Ваш AI Agent хочет получить ваши данные. Вот как их защитить
Your AI Agent Wants Your Data. Here's How to Lock It Down - Jeff Smith, Oracle
Агенту безопаснее давать параметризованные отчёты вместо генерации SQL, а права доступа проверять на уровне самой базы.
- Отчёты как инструменты — агент выбирает из готовых отчётов через два инструмента,
List ReportsиExecute Reports, а не получает по инструменту на каждый отчёт, иначе контекст переполняется. Ошибка модели тогда возможна в выборе отчёта, но не в сгенерированном SQL. - Безопасность в базе — роли пользователя из SSO определяют, какие данные он видит, и база фильтрует результат до того, как он попадёт к агенту. По словам авторов, это функция deep data security, а проверки, зашитые в инструменты, обходятся, если кто-то подключит другой клиент.
- Диагностика на standby — агент разбирает медленные запросы на read-only копии базы через Data Guard, собирает статистики и AWR-отчёты и не трогает production. Инструменты объединены в 3–4 группы с опциями, а не разбиты на 15 однофункциональных.
- Аннотации схемы в базе — описания таблиц из Confluence и SharePoint сохраняются в самой базе, а инструмент
schema infoотдаёт агенту сжатый словарь вместо того, чтобы он перебирал таблицы и тратил токены на разведку.
Кому полезно: тем, кто подключает LLM-агентов к корпоративной базе данных и отвечает за то, какие данные агент может видеть.
Статья по теме
На какие вопросы отвечает доклад
Почему генерация SQL из естественного языка в продакшене рискованна для бизнес-пользователей?
LLM часто выполняют запросы, которые возвращают правдоподобные, но неверные данные, и перебирают схему базы, что дорого по токенам и времени. Спикер предлагает ограничивать агента заранее написанными отчетами.
▶ 7:09Почему преобразование естественного языка в SQL рискованноКак дать агенту сотни отчетов, не загружая контекст сотнями отдельных инструментов?
Вместо сотни инструментов используются два MCP-инструмента: List Reports и Execute Reports. Агент находит нужный отчет по подходящей фразе и запускает его, а SQL внутри параметризован и заранее зашит.
▶ 9:43Список отчётов и их выполнениеКак безопасно разбирать медленный запрос в продакшене с помощью LLM-агента?
Агент работает с read-only standby-копией базы через Data Guard, где может собирать статистику и AWR-отчет, но индексы не создает. Он дает советы, а применяет их инженер.
▶ 11:30Сценарий 2: Настройка производительностиКак помочь агенту разобраться в базе с запутанными именами таблиц и колонок?
Инструмент отдает агенту сжатый словарь схемы, построенный по метаданным базы, а описания из Confluence и документов сохраняются в базе как аннотации. Это помогает писать точный SQL с первого раза.
▶ 14:48Сценарий 3: Документация схемы для агентовКак ограничить строки и колонки, которые агент получает из базы, по роли пользователя?
Пользователь входит через SSO, роли и scopes передаются в сессию OAuth 2.0, а база фильтрует результат до того, как он вернется агенту. Спикер называет это deep data security.
▶ 17:27Безопасность: кто запрашивает?
Главы
Похожие доклады
Баланс инноваций, безопасности и защиты данных
AI Engineer Summit 2025
Близко по содержанию
Конфиденциальность прежде всего: создание AI-агентов, которые не покидают границы безопасности компании
AI Engineer Summit 2025
Близко по содержанию
Уже десять вечера. Вы знаете, где ваши агенты?
AI Engineer World's Fair 2026
Близко по содержанию
Мы разрешили AI-агенту выполнять команды Bash — и выжили, чтобы об этом рассказать
Близко по содержанию

