Главная / Статьи

Создание автономных ИИ-агентов ColdFusion и MCP (часть 5)

Агенты ColdFusion AI с возможностью вызова инструмента Gemini, конечная точка сервера MCP и защищенные представления AlloyDB для преобразования NL2SQL, продемонстрированные на примере операций пивоварни в Google Cloud.

Издатель: REACTAPP.TOP6 мин чтения1358 слов

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

Модернизация ColdFusion на Google Cloud — часть 5 из 5

В предыдущих статьях этой серии рассматривалось, как приложения Adobe ColdFusion могут использовать нативные сервисы Google Cloud:

  • Часть 1: переход с управляемых виртуальных машин на Cloud Run, автоматизация сборки с помощью Cloud Build и обеспечение безопасного доступа с использованием IAM Workload Identity.
  • Часть 2: AlloyDB для PostgreSQL для работы с высокопроизводительными ACID-транзакциями вместе с векторными эмбеддингами для семантического поиска.
  • Часть 3: JDBC без паролей к BigQuery и GQL для построения графов данных в стиле Customer360.
  • Часть 4: прогнозирование с помощью Vertex AI AutoML на реальных данных пакетной обработки (в демонстрации пивоварни — процесс ферментации пива).

В этой части пивоварне предоставляется «мозг»: автономные агенты, способные к логическим рассуждениям, запросам к текущему состоянию, оценке рисков пакетной обработки и предоставлению инструментов в виде сервера MCP.

Агентные решения на ColdFusion

В ранних версиях ИИ пользователь обычно вводил запрос, приложение отправляло его на обработку в большую языковую модель, и ответ поступал исключительно на основе обучающих данных. Это хорошо работает с текстом, но не позволяет отвечать на операционные вопросы вроде:

  • Каковы текущая температура и давление в конкретном резервуаре?
  • Сколько светлого солода было потреблено за последние 30 минут?
  • Может ли склад обеспечить необходимое количество хмеля Citra для производства 50 баррелей пива Citra Sunset IPA?

В рамках агентного подхода процесс принятия решений отделен от поиска данных. Модель выступает в роли оркестратора: она анализирует намерение пользователя, выбирает необходимые инструменты или запросы, проверяет результаты и формирует ответ, основанный на фактах.

CF-Brews исследует два взаимодополняющих подхода:

  1. Оркестрация инструментов нативного ColdFusion и использование протокола MCP: предоставление файла CFC (BrewMasterTools.cfc) модели Gemini для определенного направления запросов к инструментам и выполнения запросов к базе данных AlloyDB.
  • Secure NL2SQL: преобразование вопросов в SQL с последующим ограничением их с помощью параметризованных безопасных представлений AlloyDB (PSVs).
  • Вызов нативных инструментов

    Бизнес-правила находятся в CFC. В файле api/v1/tools/BrewMasterTools.cfc основные операции заключаются в следующем:

    • checkInventory(recipeName, volumeGallons): проверка того, хватает ли запасов на складе для выполнения рецепта.
    • getRecipeDetails(recipeName): указание целевого содержания алкоголя, пороговых значений температуры и пропорций ингредиентов.
    • checkBatchRisk(style): контроль активных бочек с ферментацией и оповещение о отклонениях температуры или давления.

    checkInventory объединяет рецепты, ингредиенты и запасы на складе, корректирует количество в зависимости от объема и сообщает о недостающих компонентах:

    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;
       }
    }
    

    Детерминистическая оркестрация инструментов

    Функция ChatModel() в ColdFusion управляет трехэтапным циклом с использованием Gemini:

    1. Направление запроса: запрос отправляется вместе с системными инструкциями, перечисляющими доступные инструменты. Если требуется действие, Gemini возвращает структурированный JSON.
    2. Выполнение: ColdFusion парсит JSON и вызывает метод CFC для взаимодействия с AlloyDB.
    3. Синтез: результат работы инструмента возвращается в ChatModel(), где формируется ответ на естественном языке.
    <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>
    

    Ограничения JSON

    Модели вроде Gemini могут ограничивать процесс генерации данными согласно схеме JSON, чтобы избежать вывода символов, нарушающих её структуру. Тем не менее в производственном коде следует рассматривать вывод как потенциально ненадежный:

    • Оберните функцию deserializeJson() в блоки try/catch.
    • Установите значение параметра temperature равным 0.0 для более предсказуемого выбора инструментов.
    • При сбое десериализации или несоответствии типов поймайте исключение и либо попросите модель попробовать снова, либо предоставьте пользователю четкий альтернативный вариант.

    ColdFusion как сервер MCP

    Protocol Model Context, сделанный открытым исходным кодом компанией Anthropic, представляет собой стандартный способ предоставления данных и инструментов внешним клиентам ИИ. Клиент MCP внутри приложения ИИ ведет двустороннюю связь с сервером MCP. В обновлении ColdFusion 2025 Update 8 была добавлена функция MCPServer().

    В методе onApplicationStart в файле Application.cfc зарегистрируйте удаленный обертку вокруг CFC с инструментами:

    // 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;
    }
    

    Эндпоинт api/v1/agent/mcp-server.cfm передаёт запросы на обработку в среду выполнения:

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

    NL2SQL с PSVs

    Второй помощник — ассистент для работы с базами данных по адресу /api/v1/ops/natural-query.cfm — направляет сгенерированный SQL-код через параметризованные защищенные представления. PSVs снижают риск внедрения кода через командную строку; SQL Gemini обеспечивает принцип нулевого доверия, благодаря чему возвращаемые строки содержат только ту информацию, которую может видеть подключившийся пользователь. Внутри natural-query.cfm используется функция ai.generate() из AlloyDB для преобразования английского текста в запрос типа SELECT с ограниченными правами доступа к этим представлениям:

    -- 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 выполняет запрос к представлению, затем с помощью Gemini через функцию ChatModel() преобразует строки в формате JSON в читаемый текст.

    Почему здесь лучше использовать инструменты для вызова моделей, чем статический чат-бот

    Панель управления может отображать температуру резервуара. Статический чат-бот может объяснить, что означает показатель ABV. Ни тот, ни другой не могут на основе свободно сформулированного вопроса решить, что перед началом производства необходимо проверить запасы, выполнить эту проверку в AlloyDB и указать количество недостающих килограммов хмеля. Использование инструментов для вызова моделей предоставляет модели короткий список надежных действий, а SQL-запросы и бизнес-правила остаются в компонентах ColdFusion, которые вы уже проверяли и тестировали.

    MCP расширяет этот интерфейс на других клиентов. После регистрации BrewMasterTools в качестве сервера MCP внешний агент может использовать те же инструменты управления запасами, рецептами и оценки рисков без необходимости настройки интеграции для каждого отдельного клиента. Именно в этом суть протокола: один интерфейс инструментов, множество потребителей.

    Итог серии

    В пяти статьях рассматривались следующие темы:

    1. Вычисления и время выполнения: Cloud Run для масштабирования до нуля и быстрого запуска.
    2. Рабочая база данных: столбчатое кэширование и векторный поиск в AlloyDB.
    3. Аналитический уровень: BigQuery GQL с Simba JDBC и безпарольным IAM.
    4. Машинное обучение: прогнозирование сбоев в реальном времени с использованием Vertex AI.
    5. Рабочие процессы на основе агентов: хостинг MCP, безопасный перевод NL2SQL с PSVs и автономная ejecución инструментов.

    Источники

    • Репозиторий backend
    • Репозиторий frontend