LangChain в Core ERP: Архитектура безопасных агентов для финансов и закупок (2026)

1. Стратегии Data Isolation

Реализация многоуровневой изоляции, гарантирующей, что LLM-агент может работать только с данными, разрешенными ролевой моделью пользователя в конкретном департаменте:

2. RAG с привязкой к ролевой модели

Классический RAG модифицирован для enterprise-среды:

1. Запрос анализируется на намерение: Используется lightweight-классификатор (на основе distilBERT) для определения типа операции (поиск поставщика, проверка бюджета, валидация контракта).
2. Формируется контекстный фильтр: На основе намерения и роли пользователя (из Active Directory/ERP-профиля) строится SQL-подобный фильтр для векторного поиска (например, WHERE department = 'FINANCE' AND classification <= 'INTERNAL').
3. Поиск с жестким лимитом: Выполняется поиск только в предфильтрованном пространстве. Количество возвращаемых чанков ограничено (обычно 3-5) для снижения риска inclusion нерелевантных данных.
4. Пост-обработка с верификацией: Каждый извлеченный факт (сумма, дата, ID) проверяется на соответствие исходным документам через regexp и цифровые подписи, если есть.

Агент закупок: автономный поиск поставщиков и создание заявок

Use-case: "Найди трех поставщиков компонента X с сертификатами ISO 9001, находящихся в ЕС, и подготовь предварительную заявку на закупку до 500 тыс. EUR."

class ProcurementAgent(SecureERPAgent):
    def __init__(self, user_session):
        super().__init__(user_session)
        self.tools = [
            SemanticSearchTool(
                index="suppliers_v2",
                filters=["country IN ('DE', 'FR', 'PL')", "certifications LIKE '%ISO9001%'"],
                max_results=5
            ),
            VendorCreditCheckTool(api="erp_vendor_service"),
            PRCreationTool(erp_connector="s4hana")
        ]
        self.guardrails = [
            AmountGuard(max_amount=500_000, currency="EUR"),
            DuplicateVendorGuard(lookback_days=90)
        ]

    def execute(self, intent: str) -> dict:
        # 1. Извлечение параметров из естественного языка
        params = self.llm_extractor.parse(intent, schema=ProcurementSchema)
        
        # 2. Жесткая валидация извлеченных параметров
        self._validate_params(params)
        
        # 3. Поиск с изоляцией (только доступные поставщики)
        suppliers = self.tools[0].search(params.item, params.required_certs)
        
        # 4. Проверка кредитного рейтинга (синхронный вызов ERP API)
        for s in suppliers:
            s.credit_score = self.tools[1].check(s.vendor_id)
        
        # 5. Ранжирование и выбор топ-3
        top3 = self._rank_suppliers(suppliers, params.priority)
        
        # 6. Создание заявки в ERP с привязкой к бюджету
        pr_number = self.tools[2].create_purchase_req(
            items=params.items,
            suppliers=[s.vendor_id for s in top3],
            budget_code=params.budget_code
        )
        
        return {"status": "success", "pr_number": pr_number, "suppliers": top3}

Ключевые элементы: параметризованный семантический поиск с фильтрами, синхронная проверка через ERP API (не через LLM), ранжирование по бизнес-метрикам (не по "уверенности LLM").

Агент финансов: согласование контрактов и прогноз cash flow

Use-case: "Проанализируй контракт с поставщиком Y на предмет рисков досрочного расторжения и оцени влияние на cash flow Q3 2026."

• Инструмент 1: ContractClauseAnalyzer — извлекает и классифицирует пункты о расторжении, штрафах, форс-мажоре.
• Инструмент 2: CashFlowSimulator — симулятор, вызывающий stored procedure в ERP для пересчета плановых потоков при изменении условий контракта.
• Инструмент 3: RiskScoringService — внешний ML-сервис, возвращающий numerical score риска (0-100) на основе исторических данных о расторжениях.

Результат агента — не текстовый анализ, а структурированный JSON с полями: risk_level, cash_flow_impact (в валюте и периоде), required_approvals (список ролей). Все числовые данные верифицируются через double-check с основной бухгалтерской книгой.