB Atlas | Dokumenty, embeddingi, wyszukiwanie wektorowe i zwykłe zapytania, kopie, skalowanie |
| Aplikacja / workflow (np. n8n) | Instrukcje agenta, wybór narzędzi, uprawnienia użytkowników, walidacja wyników |
| Model AI | Rozumienie pytania i tworzenie odpowiedzi |
Kiedy jedna baza do danych i wektorów ma sens
- aplikacja już działa na MongoDB i chcesz dodać wyszukiwanie semantyczne,
- chcesz filtrować wyniki wektorowe po polach dokumentu (np. klient, kategoria, data),
- wolisz mniej systemów do utrzymania.
Osobna baza wektorowa (np. Qdrant) bywa lepsza, gdy wyszukiwanie wektorowe jest głównym obciążeniem albo dane aplikacji są w innej bazie. Koszty porównaj na swoich danych: wielkości kolekcji, liczbie zapytań i planie Atlas.
Przykład z n8n
- Workflow indeksujący dzieli dokumenty, tworzy embeddingi i zapisuje je w kolekcji Atlas z metadanymi.
- Agent AI w n8n ma narzędzie wyszukiwania w tej kolekcji i drugie narzędzie do odczytu danych zamówień.
- Uprawnienia użytkownika filtrują, które dokumenty agent może zobaczyć.
- Odpowiedź zawiera źródła, a pytania bez odpowiedzi trafiają do człowieka.
Więcej o RAG w artykułach chatbot RAG w n8n i Agentic RAG.
Architektura AI z Codeless
Zobacz usługę wdrożenia AI albo umów bezpłatną konsultację.