Plugins Nativos de Um Clique em Ferramentas de Codificação de IA

• O MongoDB agora está disponível como um plugin/conector nativo nos marketplaces do Claude Code, Codex, Grok Build e Devin (e separadamente no ChatGPT e Cursor) . Cada plugin empacota o servidor MCP com a autenticação e configuração corretas para aquela ferramenta .
• Os desenvolvedores fazem login com um único fluxo OAuth e podem imediatamente consultar dados ao vivo de dentro do seu agente de codificação de IA .

Atlas App Connections (Camada de Identidade e Acesso)

• O Atlas App Connections é uma nova camada de identidade e acesso que permite que os desenvolvedores definam permissões granulares para quais ferramentas e agentes de IA podem acessar quais dados do Atlas, fornecendo acesso seguro e com escopo definido, sem compartilhar credenciais completas do banco de dados .

Integração Nativa com Vercel v0

• A MongoDB anunciou uma parceria expandida com a Vercel, incluindo uma integração nativa com o Vercel v0 (a ferramenta de desenvolvimento baseada em IA) . Os desenvolvedores podem conectar recursos do Atlas a partir do Vercel por meio de um fluxo de login nativo, com o Atlas criando ou vinculando a conta necessária automaticamente .

Capacidades de Recuperação de IA e Embeddings

Automated Embeddings no MongoDB Atlas (GA)

• O recurso Automated Embeddings agora está disponível geralmente no MongoDB Atlas, alimentado pelos modelos Voyage AI . Ele gera automaticamente embeddings vetoriais para os dados à medida que são gravados no banco de dados, eliminando a necessidade de executar um pipeline de embeddings separado ou gerenciar bancos de dados vetoriais externos .

Modelo de Embedding voyage-code-4

• A MongoDB lançou o voyage-code-4, um novo modelo de embedding otimizado especificamente para aplicações de recuperação de código de agente . Principais especificações:
  • Comprimento do contexto: 32.000 tokens
  • Dimensões padrão: 1024 (também suporta 256, 512, 2048)
  • Preço: US$ 0,00012 por 1.000 tokens de entrada
  • Projetado para alimentar RAG (Retrieval-Augmented Generation) consciente de código em agentes de codificação de IA .

API Atlas Embedding and Reranking (GA)

• Uma API REST independente e um cliente Python para acessar os modelos de embedding e reranking da Voyage AI diretamente através do MongoDB Atlas . Esta API pode ser usada independentemente do banco de dados MongoDB — os desenvolvedores podem chamá-la de qualquer aplicação para gerar embeddings ou reordenar resultados . Ela unifica toda a pilha de recuperação em uma única plataforma .

Reranking Nativo no Atlas

• Anunciado anteriormente, mas reforçado no Build Fest: o reranking nativo no Atlas (visualização pública), usando modelos Voyage AI, oferece até 30% de melhoria na qualidade da recuperação diretamente dentro do banco de dados .

Contexto da Indústria e Comentários de Executivos

Reduzindo a Complexidade do Desenvolvimento de IA

• Executivos da MongoDB contextualizaram os anúncios em torno do tema de "fechar a lacuna entre a promessa dos agentes e o impacto" . O argumento central: os agentes de IA hoje são frágeis porque não têm acesso em tempo real e preciso a dados operacionais ao vivo. Ao trazer a recuperação (geração de embeddings, busca vetorial, reranking) diretamente para o banco de dados operacional, a MongoDB visa eliminar o "espaguete de pilha de IA" de vários fornecedores que retarda as implementações em produção .
• Sahir Azam (Chief Marketing Officer da MongoDB) afirmou que essas capacidades tornam o MongoDB "a plataforma de dados para a era dos agentes", dando aos agentes de IA acesso nativo a dados ao vivo, em vez de snapshots desatualizados .

Unificando Dados Operacionais, Busca Vetorial e Gerenciamento de Embeddings

• Analistas da TechTarget observaram que a MongoDB está posicionando o Atlas como uma plataforma única onde dados operacionais, embeddings vetoriais e lógica de recuperação coexistem — em vez de exigir que os desenvolvedores integrem um banco de dados vetorial separado, um serviço de API de embeddings e um provedor de reranking .
• Analistas da Constellation Research observaram que a estratégia da MongoDB de adquirir a Voyage AI (concluída em 2025) e integrar profundamente seus modelos ao Atlas é uma aposta de que "o contexto é a nova moeda da IA" — e que controlar a camada de recuperação dá à MongoDB uma vantagem competitiva duradoura à medida que as empresas movem a IA do protótipo para a produção .

Plugins Nativos de Um Clique em Ferramentas de Codificação de IA

• O MongoDB agora está disponível como um plugin/conector nativo nos marketplaces do Claude Code, Codex, Grok Build e Devin (e separadamente no ChatGPT e Cursor) . Cada plugin empacota o servidor MCP com a autenticação e configuração corretas para aquela ferramenta .
• Os desenvolvedores fazem login com um único fluxo OAuth e podem imediatamente consultar dados ao vivo de dentro do seu agente de codificação de IA .

Atlas App Connections (Camada de Identidade e Acesso)

• O Atlas App Connections é uma nova camada de identidade e acesso que permite que os desenvolvedores definam permissões granulares para quais ferramentas e agentes de IA podem acessar quais dados do Atlas, fornecendo acesso seguro e com escopo definido, sem compartilhar credenciais completas do banco de dados .

Integração Nativa com Vercel v0

• A MongoDB anunciou uma parceria expandida com a Vercel, incluindo uma integração nativa com o Vercel v0 (a ferramenta de desenvolvimento baseada em IA) . Os desenvolvedores podem conectar recursos do Atlas a partir do Vercel por meio de um fluxo de login nativo, com o Atlas criando ou vinculando a conta necessária automaticamente .

Capacidades de Recuperação de IA e Embeddings

Automated Embeddings no MongoDB Atlas (GA)

• O recurso Automated Embeddings agora está disponível geralmente no MongoDB Atlas, alimentado pelos modelos Voyage AI . Ele gera automaticamente embeddings vetoriais para os dados à medida que são gravados no banco de dados, eliminando a necessidade de executar um pipeline de embeddings separado ou gerenciar bancos de dados vetoriais externos .

Modelo de Embedding voyage-code-4

• A MongoDB lançou o voyage-code-4, um novo modelo de embedding otimizado especificamente para aplicações de recuperação de código de agente . Principais especificações:
  • Comprimento do contexto: 32.000 tokens
  • Dimensões padrão: 1024 (também suporta 256, 512, 2048)
  • Preço: US$ 0,00012 por 1.000 tokens de entrada
  • Projetado para alimentar RAG (Retrieval-Augmented Generation) consciente de código em agentes de codificação de IA .

API Atlas Embedding and Reranking (GA)

• Uma API REST independente e um cliente Python para acessar os modelos de embedding e reranking da Voyage AI diretamente através do MongoDB Atlas . Esta API pode ser usada independentemente do banco de dados MongoDB — os desenvolvedores podem chamá-la de qualquer aplicação para gerar embeddings ou reordenar resultados . Ela unifica toda a pilha de recuperação em uma única plataforma .

Reranking Nativo no Atlas

• Anunciado anteriormente, mas reforçado no Build Fest: o reranking nativo no Atlas (visualização pública), usando modelos Voyage AI, oferece até 30% de melhoria na qualidade da recuperação diretamente dentro do banco de dados .

Contexto da Indústria e Comentários de Executivos

Reduzindo a Complexidade do Desenvolvimento de IA

• Executivos da MongoDB contextualizaram os anúncios em torno do tema de "fechar a lacuna entre a promessa dos agentes e o impacto" . O argumento central: os agentes de IA hoje são frágeis porque não têm acesso em tempo real e preciso a dados operacionais ao vivo. Ao trazer a recuperação (geração de embeddings, busca vetorial, reranking) diretamente para o banco de dados operacional, a MongoDB visa eliminar o "espaguete de pilha de IA" de vários fornecedores que retarda as implementações em produção .
• Sahir Azam (Chief Marketing Officer da MongoDB) afirmou que essas capacidades tornam o MongoDB "a plataforma de dados para a era dos agentes", dando aos agentes de IA acesso nativo a dados ao vivo, em vez de snapshots desatualizados .

Unificando Dados Operacionais, Busca Vetorial e Gerenciamento de Embeddings

• Analistas da TechTarget observaram que a MongoDB está posicionando o Atlas como uma plataforma única onde dados operacionais, embeddings vetoriais e lógica de recuperação coexistem — em vez de exigir que os desenvolvedores integrem um banco de dados vetorial separado, um serviço de API de embeddings e um provedor de reranking .
• Analistas da Constellation Research observaram que a estratégia da MongoDB de adquirir a Voyage AI (concluída em 2025) e integrar profundamente seus modelos ao Atlas é uma aposta de que "o contexto é a nova moeda da IA" — e que controlar a camada de recuperação dá à MongoDB uma vantagem competitiva duradoura à medida que as empresas movem a IA do protótipo para a produção .