Planeje sua Implantação

Implante esta arquitetura usando as seguintes etapas básicas:

• Mapear os blocos de construção arquitetônicos para os serviços do Oracle Cloud Infrastructure
• Planejar a implementação inicial com foco na orquestração do agente
• Aprimore a implementação inicial adicionando agentes e integrando raciocínio avançado de LLM

Mapear Serviços do OCI

A Oracle Cloud Infrastructure (OCI) fornece todos os blocos de construção necessários para implementar esse sistema de maneira escalável e nativa da nuvem.

Mapeie cada componente para os serviços do OCI da seguinte forma:

• Implementação do Orquestrador

  Você pode executar o orquestrador do MCP em uma instância do OCI Compute em uma máquina virtual (VM) do Oracle Linux ou como contêiner no OCI Kubernetes Engine. O orquestrador hospeda o servidor baseado na Caixa de Ferramentas GenAI que atende às solicitações do agente e as roteia para ferramentas. A escalabilidade da OCI garante que o orquestrador possa lidar com várias investigações de fraude simultâneas. Opcionalmente, você pode usar o OCI API Gateway para expor um ponto final REST seguro para o orquestrador para que sistemas externos ou clientes de demonstração possam iniciar o workflow.

  O orquestrador hospeda todos os agentes que fazem interface com a interface do usuário e também fornece roteamento para ferramentas. Você também pode hospedar o servidor MCP no Oracle Cloud Infrastructure Data Science em que as ferramentas são expostas usando o protocolo HTTP transmitível.

  
  
  
  Descrição da ilustração mcp-architecture.png de
  
  

  mcp-arquitetura-oracle.zip

• Agentes como funções sem servidor

  A lógica de cada agente pode ser implantada como uma função do OCI (microsserviço sem servidor) ou como um contêiner leve. Por exemplo, o agente de recuperação de dados pode ser uma função do OCI que aceita parâmetros (IDs, tipo de consulta) e retorna dados JSON do Autonomous Database. O analisador de fraudes pode ser outra função que pega dados e retorna uma pontuação e mensagem. O uso do OCI Functions para agentes simplifica a implementação e fornece elasticidade para expandir automaticamente se muitas análises de fraude forem executadas em paralelo. O orquestrador do MCP chama pontos finais REST dessas funções usando o OCI API Gateway ou usando chamadas internas. Na fase 1, a execução da ferramenta é simplificada executando as ferramentas dentro do processo do orquestrador (como o GenAI Toolbox faz) para que o próprio orquestrador possa executar as ferramentas de consulta do banco de dados. No entanto, projetar agentes como funções independentes da OCI fornece modularidade e ajuda nas demonstrações, mostrando cada função acionada em sequência.

• Armazenamento e processamento de dados

  O Oracle Autonomous Transaction Processing (ATP) é o repositório seguro de todos os dados financeiros relevantes, como logs de transações, dados de contas, informações de políticas e casos históricos de fraude. O Autonomous Database fornece recursos integrados de análise de dimensionamento automático, criptografia e linguagem de consulta estruturada (SQL), todos cruciais para cargas de trabalho de serviços financeiros do mundo real. O agente de dados usa SQL e um cliente Oracle ou uma API (interface de programação de aplicativo de dados) REST para recuperar dados do banco de dados. Você também pode aproveitar ferramentas como o Oracle Machine Learning para pontuação avançada se o modelo de fraude for treinado no banco de dados. Para streaming de dados de transação, você pode usar o OCI Streaming ou o Oracle GoldenGate para alimentar dados no sistema. Para um cenário de demonstração, uma consulta direta simples é suficiente.

• Serviços de IA e machine learning

  Para implementar a lógica de detecção de fraude, a OCI oferece várias opções. Na fase 1, as regras ou a detecção de anomalias são codificadas diretamente. A Fase 2 implementa os serviços da Oracle AI:

  • A OCI Generative AI fornece acesso a grandes modelos de linguagem para a geração e o raciocínio narrativos do agente analisador de fraudes. A OCI Generative AI é um serviço totalmente gerenciado que oferece LLMs pré-treinados que podem ser facilmente integrados às aplicações. O analisador de fraudes pode chamar esse serviço usando seu kit de desenvolvimento de software (SDK) e API com um prompt contendo os dados da transação e receber um texto de explicação de fraude em resposta.
  • O OCI Anomaly Detection pontua transações para anomalias em tempo real com uma pontuação alta indicando possíveis fraudes. Treinado pela primeira vez em dados históricos de transações, o agente analisador de fraudes simplesmente chama a API de detecção de anomalias para obter uma pontuação de anomalia para uma determinada transação. Da mesma forma, a OCI oferece o Data Science e o Oracle Machine Learning para treinar modelos de fraude personalizados, como aumento de gradiente ou algoritmos de gráfico para fraude. Você pode implantar modelos, como um modelo XGBoost para fraude, como pontos finais usando a implantação do modelo do serviço Data Science para que eles possam ser chamados por um agente. Para simplificar a demonstração, você pode ignorar o modelo complexo e usar um pequeno conjunto de regras ou uma função de pontuação sintética diretamente. A arquitetura suporta a troca em um modelo sofisticado de machine learning posteriormente sem alterar a orquestração.
  • O Oracle Cloud Infrastructure Language fornece análise de texto nos casos em que você também precisa analisar observações ou comunicações não estruturadas em um caso de fraude. No entanto, para nosso caso de uso principal, dados estruturados e LLM fornecem a funcionalidade necessária.
• Rede e integração

  A configuração da rede virtual na nuvem (VCN) e um gateway de serviço do OCI garantem que o orquestrador e os agentes que usam instâncias do OCI Functions e do OCI Compute possam conversar com segurança com o banco de dados e os serviços de IA sem expor dados pela internet pública. O serviço OCI Identity and Access Management (IAM) controla o acesso para que apenas o orquestrador e os agentes possam chamar as APIs uns dos outros e acessar o banco de dados. Isso é importante para manter a segurança, especialmente em um contexto financeiro. Para fins de demonstração, você também pode configurar o monitoramento usando o OCI Logging para rastrear execuções de funções de agentes e rastreamentos do OCI Application Performance Monitoring para mostrar a latência de fluxo de ponta a ponta.

• Interface do cliente

  O usuário interage com o sistema usando um front-end simples da Web ou móvel para chamar o OCI API Gateway para acionar uma análise ou usando uma interface do Oracle Digital Assistant (chatbot) para uma demonstração mais interativa. Por exemplo, um analista pode interagir com o agente analisador de fraudes fornecendo um prompt de chatbot, como "Investigar transação nº 123", e o sistema responde com a análise. O Oracle Digital Assistant pode ser uma adição opcional para mostrar um front-end de conversação, mas o caso de uso principal pode simplesmente exibir os resultados em um painel ou enviar um alerta por e-mail usando Notificações do OCI.

Fase 1: Implementar Orquestração Usando MCP

Na implementação inicial, o objetivo é garantir que o sistema possa orquestrar vários agentes e se integrar aos sistemas Oracle, antes de adicionar lógica de IA complexa.

Para atingir esse objetivo, o plano enfatiza a mecânica de orquestração do agente e aproveita o Google MCP Toolbox for Databases (também chamado de Gen AI Toolbox) como ponto de partida para o orquestrador do protocolo de contexto do modelo (MCP). A caixa de ferramentas, uma base de código aberto no GitHub, é um servidor MCP para bancos de dados projetados para conectar agentes baseados em LLM com bancos de dados SQL. Essa arquitetura adapta a caixa de ferramentas da Oracle Cloud Infrastructure (OCI) plugando ferramentas específicas da Oracle e implantando-as na OCI.

A fase 1 desse plano cria um backbone de orquestração funcional na OCI que se integra com sucesso a um banco de dados Oracle e inclui um servidor MCP central (Gen AI Toolbox) que orquestra pelo menos dois agentes (busca e análise de dados). A Fase 2 deste plano introduz um raciocínio mais avançado.

• Definições de Ferramentas

  No Gen AI Toolbox, uma ferramenta é uma ação que um agente pode executar, como fazer uma consulta SQL específica. Uma ferramenta é definida declarativamente, por exemplo, usando YAML, e é acessada através do servidor MCP. O caso de uso atual cria um registro de ferramenta semelhante para ações como "Obter transações recentes para o usuário" ou "Obter detalhes da política", com cada ação mapeada para uma consulta de banco de dados Oracle ou para uma chamada de função do OCI. O registro permite que um agente chame essas ferramentas por nome. O benefício de uma abordagem orientada por configuração é a flexibilidade: você pode atualizar ou adicionar novas ferramentas sem reimplantar todo o aplicativo. Para fins de demonstração, a orquestração na fase 1 pode ser mais roteirizada, com ferramentas chamadas em sequência, mas a arquitetura estabelece as bases para a fase 2, onde o agente pode decidir dinamicamente quais ferramentas usar.

• Estrutura do Orquestrador

  O Gen AI Toolbox funciona com frameworks de orquestração de agentes como LangChain/Langraph e LlamaIndex AgentWorkflow. Nesta implementação, o servidor MCP coordena a sequência de chamadas do agente. Você pode criar scripts para a orquestração usando um workflow simples, como chamar o agente de dados, chamar o agente de fraude e, em seguida, fornecer a decisão. Você pode fazer isso com código personalizado ou usando uma biblioteca de fluxo de trabalho existente. É útil aproveitar quaisquer bibliotecas ou padrões de cliente do Gen AI Toolbox para manter o contexto. O orquestrador usa o resultado do agente de dados como entrada para a estrutura de prompt/entrada do agente de fraude. A Fase 1 garante que o fluxo de trabalho funcione corretamente e que o contexto seja preservado com precisão entre as etapas. O resultado é uma camada de orquestração que simplifica a execução de um sistema de um ou mais agentes, mantém o contexto em todas as etapas e suporta workflows de vários agentes conforme descrito para AgentWorkflow, mas implementado nesse caso com os serviços do OCI.

• Observabilidade e Registro em Log

  O Gen AI Toolbox vem com suporte OpenTelemetry integrado para monitorar o uso da ferramenta. O OCI Logging fornece o registro em log de cada agente e chamada de ferramenta para ajudar na depuração e fornecer visibilidade do que cada agente faz durante as demonstrações. A Fase 1 pode usar a console ou os logs do OCI para mostrar como o orquestrador chama uma função para consultar o banco de dados, o que foi retornado e, em seguida, como a análise de fraude foi feita. Essa transparência é atraente para as partes interessadas e ajuda a criar confiança nas decisões de IA.

Fase 2: Implementar Inteligência LLM Aprimorada

A segunda fase deste plano integra raciocínio avançado de grande modelo de linguagem (LLM) e agentes adicionais para tornar o sistema mais autônomo e perspicaz.

A arquitetura fundamental permanece basicamente a mesma da fase 1, mas você simplesmente substitui ou aumenta os internos dos agentes e adiciona novos. O servidor MCP continua sendo a cola de integração, a intermediação entre o agente LLM e o banco de dados OCI, funções etc. Essa abordagem em fases mostra o progresso incremental demonstrando primeiro a espinha dorsal na OCI com lógica simples e, em seguida, conectando um LLM poderoso para tornar o sistema muito mais inteligente na explicação e no tratamento de casos de fraude.

• Raciocínio do agente orientado por LLM

  Em vez de executar ações em uma sequência fixa, o agente analisador de fraudes na fase 2 usa a OCI Generative AI e um LLM para decidir dinamicamente quais ferramentas chamar e quando. Por exemplo, com uma instrução aberta ("Investigar essa reivindicação por fraude"), o prompt do agente poderia enumerar as ferramentas disponíveis (consultas de banco de dados, verificação de sanções etc.) e o LLM poderia planejar uma sequência de chamadas. Isso é semelhante a um agente no estilo ReAct ou ao uso das habilidades de planejamento do LangChain. O orquestrador do MCP facilita essas interações entre agentes e ferramentas, fazendo loop nas decisões do LLM por meio de execuções de ferramentas e retornando resultados. O serviçoOracle Cloud Infrastructure Generative AI Agents enfatiza a orquestração de ferramentas para lidar com workflows complexos. Na arquitetura atual, implementamos esse conceito combinando a abordagem Gen AI Toolbox com o LLM da OCI. Você pode incorporar frameworks como LangChain (suportado no Oracle Cloud Infrastructure Data Science) para ajudar a gerenciar prompts, como "Ferramenta: GetRecentTransactions(user_id=123)", e para fazer parsing das saídas do LLM que o orquestrador pode executar. Essa capacidade torna o analisador de fraudes um agente mais cognitivo capaz de raciocínio de várias etapas que permite diálogos de investigação de fraude mais complexos.

• Agentes e ferramentas adicionais

  Você pode introduzir agentes adicionais para ampliar os recursos do sistema. Por exemplo, um agente de análise de gráfico pode usar a análise de rede, como um banco de dados gráfico ou um modelo de ML, para encontrar relacionamentos entre entidades, como e-mails ou dispositivos comuns em contas usadas por anéis de fraude. Outro pode ser um agente de explicação que verifica especificamente as saídas quanto à conformidade ou simplifica a linguagem para uma explicação voltada para o cliente. Cada agente usa um serviço específico do OCI: um agente gráfico pode usar o Oracle Graph ou uma biblioteca de análise de rede no serviço Data Science. O orquestrador do MCP pode coordenar esses agentes em paralelo ou em sequência, conforme necessário. Por exemplo, após a conclusão do agente do analisador de fraudes, o orquestrador poderá acionar um agente de notificação que use o OCI Email Delivery ou o OCI Notifications para enviar um relatório aos investigadores. O orquestrador funciona como um condutor: adicionar mais agentes enriquece a orquestra de análise sem precisar de uma reescrita da lógica central.

• Loop de feedback de machine learning

  A Fase 2 pode incorporar o aprendizado ao longo do tempo. Todos os resultados, sejam de fraude confirmada ou não, podem ser alimentados em um Oracle Autonomous Data Warehouse e aproveitados para treinar novamente modelos usando pipelines do serviço Data Science. Embora não faça parte da orquestração do agente em tempo real, ela fecha o loop no ciclo de vida da solução. Ao demonstrar que a OCI não só pode executar a detecção, mas também melhorá-la usando dados históricos com o AutoML ou o Oracle Machine Learning, você pode mostrar uma melhoria contínua para as partes interessadas.