SafeCart-AI

Track： 01 — AI Growth & Agentic Commerce

问题： 很快，人们将不再通过商家的聊天机器人购物，而是会让自己专属的 AI 代理代为购物。商家需要一种安全的方式，让 AI 代理浏览其商品目录，并代理客户花钱。本项目正是提供了这一缺失的信任层。

它能做什么

SafeCart-AI 通过 Model Context Protocol，将商家的商品目录开放给任何兼容 MCP 的 AI 代理（例如 Claude）。

AI 代理可以浏览商品并发起购买请求，但在创建 Razorpay 测试模式订单之前，每一笔购买都必须通过策略引擎。

策略引擎强制执行：

• 可解释性 —— AI 代理必须为购买提供有意义的理由。

• 消费限额 —— 购买受到单笔交易限额和整个会话消费上限的管控。

• 门控（Gating） —— 中等金额的购买会被转至人工审批，而不是自动执行。

• 审计记录 —— 每次购买尝试都会被记录下来，包括请求了什么、为什么请求，以及系统做了什么决定。

• 优雅的失败处理 —— 无效请求（如商品缺货）会被明确拒绝，并附带清晰说明。

Related MCP server: agent-commerce-mcp-server

架构

AI Agent (Claude, etc.)
        │
        │ MCP tools:
        │ browse_products
        │ get_product_details
        │ request_purchase
        │ get_audit_trail
        ▼
  mcp_server.py
        │
        ▼
    policy.py ──────────────► SQLite audit log
        │                       logs/audit.db
        │
        │ approved requests
        ▼
razorpay_client.py ────────► Razorpay Test-Mode Orders API

dashboard.py (Flask)
        │
        └────────────────────► Human approve/reject UI

为什么这样设计

支付集成被刻意与策略引擎分离开来。

只有在策略层批准了购买请求之后，才会调用 razorpay_client.py。这样可以让决策逻辑与支付集成互相分离，使购买决策可解释、可审计。

本项目围绕如下原则设计：

AI 可以请求购买，策略决定是否允许，而风险较高的购买可以要求人工审批。

策略规则

当前 demo 使用以下限额：

这些数值可以在 policy.py 中调整。

AI 代理还必须提供有意义购买理由。理由缺失或过短的购买请求会被拒绝。

项目结构

agent-commerce-gateway/
│
├── mcp_server.py
├── policy.py
├── razorpay_client.py
├── dashboard.py
├── test_agent.py
├── requirements.txt
├── README.md
├── .env.example
│
├── data/
│   └── products.json
│
├── templates/
│   └── dashboard.html
│
└── logs/
    └── audit.db

核心文件

安装

1. 创建虚拟环境

Windows：

python -m venv venv
venv\Scripts\activate

Linux/macOS：

python3 -m venv venv
source venv/bin/activate

2. 安装依赖

pip install -r requirements.txt

3. 配置 Razorpay 测试模式

从 .env.example 创建 .env 文件，并填写你的 Razorpay 凭据（测试模式）：

RAZORPAY_KEY_ID=your_test_key_id
RAZORPAY_KEY_SECRET=your_test_key_secret

切勿将 .env 或真实凭据提交到 GitHub。

如何运行项目

1. 启动 MCP 服务器

python mcp_server.py

这将启动一个兼容 MCP 的 AI 代理可以连接的服务器。

2. 接入 AI 代理

以 Claude Desktop 为例，将 MCP 服务器加入你的 Claude Desktop 配置中：

{
  "mcpServers": {
    "agent-commerce-gateway": {
      "command": "python",
      "args": [
        "/absolute/path/to/mcp_server.py"
      ]
    }
  }
}

将 /absolute/path/to/mcp_server.py 替换为你电脑上的实际路径。

保存配置后，重启 Claude Desktop。

之后你就可以对已连接的 AI 代理提问：

Browse this merchant's products.

或者：

Buy me the wireless earbuds because I need them for online classes.

3. 启动面板（Dashboard）

另外打开一个终端：

python dashboard.py

然后打开浏览器访问：

http://localhost:5001

面板用于查看审计记录，并审查需要人工审批的购买请求。

购买流程如何工作

示例 1 —— 自动通过的购买

假设用户提出如下请求：

Buy me the Wireless Earbuds because I need them for online classes.

AI 会发送一个购买请求，包含商品、数量与理由。

如果总价在自动通过限额以内：

Purchase Request
       ↓
Policy Check
       ↓
Approved
       ↓
Razorpay Test Order

示例 2 —— 需要人工审批

假设用户请求的是定价为 ₹3,499 的 Mechanical Keyboard：

由于该商品高于自动通过限额，但处于人工审查范围内：

Purchase Request
       ↓
Policy Check
       ↓
Pending Human Approval
       ↓
Dashboard
       ↓
Human Approves / Rejects

原型说明： 目前实现只是将面板审批记录写入审计数据库。生产环境应将审批操作与后续的 Razorpay 订单创建步骤关联起来。

示例 3 —— 优雅拒绝

如果请求商品缺货：

Purchase Request
       ↓
Policy Check
       ↓
Out of Stock
       ↓
Rejected
       ↓
Clear Explanation

系统不会静默失败，也不会继续付款流程。

MCP 工具

MCP 服务器提供四个主要工具：

browse_products()

返回商家当前的完整商品目录。

get_product_details(product_id)

返回商品特定商品的详细信息。

request_purchase(product_id, quantity, reason)

代表用户请求购买商品。请求在创建任何 Razorpay 订单之前，会先经过策略引擎评估。

get_audit_trail()

返回当前会话中的所有购买尝试及其决策结果。

审计追踪

每一次购买尝试都会存入 SQLite。

每条审计记录包括：

• 时间戳

• 会话 ID

• 商品 ID

• 商品名称

• 价格

• 商品名称

• 数量

• 购买理由

• 决策结果

• 决策说明

可视化可以通过它清晰地还原：

AI 请求了什么？为什么请求？系统凭什么逻辑作了什么决定？

演示脚本

为 demo 演示：

1. 将 MCP 服务器连接到 AI 即可。

2. 让 AI 代理浏览商家目录。

3. 请求 Wireless Earbuds（p001，₹1,499），并附上明确理由。

4. 展示该购买被自动通过，并且 Razorpay 测试订单已成功创建等待。

5. 请求 Mechanical Keyboard（p003，₹3,499）。

6. 展示该购买需要面板上的人工审批。

7. 请求 4K Webcam（p005）。

8. 展示缺货请求被优雅拒绝。

9. 展示完整审计追踪。

测试

项目自带一个测试代理，用于覆盖 MCP 主流程。

运行：

python test_agent.py

测试脚本演示了以下能力：

• MCP 连接

• 商品目录浏览

• 小额购买

• 中等金额购买

• 缺货购买

• 审计追踪获取

遇到的问题及如何解决

1. 购买理由无效

策略层要求每次购买都必须提供有意义的理由。缺少理由或理由过短的请求会被拒绝禁止，而不是允许一笔无法解释的购买。

2. 商品缺货

缺货请求会在策略层内部处理，并以明确拒绝包裹正常返回，而不是导致应用崩溃。

3. Razorpay 异常

Razorpay 订单创建逻辑与策略决策逻辑被分离。如果策略通过后，创建测试单失败，MCP 服务器会捕获异常并返回明确的 payment_error 结果，而不会崩溃。

4. 消费限额

购买总额在批准前会同时检查单笔交易上限和会话级消费上限。

相关限制 / 后续规划

本项目是围绕黑客松目录/演示场景设计的原型。

• 会话身份被简化，维护为：当前实现为每次服务器运行分配一个全局会话 ID。生产系统应把请求与已认证的 AI 代理及用户身份关联。

• 策略阈值是静态：生产版本可结合代理信任历史、用户偏好、风险评分或商户规则来自动调整限额。

• 仅测试模式支付：项目仅利用 Razorpay 测试订单，不包含完整的真实支付捕获流程。

• Dashboard 认证：当前 Flask Dashboard 仅用于演示；生产环境必须加入认证和授权。

• 人工审批的进一步衔接：当前以记录审批事件为简略替代；生产实现应将人工审批已关联到后续的支付/订单执行步骤。

• 原型安全性：生产环境需要更强的校验与认证，安全的会话管理，并防范恶意或被盗用的多类代理。

未来方向

可能的改进方向包括：

• 代理身份认证与统一管理

• 用户级消费限额

• 动态风险评分

• 代理信任 / 信誉评分

• 自适应策略阈值

• 支付状态 Webhook

• 完整支付捕获流程

• 更安全的 Dashboard 认证

• 欺诈识别

• 高级分析

• 更全面的自动化测试

🏆 一句话说明

SafeCart-AI 是一个策略受控的 MCP 商务网关，让 AI 代理代表用户购物，同时强制执行可解释的消费限额、高风险购买的人工审批，以及全量审计追踪。

核心原则

AI Agent
   ↓
Request Purchase
   ↓
Policy Engine
   ↓
┌──────────────┬─────────────────┬──────────────┐
│              │                 │
Approved    Human Review       Rejected
│              │                 │
↓              ↓                 ↓
Razorpay    Dashboard         No Payment
Test Order  Approval
│              │
└──────────────┴─────────────────┐
                                 ↓
                           Audit Trail

人工智能只负责发起请求，策略负责决策，人类掌控风险；支付流程仅在完成授权后执行。