KeyFrame內部研究專用

Let's integrate AI Agents in Event-Sourced Systems — Divakar Kumar, FlyersSoft

AI Engineer英文
觀看原始影片

三句話摘要

在現有業務系統中整合 AI agents,特別針對實時欺詐檢測場景的分層架構設計與實現。 AI agents 的真正價值不在於替代既有系統,而在於作為補充層聚焦於灰色地帶的決策,搭配事件驅動架構與充足的上下文層次,才能在實時業務流程中發揮作用。 傳統系統的關鍵瓶頸:講者購買 $3,500 筆電時交易被連續拒絕三次,客服也無法解釋原因。這暴露了規則引擎與 ML 模型的根本問題:它們操作於有限的靜態規則與歷史數據,缺乏實時上下文,對灰色地帶的不確定交易無法做出有根據的判斷。

重點整理

  1. 傳統系統的關鍵瓶頸:講者購買 $3,500 筆電時交易被連續拒絕三次,客服也無法解釋原因。這暴露了規則引擎與 ML 模型的根本問題:它們操作於有限的靜態規則與歷史數據,缺乏實時上下文,對灰色地帶的不確定交易無法做出有根據的判斷。

  2. 分層補充而非替代的架構哲學:採用第一層(規則引擎 + ML 模型)處理確定性強的多數交易,第二層(AI agents)專門處理灰色地帶。這樣既保留既有投資與穩定性,又引入 agents 的動態推理能力,避免為了追求完美而推翻整個系統。

  3. 事件驅動與語義層的數據基礎:系統分為交易、帳戶、設備、支付等四個有界上下文(DDD 概念),各自獨立管理數據。透過事件驅動、CDC 機制或消息代理,將分散的數據匯聚到語義層(物化視圖),讓 agents 能存取交易歷史、設備信任分數、帳戶狀態等充足上下文。

  4. 多個 agents 協作的執行模式:風險分析器 agent 與行為分析器 agent 並行分析,各自基於不同工具集(欺詐指標、設備信息、業務規則、交易模式)得出結論,再由決策 agent 綜合兩者結論做最終判決,最後透過 saga 編排流程繼續後續支付與交易流程。

實用技巧與重點

  • 核心系統組件
  • 事件存儲:Cosmos DB(NoSQL)
  • 方法論:事件溯源(Event Sourcing)
  • 數據變更機制:CDC(變更數據捕獲)或消息代理
  • 讀模型層:時間線、客戶信息、欺詐指標三層
  • 有界上下文及其數據
  • 交易上下文:商戶、交易金額、交易詳情
  • 帳戶上下文:KYC 合規狀態、客戶信息、帳戶年齡
  • 設備上下文:設備指紋、瀏覽器指紋、OS、位置歷史、IP 地址
  • 支付上下文:退款、支付狀態
  • Agents 架構
  • 內存類型:短期記憶(in-memory)
  • 處理 SLA:500 毫秒以內
  • 第二層執行模式:風險分析器 agent + 行為分析器 agent(並行)→ 決策 agent(綜合)
  • 風險分析器 Agent 的工具
  • 欺詐指標工具(查詢語義層)
  • 設備信任工具(設備詳情、信任分數)
  • 業務規則工具(遷移的規則引擎規則)
  • 行為分析器 Agent 的工具
  • 交易模式分析工具(含兩個不同插件)
  • 語義層匯聚的數據
  • 交易上下文:去標準化帳戶平均金額、最近交易記錄
  • 帳戶上下文:帳戶狀態、KYC 狀態、客戶與公司的關係年限
  • 設備上下文:設備信任分數、位置歷史、IP 地址信息
  • 講者實例數據
  • 購買筆電成本:$3,500
  • 被拒次數:連續 3 次

結論

AI agents 的真正價值不在於替代既有系統,而在於作為補充層聚焦於灰色地帶的決策,搭配事件驅動架構與充足的上下文層次,才能在實時業務流程中發揮作用。

完整解析

講者開場分享了自己的親身經歷:一個月前購買價值 $3,500 的筆電,在完成交易時遭遇三次連續拒絕,最後才接到客服電話驗證。問題在於,既有的規則引擎與 ML 模型無法解釋為什麼拒絕他的合法交易——系統只能按照靜態規則或 ML 訓練的平均值做決策,缺乏實時的豐富上下文。這就是引入 AI agents 的真正場景:不是為了用 agents 替代整個系統(那反而會引入更多不確定性),而是讓 agents 聚焦於灰色地帶的決策。

系統採用分層架構應對這個挑戰。第一層保留原有的規則引擎與 ML 模型,因為它們已經穩定處理大多數交易。第二層引入 AI agents 處理那些傳統系統難以判斷的邊界情況。關鍵創新是引入編排層(orchestration layer),協調多個有界上下文(交易、帳戶、設備、支付)的數據流。每個有界上下文遵循領域驅動設計(DDD)原則,獨立管理各自的數據,透過事件驅動與異步通信相連。交易事件被發送到編排層,編排層同步聚合來自各上下文的信息到一個語義層(物化視圖)。

語義層是 agents 決策的基礎。它統一集結了交易歷史、設備信任分數、帳戶年齡、位置歷史等信息,透過專門的工具讓 agents 存取。在第二層編排中,系統並行啟動風險分析器 agent 與行為分析器 agent。風險分析器查閱欺詐指標、設備信息、遷移的業務規則;行為分析器則著重分析交易模式。兩個 agents 各自做出判斷後,一個第三層的決策 agent 綜合雙方結論,考慮多維數據後下達最終決策(批准或拒絕)。這個過程需要在 500 毫秒內完成以滿足實時交易 SLA。決策結果以事件形式發回消息代理,繼續後續的 saga 流程(支付確認、回到交易上下文等)。

這個設計的妙處在於它不是「非此即彼」。既有的穩健系統被保留與尊重,agents 的引入是一個補充層,專門處理傳統方式難以把握的情況。整個架構基於事件驅動和非同步通信,易於擴展。各上下文的獨立性確保了維護的可管理性,同時語義層的實時匯聚讓 agents 有充足的決策依據。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。