Francesco Bellingeri

Ho sviluppato Mango, un AI agent progettato per semplificare l’interazione con database MongoDB attraverso il linguaggio naturale. L’obiettivo del progetto è ridurre la complessità delle query avanzate, permettendo agli utenti di trasformare richieste in linguaggio naturale direttamente in query MongoDB (NL → MQL) tramite un sistema basato su LLM.

Il cuore del sistema è un’architettura orchestrata che combina modelli linguistici con un sistema dinamico di tool execution, consentendo all’agente di interpretare la richiesta, scegliere le operazioni necessarie ed eseguirle in modo autonomo. Il backend è stato sviluppato in modo asincrono utilizzando FastAPI, con supporto allo streaming in tempo reale tramite Server-Sent Events (SSE), che permette di tracciare passo dopo passo il processo decisionale dell’agente e le chiamate agli strumenti.

Per migliorare progressivamente la qualità delle risposte, ho implementato un sistema di memoria persistente basato su vector store (ChromaDB), che è organizzato in tre layer distinti: tool-usage memory, che cattura automaticamente ogni interazione riuscita per arricchire i prompt futuri come few-shot examples; text memory, che permette di salvare conoscenza libera sul dominio, significati di campi, terminologia business, quirk specifici del database; training memory, che ospita coppie gold-standard caricate esplicitamente dall'utente come riferimento privilegiato, separate dalla memoria auto-generata. I tre layer vengono interrogati a ogni richiesta e iniettati nel prompt di sistema. I benchmark su 110 domande reali misurati con la metrica XMaNeR (media pesata di execution rate, output quality e correttezza fuzzy) mostrano risultati notevoli: Qwen3.6-35B (3B parametri attivi, architettura MoE) raggiunge 0.877/1.0, distanziandosi di soli 0.7 punti da Kimi-K2.6 (~1T parametri, paragonabile a Claude Opus) a 1/30 del costo; DeepSeek-v4-flash (13B attivi) ottiene 0.868/1.0. Il gap tra modelli di diverse dimensioni si chiude grazie al pipeline di contesto, schema injection, few-shot estratti dalla memoria e schema linking enforcement, che opera indipendentemente dal modello sottostante.

L'architettura è modulare ed estensibile: supporta diversi provider LLM (OpenAI, Anthropic, Gemini) e, per chi preferisce il self-hosting, modelli locali tramite Ollama. Il sistema di tool è facilmente espandibile. Mango è read-only by design, le operazioni di scrittura sono rigettate a livello di tool il che lo rende sicuro per ambienti di produzione.