AWS skladá dohľad nad trhmi z LangGraphu, Strands a AgentCore

Finančný dohľad patrí medzi úlohy, pri ktorých nestačí pripojiť veľký jazykový model k databáze a nechať ho voľne odpovedať. Vyšetrovanie podozrivého obchodovania kombinuje výber správnych dát, kontrolu pravidiel, hľadanie vzorcov, vysvetlenie záveru aj auditovateľný záznam postupu. AWS preto zverejnilo referenčnú architektúru, ktorá rozdeľuje zodpovednosť medzi LangGraph, agentov postavených na Strands a prevádzkovú vrstvu Amazon Bedrock AgentCore. Nejde o hotový systém schválený regulátorom, ale o technický vzor pre tímy, ktoré chcú agentické pracovné postupy dostať z prototypu do kontrolovaného prostredia.

LangGraph v návrhu riadi celý pracovný tok ako orientovaný graf. Jednotlivé uzly predstavujú kroky alebo špecializovaných agentov a hrany určujú, kam sa má spracovanie posunúť podľa priebežných výsledkov. Takéto usporiadanie je čitateľnejšie než jeden dlhý prompt, pretože explicitne ukazuje vetvenie, paralelné kroky aj podmienky ukončenia. Zdieľaný stav zároveň prenáša fakty medzi uzlami bez toho, aby každý agent musel nanovo rekonštruovať celý prípad. Pre regulované nasadenie je dôležité, že logiku smerovania možno testovať oddelene od samotného modelového uvažovania.

Druhou vrstvou je Strands, ktorý slúži ako uvažovacie jadro v jednotlivých uzloch. Špecializovaný agent môže dostať presne vymedzenú rolu, vlastné nástroje a pravidlá práce s kontextom. V príklade agent najprv zisťuje, aké reporty sú dostupné, potom načíta schému vybraného reportu a až následne spustí dotaz. Oddelenie objavenia dát od ich získania znižuje priestor na halucinovanie názvov tabuliek alebo polí. Model pritom nemusí byť pevne naviazaný na jediného poskytovateľa, čo uľahčuje testovanie alternatív a riadenie nákladov.

Najpraktickejší bezpečnostný prvok sa týka databázových dotazov. Jazykový model v ukážke nevytvára ľubovoľný surový SQL príkaz. Nástroj prijme iba filtre z povoleného zoznamu stĺpcov, hodnoty vloží cez viazané parametre a kontroluje aj limit počtu riadkov. Neznáme polia odmietne ešte pred vykonaním dotazu. Takýto návrh neodstraňuje všetky riziká, ale podstatne zužuje priestor pre prompt injection, chybné názvy a neúmyselne rozsiahle čítanie dát. V produkcii by k tomu museli pribudnúť databázové oprávnenia, izolácia tenantov a dôsledná kontrola výstupov.

LangGraph prináša aj kontrolné body po jednotlivých uzloch. Ak beh zlyhá, systém sa môže obnoviť z posledného uloženého stavu namiesto opakovania celej analýzy. Rovnaký mechanizmus umožňuje vložiť ľudské schválenie pred citlivý krok alebo požiadať analytika o doplnenie údajov. To je dôležité pri vyšetrovaniach trvajúcich hodiny či dni, kde jednorazový kontext modelu nie je spoľahlivým úložiskom prípadu. Automatické opakovanie s exponenciálnym oneskorením navyše pomáha zvládnuť dočasné obmedzenia služieb bez straty rozpracovaného vyšetrovania.

AgentCore v tejto skladačke rieši prevádzkovú časť: spustenie agentov, pamäť, pozorovateľnosť a škálovanie. Referenčný návrh počíta s telemetriou cez OpenTelemetry, takže prevádzkovateľ môže sledovať latencie, zlyhania nástrojov aj prechody medzi uzlami. Samotný záznam však ešte nie je auditom. Tímy musia určiť, ktoré vstupy a výstupy môžu ukladať, ako dlho ich uchovajú, kto k nim má prístup a ako odlíšia modelový návrh od rozhodnutia človeka. Pri finančných údajoch sa k technickému monitoringu pridáva ochrana osobných a obchodne citlivých informácií.

Zverejnený repozitár je užitočný najmä tým, že umožňuje preveriť konkrétne rozhrania a tok stavu, nie iba marketingový diagram. Organizácie si môžu vzor rozobrať na menšie testy: správnosť smerovania, odolnosť kontrolných bodov, povolené parametre nástrojov a správanie pri nedostupnom modeli. Pred reálnym nasadením však potrebujú vlastné hodnotiace dáta s reprezentatívnymi prípadmi, meranie falošných poplachov a scenáre zámerného zneužitia. Referenčný kód nemožno považovať za dôkaz súladu s konkrétnou reguláciou ani za náhradu interného modelového riadenia.

Pre vývojárov je hlavné poučenie architektonické: deterministický pracovný tok a pravdepodobnostné uvažovanie majú odlišné úlohy. Graf by mal strážiť poradie, stav, povinné kontroly a bezpečné rozhrania, zatiaľ čo model môže sumarizovať, triediť alebo navrhovať ďalší krok v povolenom priestore. Keď sa tieto vrstvy zmiešajú do jediného promptu, rastie náročnosť testovania aj riziko nepredvídateľného správania. Rozdelenie na špecializované uzly zároveň umožňuje meniť model iba tam, kde to prináša hodnotu.

AWS použilo dohľad nad trhmi ako náročný príklad, no vzor sa dá preniesť aj do poisťovníctva, interného auditu či vyšetrovania bezpečnostných incidentov. Rozhodujúce bude, či organizácie dokážu nad agentmi udržať rovnakú disciplínu ako nad tradičným softvérom: verziovanie pravidiel, testovanie regresií, minimálne oprávnenia a jasnú zodpovednosť človeka. Nový návod ukazuje uskutočniteľnú technickú cestu, nie automatický prechod k autonómnemu rozhodovaniu. Jeho hodnota je práve v tom, že uvažovanie modelu zasadzuje do obnoviteľného a pozorovateľného procesu s explicitnými hranicami.