Plugins natifs en un clic dans les outils de codage IA

• MongoDB est désormais disponible sous forme de plugin/connecteur natif dans les places de marché de Claude Code, Codex, Grok Build et Devin (ainsi que dans ChatGPT et Cursor) . Chaque plugin embarque le serveur MCP avec l'authentification et la configuration adaptées à l'outil .
• Les développeurs se connectent avec un seul flux OAuth et peuvent immédiatement interroger des données live depuis leur agent de codage .

Atlas App Connections (couche d'identité et d'accès)

• Atlas App Connections est une nouvelle couche d'identité et d'accès qui permet de définir des permissions fines pour chaque outil IA et agent : accès sécurisé et limité à certaines données sans partager les identifiants complets de la base .

Intégration native avec Vercel v0

• MongoDB a annoncé un partenariat renforcé avec Vercel, notamment une intégration native avec Vercel v0 (l'outil de développement propulsé par l'IA) . Les développeurs peuvent connecter leurs ressources Atlas depuis Vercel via un flux de connexion natif, Atlas créant ou liant automatiquement le compte nécessaire .

Capacités de recherche et d'embeddings IA

Embeddings automatiques dans MongoDB Atlas (GA)

• La fonction Automated Embeddings est désormais disponible en général sur MongoDB Atlas, alimentée par les modèles Voyage AI . Elle génère automatiquement des embeddings vectoriels pour les données dès leur écriture en base, éliminant le besoin d'un pipeline d'embedding séparé ou d'une base vectorielle externe .

Modèle d'embedding voyage-code-4

• MongoDB a lancé voyage-code-4, un nouveau modèle d'embedding optimisé spécifiquement pour les applications de recherche de code agentique . Principales spécifications :
  • Longueur de contexte : 32 000 tokens
  • Dimensions par défaut : 1024 (prend également en charge 256, 512, 2048)
  • Tarif : 0,00012 $ pour 1 000 tokens d'entrée
  • Conçu pour alimenter le RAG (génération augmentée par récupération) sensible au code dans les agents de codage IA .

API d'embedding et de reranking Atlas (GA)

• Une API REST autonome et un client Python pour accéder directement aux modèles d'embedding et de reranking de Voyage AI via MongoDB Atlas . Cette API peut être utilisée indépendamment de la base de données MongoDB : les développeurs peuvent l'appeler depuis n'importe quelle application pour générer des embeddings ou réordonnancer des résultats . Elle unifie toute la pile de recherche au sein d'une seule plateforme .

Reranking natif dans Atlas

• Déjà annoncé mais renforcé au Build Fest : le reranking natif dans Atlas (en preview publique), utilisant les modèles Voyage AI, améliore jusqu'à 30 % la qualité de la recherche directement dans la base de données .

Contexte industriel & commentaires des dirigeants

Réduire la complexité du développement IA

• Les dirigeants de MongoDB ont articulé ces annonces autour du thème « réduire l'écart entre la promesse agentique et l'impact réel » . L'argument central : les agents IA sont aujourd'hui fragiles parce qu'ils n'ont pas un accès précis et en temps réel aux données opérationnelles. En intégrant la récupération (génération d'embeddings, recherche vectorielle, reranking) directement dans la base de données opérationnelle, MongoDB vise à éliminer le « plat de spaghettis de la stack IA » (multiplicité de fournisseurs) qui ralentit les déploiements en production .
• Sahir Azam (directeur marketing de MongoDB) a déclaré que ces capacités font de MongoDB « la plateforme de données pour l'ère agentique », en donnant aux agents IA un accès natif aux données live plutôt qu'à des instantanés obsolètes .

Unifier les données opérationnelles, la recherche vectorielle et la gestion d'embeddings

• Les analystes de TechTarget notent que MongoDB positionne Atlas comme une plateforme unique où les données opérationnelles, les embeddings vectoriels et la logique de récupération cohabitent — plutôt que d'obliger les développeurs à assembler une base vectorielle séparée, un service d'API d'embedding et un fournisseur de reranking .
• Les analystes de Constellation Research observent que la stratégie de MongoDB, qui a acquis Voyage AI (finalisée en 2025) et intégré profondément ses modèles dans Atlas, repose sur l'idée que « le contexte est la nouvelle monnaie de l'IA » — et que maîtriser la couche de récupération offre à MongoDB un avantage concurrentiel durable alors que les entreprises font passer l'IA du prototype à la production .

Plugins natifs en un clic dans les outils de codage IA

• MongoDB est désormais disponible sous forme de plugin/connecteur natif dans les places de marché de Claude Code, Codex, Grok Build et Devin (ainsi que dans ChatGPT et Cursor) . Chaque plugin embarque le serveur MCP avec l'authentification et la configuration adaptées à l'outil .
• Les développeurs se connectent avec un seul flux OAuth et peuvent immédiatement interroger des données live depuis leur agent de codage .

Atlas App Connections (couche d'identité et d'accès)

• Atlas App Connections est une nouvelle couche d'identité et d'accès qui permet de définir des permissions fines pour chaque outil IA et agent : accès sécurisé et limité à certaines données sans partager les identifiants complets de la base .

Intégration native avec Vercel v0

• MongoDB a annoncé un partenariat renforcé avec Vercel, notamment une intégration native avec Vercel v0 (l'outil de développement propulsé par l'IA) . Les développeurs peuvent connecter leurs ressources Atlas depuis Vercel via un flux de connexion natif, Atlas créant ou liant automatiquement le compte nécessaire .

Capacités de recherche et d'embeddings IA

Embeddings automatiques dans MongoDB Atlas (GA)

• La fonction Automated Embeddings est désormais disponible en général sur MongoDB Atlas, alimentée par les modèles Voyage AI . Elle génère automatiquement des embeddings vectoriels pour les données dès leur écriture en base, éliminant le besoin d'un pipeline d'embedding séparé ou d'une base vectorielle externe .

Modèle d'embedding voyage-code-4

• MongoDB a lancé voyage-code-4, un nouveau modèle d'embedding optimisé spécifiquement pour les applications de recherche de code agentique . Principales spécifications :
  • Longueur de contexte : 32 000 tokens
  • Dimensions par défaut : 1024 (prend également en charge 256, 512, 2048)
  • Tarif : 0,00012 $ pour 1 000 tokens d'entrée
  • Conçu pour alimenter le RAG (génération augmentée par récupération) sensible au code dans les agents de codage IA .

API d'embedding et de reranking Atlas (GA)

• Une API REST autonome et un client Python pour accéder directement aux modèles d'embedding et de reranking de Voyage AI via MongoDB Atlas . Cette API peut être utilisée indépendamment de la base de données MongoDB : les développeurs peuvent l'appeler depuis n'importe quelle application pour générer des embeddings ou réordonnancer des résultats . Elle unifie toute la pile de recherche au sein d'une seule plateforme .

Reranking natif dans Atlas

• Déjà annoncé mais renforcé au Build Fest : le reranking natif dans Atlas (en preview publique), utilisant les modèles Voyage AI, améliore jusqu'à 30 % la qualité de la recherche directement dans la base de données .

Contexte industriel & commentaires des dirigeants

Réduire la complexité du développement IA

• Les dirigeants de MongoDB ont articulé ces annonces autour du thème « réduire l'écart entre la promesse agentique et l'impact réel » . L'argument central : les agents IA sont aujourd'hui fragiles parce qu'ils n'ont pas un accès précis et en temps réel aux données opérationnelles. En intégrant la récupération (génération d'embeddings, recherche vectorielle, reranking) directement dans la base de données opérationnelle, MongoDB vise à éliminer le « plat de spaghettis de la stack IA » (multiplicité de fournisseurs) qui ralentit les déploiements en production .
• Sahir Azam (directeur marketing de MongoDB) a déclaré que ces capacités font de MongoDB « la plateforme de données pour l'ère agentique », en donnant aux agents IA un accès natif aux données live plutôt qu'à des instantanés obsolètes .

Unifier les données opérationnelles, la recherche vectorielle et la gestion d'embeddings

• Les analystes de TechTarget notent que MongoDB positionne Atlas comme une plateforme unique où les données opérationnelles, les embeddings vectoriels et la logique de récupération cohabitent — plutôt que d'obliger les développeurs à assembler une base vectorielle séparée, un service d'API d'embedding et un fournisseur de reranking .
• Les analystes de Constellation Research observent que la stratégie de MongoDB, qui a acquis Voyage AI (finalisée en 2025) et intégré profondément ses modèles dans Atlas, repose sur l'idée que « le contexte est la nouvelle monnaie de l'IA » — et que maîtriser la couche de récupération offre à MongoDB un avantage concurrentiel durable alors que les entreprises font passer l'IA du prototype à la production .