MongoDB Atlas、Voyage、LangGraph でエージェント型イベント会場運営システムを構築

このチュートリアルは、ほとんどのエージェントデモが止まる場所から始まります：エージェントに永続的なメモリ、運用コンテキスト、そして起こったことを書き戻す場所を与えることです。イベント運営者は、天気予報を要約したり一般的な計画を生成したりできるエージェントだけでなく、以前のイベントで何が起こったかを記憶し、関連する来場者と会場のコンテキストを取得し、ライブの運用変更に対応し、結果をメモリに書き戻して次の類似状況に備えることができるエージェントを必要とします。

私たちは、MongoDB Atlas、Voyage AI 埋め込み、LangGraph、およびオプションの Langfuse トレーシングを使用して、このイベント会場運営デモを構築しました。デモシナリオは、架空の高級テニストーナメント「MongoDB Open」の6日目です。雨が近づいており、屋内の接遇キャパシティが限られており、運営者は2つの異なる来場者の体験を保護する必要があります：初めての参加者で会場を最大限に活用しようとしているMikikoと、接遇の期待とエージェントが取得できる履歴を持つプレミアムゲストのNinaです。

これは顧客ケーススタディや本番導入ではありません。実際のイベント運営の経済性に触発された架空のビルダーシナリオです。主要なテニスイベントは、これらの決定が重要である理由を示しています：2025年の全米オープンは、入場者数、視聴率、デジタルリーチの記録を更新し、総額9000万ドルの選手報酬を提供しました。USTAはまた、3週間の全米オープンがニューヨーク市に年間12億ドル以上の経済効果をもたらすと述べています。プレミアムファンの期待も高く、PwCは高所得の米国スポーツファンの60%が特別イベントに250ドル以上、20%が1000ドル以上を費やすと報告しています。天候はさらにリスクの層を追加し、そのため米国国勢調査局は現在、Business Trends and Outlook Surveyを通じて異常気象が売上に与える金銭的影響を追跡しています。

MongoDB Open デモエージェントは、単にもっともらしい計画を生成するだけではありません。現在の会場状態を読み取り、以前のイベントメモリを取得し、来場者セグメントを区別し、接遇キャパシティがまだ利用可能なうちに行動し、結果を書き戻して次の混乱がより多くのコンテキストで処理できるようにします。完全なコードはこちらで入手できます。

デモは3つの層に分かれています：操作ストーリーを追いやすくするガイド付き決定論的UI、読者に公開アプリリンクを提供するホスト型Vercelデモ、そしてAtlas Vector Search、ベクトル＋語彙検索、ビジュアルドキュメントRAG、LangGraph実行、オプションのLangfuseトレースのためのライブAPIエンドポイントとスクリプトです。

チュートリアルの終了までに、MongoDB Atlas をバックエンドとするFastAPIアプリが完成し、ローカルで実行してVercelにデプロイできます。アプリには、イベント運営ストーリーとライブバックエンド検証のための4タブのガイド付きUI、運用状態、セマンティックメモリ、エージェントアクション、LangGraphチェックポイントのためのAtlasコレクション、Atlasに保存されたVoyageマルチモーダル埋め込み、メモリ取得のためのAtlas Vector Search、ベクトル類似性と語彙スコアリングを組み合わせたハイブリッド検索エンドポイント、視覚的な運用ドキュメントを取得してClaude Visionに渡すVision RAGエンドポイント、オプションのLangfuseトレーシング、そして同じ雨遅延ストーリーに従う実行可能なLangGraphスクリプトが含まれます。

アーキテクチャはMongoDB Atlasを運用層とメモリ層の両方として中心に据えています。イベント会場運営シナリオではスピードが重要であり、有用な行動のウィンドウは短いです。雨が20分後に迫り、屋内接遇スペースが埋まりつつある場合、運営者はイベント後のダッシュボードや数分後のバッチサマリーを必要としません。エージェントは、ゲスト体験を保護するキャパシティがまだあるうちに、現在の会場状態を読み取り、関連メモリを取得し、何をすべきかを決定し、結果を書き戻す必要があります。そのため、データベースの種類とその使用方法が重要なシステム設計上の選択となります。運用記録、セマンティックメモリ、ベクトル埋め込み、ビジュアルドキュメント、エージェントアクションはすべて同じデータ層に存在します。エージェントは、別の分析パイプラインを待ったり、データを2番目のベクトルデータベースに同期したり、メモリ層が言うことと運用システムが言うことを調整したりする必要はありません。Atlasは、記録システムとエージェントループの取得層の両方として機能します：何が変わったかを認識し、適切なコンテキストを取得し、行動し、次回のために何が起こったかを永続化します。

セットアップ手順には、リポジトリのクローン、依存関係のインストール、環境変数の設定、Atlasの初期化、テキストとビジュアルドキュメントのシード、アプリの起動が含まれます。UIには4つのタブがあります：会場運営ダッシュボード、シナリオウォークスルー、最終結果、ライブバックエンド検証です。メモリストアはmemory_storeコレクションにあり、各ドキュメントには名前空間、キー、テキストペイロード、カテゴリメタデータ、埋め込みが含まれています。名前空間により、アプリは異なる種類のメモリを分離できます：（guests, guest_id）は来場者固有のメモリ、（fleet, event_id）は運営者全体のイベントパターン、（docs, event_id）は視覚的な運用ドキュメント用です。

チュートリアルではまた、ベクトル検索とハイブリッド検索を使用してメモリストアをクエリする方法、およびマルチモーダル埋め込みを画像と組み合わせて視覚RAGを使用する方法を示し、エージェントがアクセスマップや収容能力チャートなどの視覚ドキュメントを取得できるようにします。要約すると、このチュートリアルは、メモリとコンテキスト認識能力を備えたスマートエージェントを構築するための包括的なエンドツーエンドのリファレンス実装を提供します。