Головна / Статті

Створення автономних AI-агентів ColdFusion та MCP (частина 5)

Агенти ColdFusion AI з використанням інструменту Gemini для викликів, кінцева точка сервера MCP та захищені перегляди AlloyDB для NL2SQL, продемонстровані під час демонстрації операцій пивоварні на Google Cloud.

Видавець: REACTAPP.TOP6 хв читання1358 слів

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

Модернізація ColdFusion у Google Cloud – частина 5 з 5

У попередніх статтях цієї серії було показано, як додатки Adobe ColdFusion можуть використовувати нативні сервіси Google Cloud:

  • Частина 1: перехід від керованої ВМ до Cloud Run, автоматизація процесу збірки коду за допомогою Cloud Build та забезпечення безпеки доступу за допомогою IAM Workload Identity.
  • Частина 2: AlloyDB для PostgreSQL з метою виконання операцій типу ACID із високою пропускною здатністю, а також векторні ембеддинги для семантичного пошуку.
  • Частина 3: використання JDBC без паролів для BigQuery та GQL з метою створення графів даних у стилі Customer360.
  • Частина 4: прогнозування за допомогою Vertex AI AutoML на живих наборах даних (у демонстрації пивоварні – процес бродіння пива).

У цій частині пивоварні надається „мозок“: автономні агенти, які роблять висновки, запитують про поточний стан, оцінюють ризики та надають інструменти через сервер MCP.

Агентський ColdFusion

Ранні функції ШІ зазвичай передбачали, що користувач вводив запит, додаток надсилав його до LLM, а відповідь надходила лише на основі параметрів навчання. Це допомагає з текстом, але не дозволяє відповідати на операційні запитання, такі як:

  • Яка зараз температура та тиск у конкретному резервуарі?
  • Скільки світлого солоду було використано протягом останніх 30 хвилин?
  • Чи може склад забезпечити необхідну кількість хмелю Citra для виробництва IPA Citra Sunset об’ємом п’ятдесят барелів?

Агентний підхід до роботи розділяє процес міркувань та отримання даних. Модель виступає організатором: вона розуміє намір користувача, обирає інструменти чи запити, перевіряє результати та синтезує відповідь, засновану на фактах.

CF-Brews досліджує два взаємодоповнювальні підходи:

  1. Організація роботи вбудованих інструментів ColdFusion та MCP: надання доступу до CFC (BrewMasterTools.cfc) для Gemini з метою визначеного спрямування інструментів та запитів до AlloyDB.
  • Secure NL2SQL: перекладати запитання у SQL, а потім обмежувати їх за допомогою параметризованих безпечних переглядів AlloyDB (PSVs).
  • Виклик нативних інструментів

    Бізнес-правила знаходяться у CFC. У файлі api/v1/tools/BrewMasterTools.cfc основні операції є наступними:

    • checkInventory(recipeName, volumeGallons): перевірка, чи достатньо запасів на складі для потреб рецепта.
    • getRecipeDetails(recipeName): цільовий вміст алкоголю, порогові значення температури та співвідношення інгредієнтів.
    • checkBatchRisk(style): перевірка активних ємностей для ферментації та попередження про зміни температури чи тиску.

    checkInventory поєднує рецепти, інгредієнти та запаси на складі, масштабує кількості відповідно до об’єму та повідомляє про відсутні елементи:

    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;
       }
    }
    

    Детерміністична оркестрація інструментів

    ChatModel() у ColdFusion керує триетапним циклом з Gemini:

    1. Направлення інтенту: запит надсилається разом із системними інструкціями, у яких перелічені інструменти. Gemini повертає структурований JSON, якщо потрібна дія.
    2. Виконання: ColdFusion парсує JSON та викликає метод CFC для роботи з AlloyDB.
    3. Синтез: результат роботи інструменту надсилається назад у ChatModel(), щоб отримати відповідь у природній мові.
    <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>
    

    Обмеження JSON

    Моделі на кшталт Gemini можуть обмежувати процес вибору даних за схемою JSON, щоб уникнути виведення символів, які порушують її структуру. Проте код у продакшені має все одно розглядати результати як потенційно ненадійні:

    • Обгорніть функцію deserializeJson() у блоки try/catch.
    • Встановіть значення температури на 0.0 для більш детермінованого вибору інструментів.
    • У разі невдачі десеріалізації чи неузгодженості типів перехопіть виниклу виняток та або попросіть модель спробувати знову, або надайте користувачеві чіткий альтернативний варіант.

    ColdFusion як сервер MCP

    Протокол Model Context Protocol, оприлюднений Anthropic, є поширеним способом надання даних та інструментів зовнішнім клієнтам ШІ. Клієнт MCP у межах додатку ШІ веде двосторонню комунікацію з сервером MCP. У оновленні ColdFusion 2025 Update 8 була додана функція MCPServer().

    Під час виконання onApplicationStart у файлі Application.cfc зареєструйте віддалений обгорток навколо інструментів 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;
    }
    

    Кінцева точка api/v1/agent/mcp-server.cfm передає запити на обробку до середовища виконання:

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

    NL2SQL з PSVs

    Другий асистент — Асистент з операцій баз даних за адресою /api/v1/ops/natural-query.cfm — направляє створений SQL через параметризовані безпечні перегляди. PSVs запобігають вставці коду у SQL; система SQL Gemini створює та застосовує принцип нульової довіри, тож повернуті рядки є лише тими, які може бачити підключений користувач. Під капотом natural-query.cfm викликає функцію ai.generate() бази даних AlloyDB, щоб перетворити англійську мову на запит типу SELECT з обмеженими правами доступу до цих переглядів:

    -- 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 виконує запит до відповідного джерела даних, а потім використовує Gemini через ChatModel(), щоб узагальнити рядки JSON у зрозумілий текст.

    Чому тут краще використовувати інструменти з викликом моделей, ніж статичний чат-бот

    Панель керування може відображати температуру резервуара. Статичний чат-бот може пояснити, що означає показник ABV. Жоден з них не може на основі вільно сформульованого запитання вирішити, що перед початком виробництва потрібно перевірити запаси, виконати цю перевірку в AlloyDB та надати відповідь щодо нестачі кілограмів хмелю. Використання інструментів з викликом моделей надає їм короткий список надійних дій та зберігає SQL-запити та бізнес-правила всередині компонентів ColdFusion, які ви вже переглядали та тестували.

    MCP розширює цей самий інтерфейс на інші клієнти. Як тільки BrewMasterTools реєструється як сервер MCP, зовнішній агент може отримати доступ до тих самих інструментів для керування запасами, рецептами та оцінки ризиків без необхідності створення індивідуальних інтеграцій для кожного клієнта. Саме в цьому полягає сенс протоколу: один інтерфейс інструментів, багато користувачів.

    Підсумок серії

    У п’яти статтях розглядалися такі теми:

    1. Обчислення та час виконання: Cloud Run для масштабування до нуля та швидкого запуску.
    2. Операційна база даних: стовпчасте кешування та векторний пошук у AlloyDB.
    3. Аналітичні можливості: BigQuery GQL з Simba JDBC та системою IAM без паролів.
    4. Машинне навчання: прогнозування помилок у блоках у реальному часі за допомогою Vertex AI.
    5. Робочі процеси з агентами: хостинг MCP, безпечний перетворення NL2SQL за допомогою PSVs та автономне виконання інструментів.

    Джерело

    • Репозиторій бекенду
    • Репозиторій фронтенду