Ai4
通过MongoDB单引擎融合图查询与混合检索并结合Mastra状态持久化,团队可消除架构膨胀,将非确定性大模型转化为符合严苛监管审计的生产级反欺诈Agent。
AI-assisted summary of Fraud Detection Agents at Scale, Built on MongoDB And Mastra — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本内容由 Ai4 频道于 2026 年 8 月 18 日发布在 YouTube 平台。视频由 Mastra 创始技术 GTM 专家 Brandon Barros 与 MongoDB AI 解决方案架构师 Mohammad Daoud Farooqi 共同主讲,介绍了如何利用 MongoDB Atlas 统一数据底座与 Mastra 持久化工作流框架,构建具备合规审计追踪与人机协同能力的大规模反欺诈 Agent 系统 Marshal。
## TL;DR 演讲围绕金融风控场景下的反欺诈痛点展开,针对多源证据离散、误报代价高以及合规审计严苛等挑战,展示了 AI 反欺诈 Agent 系统 Marshal 的实战能力。系统利用 MongoDB Atlas 单一集合实现向量检索、全文搜索与图关联(Graph Lookup)的深度融合,并结合 Mastra 提供的持久化工作流(Durable Workflows)实现确定性流程控制与人机协同审核(Human-in-the-loop)。此外,演讲还深入拆解了 Mastra 的 Trace Intelligence 四维分析体系与 Agent 自进化闭环,为从实验 Demo 迈向生产级合规 Agent 提供了完整的落地架构方案。
## Atmosphere & style 整场演讲兼具工程务实性与技术前瞻性,两位讲者配合默契、节奏紧凑,开篇以极具画面感的小企业发薪与大额欺诈对立故事迅速抓住听众注意力。随后的 Live Demo 与架构拆解层层递进,既展现了复杂的风控推演逻辑,又清晰呈现了代码级的工作流挂起与恢复机制,现场互动氛围热烈且充满极客探索感。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=xw2c-M6svKc&t=4s) MongoDB 与 Mastra 联合推出用于规模化反欺诈的 AI Agent 架构,将统一数据底座与 TypeScript Agent 编排框架深度整合。 - [00:04](https://www.youtube.com/watch?v=xw2c-M6svKc&t=4s) MongoDB Atlas 通过单套引擎统一承载 OLTP 事务、全文检索、向量混合检索与图查询(Graph Lookup),有效消除了多数据库并存的架构膨胀。 - [00:04](https://www.youtube.com/watch?v=xw2c-M6svKc&t=4s) Mastra 提供开箱即用的 Agent 构建原语、全链路 Trace 追踪与 Evals 评估体系,支持生产级 TypeScript Agent 的快速构建与优化。 - [00:29](https://www.youtube.com/watch?v=xw2c-M6svKc&t=29s) 反欺诈系统正经历从传统人工搜索、RAG 检索增强向自主工具调用与人机协作(Human-in-the-loop)AI Agent 的演进。 - [00:29](https://www.youtube.com/watch?v=xw2c-M6svKc&t=29s) 反欺诈场景面临证据分散与误报代价高的挑战,所有 Agent 决策均需留存长达数年的不可篡改审计追踪(Audit Trails)以满足合规监管。 - [00:52](https://www.youtube.com/watch?v=xw2c-M6svKc&t=52s) 在演示系统 Marshal 中,已知供应商发薪可实现秒级直接批准,而异地异常登录与陌生海外转账会被系统直接拦截。 - [00:52](https://www.youtube.com/watch?v=xw2c-M6svKc&t=52s) 针对骡子账户中转与金额拆分避限(Structuring)等隐蔽欺诈,系统利用图查询穿透多跳交易网络以捕捉隐藏关联。 - [00:52](https://www.youtube.com/watch?v=xw2c-M6svKc&t=52s) 对于大额高风险交易(如 75,000 美元),Agent 会自动组装证据推理链并挂起工作流,实时推送到人工审核队列由分析师复核。 - [10:00](https://www.youtube.com/watch?v=xw2c-M6svKc&t=600s) Mastra 凭借顺序、并行、分支与循环等工作流原语,在具备随机性的 LLM 之上构建出确定性的风控决策流程。 - [10:00](https://www.youtube.com/watch?v=xw2c-M6svKc&t=600s) 持久化工作流(Durable Workflows)具备自动快照、挂起(Suspend)、人工恢复(Resume)与历史回放能力,支持跨服务器分布式长效运行。 - [14:02](https://www.youtube.com/watch?v=xw2c-M6svKc&t=842s) Mastra Trace Intelligence 从意图(Goal)、行为(Behavior)、结果(Outcome)和倾向(Sentiment)四个维度深度解析 Agent 生产环境运行轨迹。 - [14:02](https://www.youtube.com/watch?v=xw2c-M6svKc&t=842s) 通过生产环境 Trace、Evals 评估与 Agent 优化层的闭环联动,系统能够实现代码与 Prompt 的持续迭代和自进化(Self-Improvement Loop)。 - [17:02](https://www.youtube.com/watch?v=xw2c-M6svKc&t=1022s) 从演示走向生产环境的核心挑战不在于构建 Demo,而在于建立具备合规审计追踪、完整证据链与高容错机制的生产级基础设施。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=xw2c-M6svKc&t=4s) 架构与技术栈概览
演讲在热烈的氛围中开场。MongoDB 的 AI 合伙伙伴解决方案架构师 Mohammad Dawood Farooqi 与 Mastra 的创始技术 GTM 兼特种项目工程师 Brandon 共同登台,宣布了本次演讲的主题:如何在规模化场景下,结合 MongoDB 与 Mastra 构建反欺诈 Agent(Fraud Detection Agents)。
两位讲者迅速勾勒了整场演讲的脉络,涵盖系统框架介绍、业务痛点剖析、AI 解决方案与 demo 演示(演示系统名为 Marshal)、底层架构拆解、生产环境落地路径以及核心要点总结。接着,他们分别对各自的技术栈进行了直观定位:
```mermaid flowchart LR accTitle: System Architecture Overview subgraph Mastra["Mastra (Agent 框架与控制平面)"] direction TB A["Agent 构建 primitive"] B["可观测性与 Trace 追踪"] C["Evals 评估与实验迭代"] end subgraph MongoDB["MongoDB Atlas (数据与存储底层)"] direction TB D["JSON 文档模型 (OLTP)"] E["向量 / 全文 / 混合检索"] F["Graph Lookup / 变更流"] end Mastra <-->|工作流编排与证据调取| MongoDB ```
- **Mastra:** 作为领先的 TypeScript AI Agent 框架与平台,Mastra 提供了开箱即用的 Agent 构建原语、全流程可观测性(追踪 Agent 执行的每一步 Trace),以及用于持续优化的 Evals 评估与指标分析。 - **MongoDB Atlas:** 作为统一的数据底层,MongoDB 提供了灵活的 JSON 文档模型(作为应用事务的 OLTP 系统)、全文检索、向量检索以及两者融合的混合检索(Hybrid Search),同时具备图关联查找(Graph Lookup)、ACID 事务与变更流(Change Streams)。
- **Mastra 开发者生态数据:** GitHub 每周下载量已突破 130 万次,全球超过 10 万家公司正基于 Mastra 构建生产级 TypeScript Agent。 - **MongoDB 核心能力:** 通过单套引擎整合 OLTP 事务、混合检索与图查询,极大地简化了 Agent 所需的数据架构。
---
[00:29](https://www.youtube.com/watch?v=xw2c-M6svKc&t=29s) 反欺诈业务痛点与 AI Agent 的引入
Mohammad 用一个极具画面感的故事切入业务场景:在一个星期五的下午 4 点 47 分,小建筑公司老板 Maya 发起了一笔 3,200 美元的发薪交易。这笔钱对她的员工至关重要——有人等着交房租,有人等着付小孩的托儿费。这不仅仅是一笔转账,更是对员工的承诺。然而在同一时刻,银行系统中一笔高达 75,000 美元的交易触发了欺诈警报。
风控分析师面临着两难抉择:如果审得太快、草率批准,欺诈交易就会溜之大吉;如果查得太慢,像 Maya 这样合法合规的普通人就会深受其害。
```mermaid flowchart TD accTitle: Evolution of Fraud Detection Systems A["传统简单搜索<br/>(分析师人工检索与关联数据)"] --> B["RAG 检索增强系统<br/>(基于上下文提供参考信息)"] B --> C["AI Agent 智能体系统<br/>(工具调用 + 混合检索 + 审计留痕 + 人机协作)"] ```
过去依靠分析师手动在海量数据中摸索,后来演进到基于上下文的 RAG 系统,而如今则迈化为具备自主工具调用(Tool Use)、多模态检索与人机协作(Human-in-the-loop)能力的 AI Agent 时代。AI 之所以成为破局关键,是因为欺诈证据往往分散在不同的异构系统中,误报(False Positive)会造成极高的业务影响,且任何决策都必须留存长达数年的不可篡改审计追踪(Audit Trails),以应对监管合规要求。
- **多源分散证据:** 欺诈痕迹往往隐藏在跨账户、跨时间的离散事件中,需要图关联与语义检索协同。 - **合规审计要求:** 所有 Agent 作出的自动化决策,必须具备可溯源的推演链条,满足监管机构 6 年甚至更久的合规审计,并为后续的强化学习(Reinforcement Learning)积累数据。
---
[00:52](https://www.youtube.com/watch?v=xw2c-M6svKc&t=52s) 演示实战:Marshal 系统反欺诈案例解析
讲者现场展示了名为 **Marshal** 的 AI 反欺诈 Agent 系统。每笔被标记的疑虑交易都会进入人机协作队列,MongoDB 负责精准调取相关交易与治理策略,Mastra 则充当大脑进行逻辑推理与流程编排。
演讲中针对四种典型的欺诈/合法场景进行了逐一演示与分析:
```mermaid flowchart TD accTitle: Marshal Transaction Handling Flow Tx["待审交易输入"] --> Check{"分析与分类"} Check -->|已知供应商定时发薪| Pass["直接批准 (Clean Approve)"] Check -->|异地异常登录 + 陌生海外付款| Reject["直接拒绝 (Strong Reject)"] Check -->|骡子账户中转 / 拆分避限| Deep["深度图查询与规则校验"] Check -->|大额高风险交易 (75,000 美元)| HITL["挂起并推送到人工审核队列"] ```
1. **直接批准(Clean Approve):** 已知供应商的定期发薪请求,系统匹配历史记录无异常后秒级通过。 2. **直接拒绝(Strong Reject):** 账户刚发生异常登录,紧接着向陌生海外商户发起大额转账,判定为高危欺诈并直接拦截。 3. **骡子账户与链路穿透(Mule Account & ABC Fraud):** 针对试图绕过风控的“A $\rightarrow$ B $\rightarrow$ C”间接交易(B 为骡子中转账户),Marshal 自动通过图查询与历史检索穿透链路,发现潜在的 A 到 C 隐藏关联并标记拦截。 4. **金额拆分与大额审核(Structuring & Human-in-the-loop):** 针对故意压低金额(如略低于 5,000 美元申报门槛)的频发拆分交易(Structuring),系统精准捕捉;而对于 75,000 美元的极高风险交易,Agent 生成完整推理链后挂起工作流,实时推送到前端供人工分析师复核决策。
- **混合检索与图查询组合拳:** 利用 Vector Search 捕捉语义相似性,`$search` 处理精确账号/金额匹配,Reciprocal Rank Fusion (RRF) 进行结果融合,再叠加 Graph Lookup 探测多跳网络。 - **不可篡改审计追踪:** 所有的判定证据链与人工审核动作均实时存入 MongoDB 审计日志,不仅满足合规要求,还可反哺模型自进化。
---
[10:00](https://www.youtube.com/watch?v=xw2c-M6svKc&t=600s) 深入底层:MongoDB 与 Mastra 的协同机制
在探讨架构实现时,讲者详细拆解了 MongoDB 与 Mastra 如何分工协作:MongoDB 构筑了 Agent 的“记忆与证据链”,Mastra 则是 Agent 的“大脑与控制平面”。
为了在天然具备随机性(Non-deterministic)的 LLM 之上构建出确定性(Deterministic)的风控系统,Mastra 提供了极其丰富的工作流编排原语(Workflow Orchestration):
```mermaid flowchart TD accTitle: Mastra Workflow Primitives subgraph Flow["工作流编排模式"] direction LR S["顺序执行<br/>Sequential"] --> P["并行分支<br/>Parallel"] P --> B["条件分支<br/>Branching"] B --> L["循环检索<br/>Loops"] end subgraph Durability["状态持久化与状态机"] Snap["步骤快照 Snapshot"] --> Wait["暂停/挂起 Suspend"] Wait --> Resume["人工介入后恢复 Resume"] Resume --> Replay["重试与历史回放 Replay"] end Flow <--> Durability ```
- **状态快照与人机协作:** 工作流在每一步骤都会自动保存快照(Snapshots)与元数据。当需要人工审核时,工作流可直接“挂起(Suspend)”,待分析师在 UI 上点击确认后再“恢复(Resume)”,甚至支持历史步骤回放(Time Travel)与失败重试。 - **持久化工作流(Durable Workflows):** 支持跨服务器分布式部署,赋予工作流极高的容错性,使其不仅能运行几分钟,更能稳定持续运行数天甚至数周。 - **无代码 Agent 构筑器:** Mastra 正将持久化工作流能力集成至无代码 Agent Builder 中,降低复杂风控 Agent 的开发门槛。
- **MongoDB 数据层特质:** 提供高并发 OLTP 存储、语义检索层(Vector Search)以及账务图谱穿透能力。 - **Mastra 控制平面特质:** 提供 LLM 推理控制、确定性路由编排以及全栈运行时的可观测性。
---
[14:02](https://www.youtube.com/watch?v=xw2c-M6svKc&t=842s) 迈向生产环境:持久化、可观测性与 Trace 智脑
从一个惊艳的 Demo 走向严苛的生产环境,核心在于持续的可观测性与长效稳定性。Brandon 特别强调,Mastra 兼具框架层与可观测性层,这使其能够深入 Agent 运行时的最底层——不只是捕捉 Agent 主动暴露的信息,还能追踪到每一次工具调用、每一行代码与工作流的具体执行 Trace。
此外,Mastra 刚刚发布了全新的 **Trace Intelligence** 功能,并展示了 Agent 闭环自进化(Agentic Learning Loop)的蓝图:
```mermaid flowchart LR accTitle: Mastra Trace Intelligence and Self-Improvement Loop subgraph TraceIntel["Trace Intelligence 四维分类"] G["Goal (意图)"] B["Behavior (行为)"] O["Outcome (结果)"] S["Sentiment (氛围/倾向)"] end subgraph LearningLoop["Agentic Learning Loop (自进化闭环)"] Traces["生产环境 Traces"] --> Eval["Evals 评估与瓶颈识别"] Eval --> AgentLayer["Agent 优化层"] AgentLayer --> Code["迭代源码与 Prompt"] Code --> Traces end TraceIntel --> LearningLoop ```
- **Trace Intelligence 四大维度:** 1. **Goal(意图):** 探究本次 Trace 运行的原始目标是什么。 2. **Behavior(行为):** 记录 Agent 采取了哪些具体的行动与工具调用。 3. **Outcome(结果):** 评估最终的产出与判定是否准确。 4. **Sentiment(氛围/倾向):** 分析 Agent 在执行过程中的交互特征与潜在偏置。 - **消除架构膨胀(Infra Sprawl):** 使用 MongoDB 替代以往需要分别搭建 OLTP 数据库、图数据库、向量数据库与全文检索系统的碎片化方案,极大地降低了运维与扩容成本。
- **细粒度成本监控:** 支持在 Model 级别、Agent 级别以及 Workflow 级别精确统计 Token 消耗与计费。 - **自进化闭环(Self-Improvement Loop):** 在 Evals 评估系统与源代码之间插入 Agent 优化层,实现基于生产环境 Trace 数据的自动迭代升级。
---
[17:02](https://www.youtube.com/watch?v=xw2c-M6svKc&t=1022s) 总结与资源获取
Mohammad 与 Brandon 总结道:构建一个 Agent Demo 并不难,真正的挑战在于将 Demo 转化为具备合规审计追踪、完整证据链与明确责任归属的生产级系统。MongoDB 与 Mastra 的结合,为这一演进路径提供了切实可行的技术底座。
演讲最后,讲者分享了相关资源并热情邀请现场观众交流:
- **现场互动与试用:** 观众可扫描屏幕上的二维码体验基于 Mastra 运行的 Marshal 应用,或访问 GitHub 开源仓库获取全套代码与文档,直接部署在自己的基础设施上。 - **技术咨询与书籍赠送:** 两位讲者在会后留场解答问题,官方支持邮箱为 `mongodbpartners@mongodb.com`。此外,Mastra CEO Sam 撰写了关于 AI Agent 开发的新书,现场工作人员 Ashwin 为参会者免费赠送了实体书。
---
## Notable quotes > [00:29](https://www.youtube.com/watch?v=xw2c-M6svKc&t=29s) 这笔钱对她的员工至关重要——有人等着交房租,有人等着付小孩的托儿费。这不仅仅是一笔转账,更是对员工的承诺。 — Mohammad Dawood Farooqi
> [00:29](https://www.youtube.com/watch?v=xw2c-M6svKc&t=29s) 如果审得太快、草率批准,欺诈交易就会溜之大吉;如果查得太慢,像 Maya 这样合法合规的普通人就会深受其害。 — Mohammad Dawood Farooqi
> [00:29](https://www.youtube.com/watch?v=xw2c-M6svKc&t=29s) AI 之所以成为破局关键,是因为欺诈证据往往分散在不同的异构系统中,误报(False Positive)会造成极高的业务影响,且任何决策都必须留存长达数年的不可篡改审计追踪 — Mohammad Dawood Farooqi
> [00:29](https://www.youtube.com/watch?v=xw2c-M6svKc&t=29s) 所有 Agent 作出的自动化决策,必须具备可溯源的推演链条,满足监管机构 6 年甚至更久的合规审计,并为后续的强化学习积累数据。 — Mohammad Dawood Farooqi
> [00:04](https://www.youtube.com/watch?v=xw2c-M6svKc&t=4s) 通过单套引擎整合 OLTP 事务、混合检索与图查询,极大地简化了 Agent 所需的数据架构。 — Mohammad Dawood Farooqi
> [00:52](https://www.youtube.com/watch?v=xw2c-M6svKc&t=52s) 针对试图绕过风控的‘A → B → C’间接交易(B 为骡子中转账户),Marshal 自动通过图查询与历史检索穿透链路,发现潜在的 A 到 C 隐藏关联并标记拦截。
> [10:00](https://www.youtube.com/watch?v=xw2c-M6svKc&t=600s) MongoDB 构筑了 Agent 的‘记忆与证据链’,Mastra 则是 Agent 的‘大脑与控制平面’。
> [10:00](https://www.youtube.com/watch?v=xw2c-M6svKc&t=600s) 为了在天然具备随机性(Non-deterministic)的 LLM 之上构建出确定性(Deterministic)的风控系统,Mastra 提供了极其丰富的工作流编排原语 — Brandon Barros
> [10:00](https://www.youtube.com/watch?v=xw2c-M6svKc&t=600s) 当需要人工审核时,工作流可直接‘挂起(Suspend)’,待分析师在 UI 上点击确认后再‘恢复(Resume)’,甚至支持历史步骤回放(Time Travel)与失败重试。 — Brandon Barros
> [14:02](https://www.youtube.com/watch?v=xw2c-M6svKc&t=842s) Mastra 兼具框架层与可观测性层,这使其能够深入 Agent 运行时的最底层——不只是捕捉 Agent 主动暴露的信息,还能追踪到每一次工具调用、每一行代码与工作流的具体执行 Trace。 — Brandon Barros
> [17:02](https://www.youtube.com/watch?v=xw2c-M6svKc&t=1022s) 构建一个 Agent Demo 并不难,真正的挑战在于将 Demo 转化为具备合规审计追踪、完整证据链与明确责任归属的生产级系统。 — Mohammad Dawood Farooqi
## Mentioned MongoDB, MongoDB Atlas, Mastra, Marshal, Mohammad Dawood Farooqi, Brandon Barros, Sam, Ashwin, Maya, GitHub, Ai4
## Video description Brandon Barros - Founding Technical GTM, Masta Mohammad Daoud Farooqi - Partner Solutions Architect, A.I., MongoDB
Fraud detection in an agentic world is hard: evidence for a decision is scattered, only some calls should reach a human, and all must stay auditable. This talk builds Marshal, a fraud investigation console. It assembles the evidence server-side in MongoDB Atlas, running vector, text, and graph retrieval over one collection. Mastra's durable workflows wrap that in a deterministic flow that suspends for an approver and resumes. You get an audit trail, PII protection, and a clear path to self-improvement from production traces. Come if you're putting an agent where a regulator will look.
[Source](https://www.youtube.com/watch?v=xw2c-M6svKc)