Почему стеку AI‑агентов все чаще нужен единый слой базы данных
В архитектурах AI‑агентов ключевые задачи, такие как хранение состояния, векторный поиск и отказоустойчивость, обычно распределены между разными системами. Обзор ландшафта фреймворков Agent Engineering на 2025 год показывает другую тенденцию: в продакшене чаще выбирают решения с сильной поддержкой сохранения состояния, наблюдаемости и восстановления после сбоев. По сути, все эти функции упираются в операции базы данных: запись состояния, чтение данных для мониторинга, восстановление после ошибок. Об этом пишет Towards AI.
В типичной архитектуре агента такие операции разнесены по нескольким компонентам. Есть основная база данных для операционного состояния, отдельная векторная база для embeddings и аналитическое хранилище для мониторинга. Приложению приходится связывать их между собой. Пять лет назад MongoDB почти не рассматривали в таком контексте. Она оставалась прежде всего document store, популярным среди Node.js‑разработчиков. С появлением Atlas Vector Search ситуация изменилась: система может выполнять операционные запросы и similarity search в одном конвейере. Это сокращает число интеграций и уменьшает количество потенциальных точек отказа. Теперь вопрос формулируется иначе. Речь уже не о том, способна ли MongoDB работать с векторными нагрузками, а о том, как она выглядит на фоне Lakebase, Postgres с pgvector и специализированных vector databases.
Проблема становится особенно заметной, когда агенты переходят из экспериментов в реальное использование. По данным опроса LangChain за 2024 год, 51% респондентов уже применяют агентов в продакшене, а главным препятствием называют производительность. Агенту, например в службе поддержки, приходится одновременно читать состояние аккаунта, искать документы в базе знаний, вызывать внешние API, сохранять шаги работы и восстанавливаться после ошибок. От базы данных в такой ситуации требуется многое: быстрые записи чекпойнтов и результатов инструментов, vector search, гибкая схема памяти агента, масштабирование под большое число сессий, низкая задержка чтения. Многие команды распределяют эти задачи между Postgres, Pinecone или Weaviate, Redis и аналитическим хранилищем. Однако такая схема усложняет синхронизацию и отладку. Поставщики баз данных пытаются сократить разрыв между состоянием агента, поиском и аналитикой. В частности, Databricks в июне 2025 года представила Lakebase.
Ключевые факты
В обзоре Agent Engineering о ландшафте фреймворков 2025 года отмечено, что наибольшее внедрение в продакшене получают фреймворки с сильной поддержкой state persistence, observability и fault tolerance, а не те, у которых самый простой quick start.
По опросу LangChain за 2024 год, 51% респондентов уже имели агентов в продакшене, а главным барьером называлось качество производительности.
MongoDB Atlas Vector Search выполняет операционные запросы и similarity search в одном конвейере, что сокращает количество систем и интеграций в архитектуре.
Databricks запустила Lakebase в июне 2025 года как управляемую базу данных Postgres.