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.
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:
- 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.
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:
- Направление запроса: запрос отправляется вместе с системными инструкциями, перечисляющими доступные инструменты. Если требуется действие, Gemini возвращает структурированный JSON.
- Выполнение: ColdFusion парсит JSON и вызывает метод CFC для взаимодействия с AlloyDB.
- 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:
- Вычисления и время выполнения: Cloud Run для масштабирования до нуля и быстрого запуска.
- Рабочая база данных: столбчатое кэширование и векторный поиск в AlloyDB.
- Аналитический уровень: BigQuery GQL с Simba JDBC и безпарольным IAM.
- Машинное обучение: прогнозирование сбоев в реальном времени с использованием Vertex AI.
- Рабочие процессы на основе агентов: хостинг MCP, безопасный перевод NL2SQL с PSVs и автономная ejecución инструментов.
Источники
- Репозиторий backend
- Репозиторий frontend