Strona główna / Artykuły

Tworzenie autonomicznych agentów AI ColdFusion i MCP (Część 5)

Agenty AI ColdFusion z funkcją wywoływania narzędzia Gemini, punkt końcowy serwera MCP oraz zabezpieczone widoki AlloyDB do konwersji NL2SQL, pokazane w demonstracji operacji browarniczych na Google Cloud.

Wydawca: REACTAPP.TOP6 min czytania1358 słów

Źródła: Building Autonomous ColdFusion AI Agents & Model Context Protocol (MCP)

Modernizacja ColdFusion na Google Cloud – Część 5 z 5

W poprzednich artykułach z tej serii pokazano, jak aplikacje Adobe ColdFusion mogą korzystać z usług natywnych Google Cloud:

  • Część 1: przeniesienie zarządzanej maszyny wirtualnej na Cloud Run, automatyzacja procesów budowania z użyciem Cloud Build oraz zabezpieczenie dostępu za pomocą IAM Workload Identity.
  • Część 2: AlloyDB dla PostgreSQL do pracy o wysokiej przepustowości w modelu ACID w połączeniu z wektorowymi embeddingami do wyszukiwania semantycznego.
  • Część 3: JDBC bez haseł do BigQuery i GQL do tworzenia grafów właściwości w stylu Customer360.
  • Część 4: prognozy Vertex AI AutoML na danych partialnych w czasie rzeczywistym (w demonstracji browaru – fermentacja piwa).

W tej części browar otrzymuje „mózg”: autonomiczne agenty, które rozumują, wyszukują informacje o aktualnym stanie, oceniają ryzyko związane z procesami partialnymi i udostępniają narzędzia jako serwer MCP.

ColdFusion oparty na agentach

Początkowe funkcje sztucznej inteligencji polegały zazwyczaj na tym, że użytkownik wpisywał prompt, aplikacja wysyłała go do modelu LLM, a odpowiedź pochodziła wyłącznie z wag treningowych. To pomaga w przetwarzaniu tekstu, ale nie może odpowiadać na pytania operacyjne, takie jak:

  • Jaka jest obecna temperatura i ciśnienie w konkretnym zbiorniku?
  • Ile jasnego słodu zostało zużyte w ciągu ostatnich 30 minut?
  • Czy magazyn może zapewnić chmiel Citra potrzebny do produkcji piwa typu Citra Sunset IPA w ilości pięćdziesięciu beczek?

Proces pracy oparty na agentach oddziela rozumowanie od pozyskiwania danych. Model pełni rolę orkiestratora: odczytuje intencję, wybiera narzędzia lub zapytania, sprawdza wyniki i tworzy odpowiedź opartą na faktach.

CF-Brews bada dwa uzupełniające się podejścia:

  1. Orkiestracja narzędzi natywnych ColdFusion oraz MCP: udostępnianie pliku CFC (BrewMasterTools.cfc) dla Gemini w celu określonego kierowania narzędziami oraz wykonywania zapytań do AlloyDB.
  • Zabezpieczony NL2SQL: tłumaczy pytania na SQL, a następnie ogranicza je za pomocą zabezpieczonych widoków parametryzowanych AlloyDB (PSV).
  • Wywoływanie narzędzi natywnych

    Zasady biznesowe znajdują się w pliku CFC. W api/v1/tools/BrewMasterTools.cfc główne operacje to:

    • checkInventory(recipeName, volumeGallons): sprawdzenie, czy zapasy w magazynie wystarczają na realizację receptury.
    • getRecipeDetails(recipeName): określenie docelowej zawartości alkoholu, progów temperatury oraz proporcji składników.
    • checkBatchRisk(style): sprawdzanie aktywnych zbiorników fermentacyjnych oraz wykrywanie odchyleń temperatury lub ciśnienia.

    checkInventory łączy receptury, składniki i stan zapasów, skaluje ilości według objętości i informuje o brakujących elementach:

    component {
       /**
        * Determines if there are enough ingredients in stock to brew a specific volume.
        */
       public struct function checkInventory(required string recipeName, numeric volumeGallons = 1) {
           var response = { "can_brew": false, "recipe_found": false, "missing_ingredients": [] };
           var sql = "
               SELECT
                   r.recipe_name,
                   i.name AS item_name,
                   (ri.amount_per_gallon * :volume) AS required_amount,
                   i.quantity_on_hand AS current_stock,
                   i.unit
               FROM Recipes r
               INNER JOIN RecipeIngredients ri ON r.recipe_id = ri.recipe_id
               INNER JOIN Inventory i ON ri.inventory_item_id = i.item_id
               WHERE LOWER(r.recipe_name) = LOWER(:recipe)
           ";
           var ingredients = queryExecute(sql, {
               recipe = { value = arguments.recipeName, cfsqltype = "cf_sql_varchar" },
               volume = { value = arguments.volumeGallons, cfsqltype = "cf_sql_numeric" }
           });
           if (ingredients.recordCount == 0) {
               response.message = "Recipe '#arguments.recipeName#' not found.";
               return response;
           }
           response.recipe_found = true;
           var canBrew = true;
           var missingList = [];
           for (var row in ingredients) {
               if (row.current_stock < row.required_amount) {
                   canBrew = false;
                   arrayAppend(missingList, {
                       "item": row.item_name,
                       "required": row.required_amount,
                       "in_stock": row.current_stock,
                       "missing_amount": row.required_amount - row.current_stock,
                       "unit": row.unit
                   });
               }
           }
           response.can_brew = canBrew;
           response.missing_ingredients = missingList;
           response.message = canBrew ? "Sufficient inventory available." : "Insufficient stock.";
    
           return response;
       }
    }
    

    Orkiestracja narzędzi deterministycznych

    ChatModel() z ColdFusiona kieruje trójetapowym pętlą z Gemini:

    1. Kierowanie intencją: wiadomość jest wysyłana wraz z instrukcjami systemowymi wymieniającymi dostępne narzędzia. Gemini zwraca ustrukturyzowany JSON, jeśli potrzebna jest jakakolwiek akcja.
    2. Eksploatacja: ColdFusion analizuje JSON i wywołuje metodę CFC wobec AlloyDB.
    3. Synteza: wynik działania narzędzia jest przekazywany z powrotem do ChatModel(), aby uzyskać odpowiedź w naturalnym języku.
    <cfscript>
        // api/v1/agent/mcp-chat.cfm
        userPrompt = trim(deserializeJson(toString(getHttpRequestData().content)).prompt);
    
        // 1. Initialize native ChatModel with zero temperature for deterministic routing
        chatModel = ChatModel({
            "provider": "gemini",
            "modelName": "gemini-2.5-flash",
            "apiKey": trim(application.AI_STUDIO_API_KEY),
            "temperature": 0.0
        });
    
        // 2. Instruct model on available tools
        systemInstruction = 'You are the Brewmaster AI Assistant. Available tools:
    1. checkInventory(recipeName, volumeGallons)
    2. getRecipeDetails(recipeName)
    3. checkBatchRisk(style)
    
    If you need a tool, respond ONLY with JSON: {"tool": "toolName", "arguments": {...}}
    Otherwise, answer in plain text.
    
    User question: ' & userPrompt;
    
        aiReply = chatModel.chat(systemInstruction).message;
    
        // 3. Detect and execute tool call
        if (left(trim(aiReply), 1) == "{" && right(trim(aiReply), 1) == "}") {
            toolCall = deserializeJson(aiReply);
            tools = new api.v1.tools.BrewMasterTools();
    
            if (toolCall.tool == "checkInventory") {
                toolResult = tools.checkInventory(toolCall.arguments.recipeName, val(toolCall.arguments.volumeGallons ?: 1));
            } else if (toolCall.tool == "getRecipeDetails") {
                toolResult = tools.getRecipeDetails(toolCall.arguments.recipeName);
            } else if (toolCall.tool == "checkBatchRisk") {
                toolResult = tools.checkBatchRisk(toolCall.arguments.style ?: "");
            }
    
            // 4. Grounded synthesis
            synthesis = chatModel.chat("Tool '#toolCall.tool#' returned: #serializeJson(toolResult)#. Answer user: #userPrompt#");
            finalText = synthesis.message;
        } else {
            finalText = aiReply;
        }
    
        writeOutput(serializeJson({ "success": true, "text": finalText }));
    </cfscript>
    

    Zasady dotyczące JSON

    Modele takie jak Gemini mogą ograniczyć proces próbkowania do schematu JSON, dzięki czemu nie mogą wygenerować znaków, które zakłócają jego strukturę. Kod produkcyjny powinien nadal traktować wyniki jako potencjalnie błędne:

    • Otocz deserializeJson() blokami try/catch.
    • Ustaw temperaturę na 0,0 dla bardziej deterministycznego wyboru narzędzi.
    • W przypadku niepowodzenia deserializacji lub niezgodności typów złap wyjątek i albo poproś model o ponowną próbę, albo pokaż użytkownikowi jasną alternatywę.

    ColdFusion jako serwer MCP

    Model Context Protocol, udostępniony na licencji otwartej przez Anthropic, to powszechny sposób na udostępnianie danych i narzędzi zewnętrznym klientom AI. Klient MCP w aplikacji AI komunikuje się dwukierunkowo z serwerem MCP. W aktualizacji ColdFusion 2025 Update 8 dodano funkcję MCPServer().

    W metodzie onApplicationStart w pliku Application.cfc zarejestruj zdalny wrapper wokół narzędzi CFC:

    // Application.cfc
    public boolean function onApplicationStart() {
        application.cfbrews_dsn = this.datasource;
    
        // Initialize Native ColdFusion MCP Server
        try {
            var mcpConfig = {
                "serverInfo": { "name": "BrewMaster-Tools", "version": "1.0.0" },
                "capabilities": { "tools": true },
                "tools": [ { "cfc": "api.v1.tools.NativeBrewMasterTools" } ]
            };
            application.mcpServer = MCPServer(mcpConfig);
        } catch (any e) {
            writeLog(file="cfbrews_error", text="MCP Init Error: " & e.message);
        }
        return true;
    }
    

    Koniec ścieżki api/v1/agent/mcp-server.cfm przekazuje żądania do środowiska wykonawczego:

    <cfscript>
        if (structKeyExists(application, "mcpServer")) {
            application.mcpServer.handleRequest();
        } else {
            cfheader(statusCode=503);
            writeOutput(serializeJson({ "error": "MCP Server not initialized" }));
        }
    </cfscript>
    

    NL2SQL z PSVs

    Drugi asystent, Asystent Operacji Bazy Danych w adresie /api/v1/ops/natural-query.cfm, kieruje generowany SQL przez Parametryzowane Bezpieczne Widoki. PSVs ograniczają możliwość wstrzykiwania kodu do zapytań SQL, a system SQL Gemini zapewnia zasadę zerowego zaufania, dzięki czemu zwracane wiersze to jedynie te, które może zobaczyć użytkownik połączony z bazą. W tle natural-query.cfm wywołuje funkcję ai.generate() z AlloyDB, aby przekształcić tekst angielski na zapytanie SELECT tylko do odczytu skierowane do tych widoków:

    -- Enforcing tenant/scope boundaries at the database layer
    CREATE OR REPLACE VIEW brews.secure_vatsensorreadings AS
    SELECT r.*
    FROM brews.vatsensorreadings r
    JOIN brews.vats v ON r.vat_id = v.vat_id
    WHERE CURRENT_USER = 'postgres'
       OR v.name IN ('Vat A', 'Vat B');
    

    ColdFusion wykonywa zapytanie wobec widoku, a następnie używa Gemini za pośrednictwem ChatModel(), aby streszczać dane w formacie JSON w czytelną prozę.

    Dlaczego tutaj lepsze jest wykorzystanie narzędzia do wywoływania modeli niż statyczny chatbot

    Panel sterowania może pokazywać temperaturę zbiornika. Statyczny chatbot może wyjaśnić, co oznacza ABV. Żaden z nich nie może na podstawie pytania otwartego ustalić, że przed rozpoczęciem produkcji konieczna jest weryfikacja zapasów, przeprowadzić tę weryfikację w AlloyDB i podać brakującą ilość kilogramów chmielu. Wykorzystanie narzędzia do wywoływania modeli dostarcza mu krótką listę wiarygodnych działań oraz umożliwia przechowywanie zapytań SQL i reguł biznesowych w komponentach ColdFusion, które już sprawdziłeś i przetestowałeś.

    MCP rozszerza tę samą powierzchnię interfejsu na inne klienty. Gdy BrewMasterTools zostanie zarejestrowany jako serwer MCP, zewnętrzny agent może korzystać z tych samych narzędzi do zarządzania zapasami, recepturami i ryzykiem bez konieczności tworzenia indywidualnych integracji dla każdego klienta. W tym właśnie polega sens tego protokołu: jeden interfejs narzędzi, wielu użytkowników.

    Podsumowanie serii

    W pięciu artykułach poruszano następujące tematy:

    1. Obliczenia i czas uruchamiania: Cloud Run do skalowania do zera oraz szybkiego startu.
    2. Baza danych operacyjna: kolumnowe cacheowanie i wyszukiwanie wektorowe w AlloyDB.
    3. Potencjał analityczny: BigQuery GQL z Simba JDBC oraz bezhasłowym IAM.
    4. Sztuczna inteligencja: prognozowanie błędów w czasie rzeczywistym za pomocą Vertex AI.
    5. Prace zespołowe oparte na agentach: hostowanie MCP, bezpieczne przekształcanie tekstu w SQL z użyciem PSV oraz autonomiczne wykonywanie narzędzi.

    Źródła

    • Repozytorium backendu
    • Repozytorium frontendu

    Podobne materiały