Let's integrate AI Agents in Event-Sourced Systems — Divakar Kumar, FlyersSoft
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
重點- 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
乾貨- 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
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
詳細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。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
