Agente de IA para Almacén en Jamix Obtuvo Acceso de Escritura: Seguridad y Auditoría

Los desarrolladores de la plataforma Jamix publicaron la segunda parte de un artículo sobre un agente de inteligencia artificial para un almacén basado en Spring AI: esta vez se le dio al agente el derecho no solo de leer sino también de modificar datos, y abordaron cuestiones de seguridad, auditoría y modelo de negocio, informa Habr.

Lo Que Había en la Primera Parte

En la primera parte, el equipo ensambló un agente de solo lectura dentro de la aplicación Jamix. Un usuario hace una pregunta en lenguaje natural, y ChatClient de Spring AI ejecuta el bucle del agente — llamando a métodos @Tool hasta que reúne suficientes datos para responder.

• El agente de solo lectura de la primera parte responde preguntas de usuarios en lenguaje natural
• Cada herramienta lee datos a través de DataManager con un plan de búsqueda explícito
• Este enfoque se mantiene en gran medida dentro del sistema de seguridad de Jamix y devuelve solo los campos necesarios del modelo
• La interfaz de usuario del agente es una vista regular de Jamix, sin una capa REST
• Los autores señalan por separado: un modelo sin llamadas de herramientas nativas confiables rompe toda la arquitectura del agente

Qué Preguntas Surgieron Al Pasar a Operaciones de Escritura

Cuando se le dio al agente el derecho de cambiar datos en lugar de simplemente leerlos, surgieron preguntas que la documentación de Spring AI y la mayoría de tutoriales de agentes no plantean. ¿Bajo qué usuario ejecuta realmente la herramienta invocada por el modelo? ¿Cómo manejar transacciones si el modelo llama a múltiples herramientas en secuencia? ¿Cómo auditar acciones iniciadas por IA en lugar de directamente por humanos? ¿Y cómo hacer que el agente funcione con el modelo de dominio de la aplicación sin listar manualmente todas las entidades en la solicitud del sistema?

Según los autores, estas no son mejoras cosméticas sino las soluciones que separan un prototipo de demostración de una aplicación que puedes mostrar a un cliente — es decir, de un sistema listo para la operación real del almacén.

Qué Significa Esto

La transición de agente de solo lectura a agente de escritura muestra que la parte más difícil de construir agentes de inteligencia artificial para aplicaciones comerciales no es la capacidad del modelo de invocar herramientas, sino cuestiones de identidad, integridad transaccional y auditoría, sin las cuales dar permisos a un modelo para modificar datos es simplemente inseguro.

Preguntas Frecuentes

¿Qué

Podía Hacer el Agente de IA de la Primera Parte del Artículo?

Era de solo lectura: respondía preguntas de usuarios sobre el almacén en lenguaje natural, llamando a métodos @Tool a través de ChatClient de Spring AI y permaneciendo dentro del marco de seguridad de Jamix.

¿Qué Preguntas Aborda la Segunda Parte del Artículo?

Bajo qué usuario se ejecuta la herramienta, cómo manejar transacciones cuando se llaman múltiples herramientas en secuencia, cómo auditar acciones iniciadas por el modelo y cómo trabajar con el modelo de dominio sin listar manualmente entidades en el indicador.