В интервью, опубликованном 14 октября 2026 года, представитель MongoDB Ашиш Кумар объяснил, почему цепочки ИИ-агентов усложняют контроль доступа к корпоративным системам. Платформа Atlas Agent Engine позволяет проверять обращения к инструментам, записывать историю действий и ограничивать расход ресурсов. Пока эти возможности доступны в режиме публичного предварительного тестирования с рядом технических ограничений.
Цепочка ИИ-агентов может скрыть, от чьего имени выполняется запрос
Когда сотрудник поручает задачу ИИ-агенту, тот может обратиться к другому агенту, запустить инструмент и запросить сведения из внешней системы. Каждый следующий шаг увеличивает число участников, которым доступны корпоративные данные. Возникает конкретный вопрос: чьи права действуют в момент обращения к базе клиентов или платёжному сервису?
В интервью изданию Express Computer 14 октября Ашиш Кумар, технический руководитель MongoDB, привёл пример взаимодействия агентов с Salesforce. По его словам, обращение к такой системе должно выполняться с полномочиями человека, от имени которого поступила исходная задача. Иначе техническая учётная запись с широким доступом может дать агенту больше прав, чем есть у пользователя.
Кумар связал эту проблему и с Model Context Protocol (MCP) — открытым протоколом, с помощью которого ИИ-приложения подключаются к инструментам и источникам данных. По его оценке, безопасность здесь зависит от того, как разработчики передают пользовательские полномочия и проверяют ответы внешних систем.
Atlas Agent Engine проверяет вызовы инструментов и моделей по заданным правилам
MongoDB представила Atlas Agent Engine 29 сентября 2026 года. Система объединяет запуск ИИ-агентов, память, поиск данных и средства контроля. В свежем интервью Кумар подробнее описал принцип управления: платформа перехватывает обращения к инструментам и другим агентам, направляет их через общую точку контроля, фиксирует события и затем выполняет разрешённые действия.
Официальная документация раскрывает механизм. В компоненте Policy Engine администратор может задать список доступных инструментов и языковых моделей. Перед очередным вызовом система сверяет действие с действующими правилами. Запрещённое обращение останавливается с ошибкой policy_denied.
Отдельно настраиваются пределы числа вызовов инструментов и моделей, времени выполнения и количества токенов — единиц текста, за обработку которых обычно рассчитывается стоимость работы языковой модели. Если один агент передаёт задачу другому, их общий расход токенов учитывается в рамках одной сессии.
Здесь есть существенная оговорка: при отсутствии заданной политики соответствующее действие не ограничивается Policy Engine. Кроме того, в документации прямо указано, что обращения к инструментам и моделям в обход предусмотренных интерфейсов app.tool(...) и app.llm(...) не проходят через встроенный аудит платформы.
Журнал выполнения показывает последовательность решений ИИ-агента
Atlas Agent Engine автоматически формирует трассировку каждого запуска. В ней отображаются запросы к языковой модели, вызовы внешних инструментов, обращения к памяти, проверки политик и передача задач другим агентам. Для каждого шага можно увидеть его место в цепочке, продолжительность и, для запросов к модели, расход токенов.
Представим агента, который помогает сотруднику проверить подозрительную операцию. Он запрашивает сведения о транзакциях, передаёт часть анализа другому агенту и получает ответ. При ошибке журнал позволяет восстановить, на каком шаге возникло неожиданное действие или задержка. Это особенно актуально для операций с финансовыми и персональными данными, где требуется объяснить происхождение результата.
В качестве примера применения MongoDB называет платёжную компанию Paysafe. Она рассматривает Atlas Agent Engine для создания агента, который поможет аналитикам изучать необычную активность в платёжной сети. В официальном заявлении речь идёт о планируемом использовании: подтверждённых результатов по сокращению времени расследований компания пока не привела.
Память агента и точный поиск влияют на стоимость обработки запросов
В интервью Кумар выделил ещё одну проблему: ИИ-агенту дорого передавать большие объёмы информации при каждом обращении к модели. Платформа использует хранение контекста в MongoDB и поиск на базе технологий Voyage AI, чтобы находить относящиеся к текущей задаче сведения.
Разница заметна на примере повторного обращения клиента. Без долговременной памяти агенту приходится заново получать историю предыдущих действий. С памятью он может извлечь нужные факты из уже сохранённого контекста. MongoDB связывает такой подход с сокращением лишних токенов, но универсального количественного эффекта для всех приложений компания не объявляла.
Публичная версия Atlas Agent Engine пока ограничена
Atlas Agent Engine находится в режиме Public Preview. Согласно официальной документации, MongoDB пока не рекомендует запускать на платформе производственные нагрузки и не предоставляет соглашения об уровне доступности (SLA). Предварительный доступ к сервису был открыт 29 сентября на AWS.
Есть и технические ограничения. Автоматическое увеличение числа экземпляров агентов пока отсутствует: количество параллельных сессий зависит от заранее выделенных изолированных сред. Когда все такие среды заняты, новый запрос может завершиться ошибкой pool full. Интерфейсы API во время тестирования также могут изменяться без сохранения обратной совместимости.
Интервью 14 октября проясняет подход MongoDB к проблеме полномочий и наблюдаемости ИИ-агентов. При этом заявленные механизмы контроля уже описаны в документации, а их использование в критически важных рабочих системах остаётся ограниченным статусом предварительной версии. Сроки появления общедоступной стабильной версии в рассмотренных материалах не названы.
