一个 AI 代理，负责决定是否派遣现场技术人员——并且拒绝基于它无法信任的数据采取行动。
基于 Salesforce Data Cloud 的 Agentforce 代理，调用自定义的 MCP 服务器，用于数据质量验证（Great Expectations）和异常评分（Databricks），并通过受保护的 Apex 写回操作来创建 WorkOrder。
🎥 2 分钟演示视频 —— 观看代理如何验证、评分、创建工单，然后拒绝损坏的数据批次。
大多数代理演示都会让 LLM 对它拿到的任何数据直接行动。而在现场服务场景中，基于一条损坏的仪表读数去行动，意味着为了一次毫无意义的派工——甚至更糟，漏掉一个正出故障的资产。这个项目在每个代理决策之前加了一道数据信任闸门：
readings ──▶ Ingestion API ──▶ Data Cloud (zero-copy grounding)
│
▼
Agentforce agent
│ 1. check_reading_quality MCP / Great Expectations
│ 2. score_asset_anomaly MCP / Databricks
│ 3. create work order Apex (guarded write-back)
│
▼
Salesforce WorkOrderRelated MCP server: qc-validator-mcp
两个精细挑选的 MCP 工具，而不是一次大量数据倾泻。 代理得到的是判断结果（信任 + 严重性）；原始历史记录通过 Data Cloud 零拷贝（zero-copy）单独供其使用。这远未触及 Agentforce 的工具预算上限。
防护逻辑放在服务端。 即使代理主动请求，Apex action 也会拒绝不信任的数据和常规严重级别请求——代理指令不是安全边界（OWASP LLM07）。
写回操作幂等。 代理会重试；重复的现场派工花费的是真金白银。每个资源只对应一个未完成的 Asset Health WorkOrder，由 Apex 强制保证。
无需任何凭据即可运行。 确定性的 Databricks 模拟器 + GX 临时测试上下文，意味着在全新克隆的环境下无需任何外部服务，pytest 即可全部通过。
Python 3.11 · FastMCP（mcp 1.x） · Great Expectations 1.18 · Databricks （Unity Catalog） · Salesforce Data Cloud（Ingestion API、DMO grounding） · Agentforce · Apex
src/asset_health_mcp/ FastMCP server: tools, GX validation, Databricks client
pipeline/ Ingestion API pipeline → Meter Reading DMO (fallback path)
force-app/ Apex write-back action + tests
databricks/ PySpark scoring job → Unity Catalog Delta table with
UniForm (Iceberg) — zero-copy File Federation ready
snowflake/ readings warehouse DDL + least-privilege key-pair
integration user for Query Federation
datacloud/ ZERO_COPY.md — federation-mode decisions and setup
docs/ AGENT_BUILD.md (Agentforce wiring), demo script
tests/ smoke suite, green with zero external services所有零拷贝设计都落实为一句话： 读数保留在 Snowflake（Query Federation，将 JDBC 下推到隔离的 XS 数据仓库），评分保留在 Databricks（使用 UniForm/Iceberg 的文件联合，零外部计算）——模式按成本、按数据表来选择， 而不是按默认配置。详见：datacloud/ZERO_COPY.md。
pip install -e ".[dev]" && pytest # zero-credential smoke suite
python -m asset_health_mcp.server # stdio, for Claude Desktop
MCP_TRANSPORT=streamable-http \
python -m asset_health_mcp.server # HTTP, for Agentforce registry
sf project deploy start # Apex action + tests完整的构建手册：docs/SETUP.md（step-by-step，围绕抵御 license 约束的顺序编排）· 代理对接： docs/AGENT_BUILD.md · 哪些版本运行在哪个版本上、哪些 内容有文档但没有演示： docs/ENVIRONMENTS.md。
Demo 级别认证（PAT，而非 OAuth service principal）、预计算评分（而非 实时模型服务）、单 org（single-org）。这个局限是刻意留下的——这个项目 关注的是方案架构 而不是生产环境加固。
作者：Yamyle —— Salesforce 高级架构师 & 数据/AI 工程师。 20+ Salesforce 认证 · 曾为公用事业和金融服务领域构建集成框架。
This server cannot be deployed
Paid deterministic data-quality and execution-verification tools for AI agents.
Verified AI-agent outcomes: secret scanning, JSON cleanup, dedupe, anomaly and schema checks.
Preflight QA for AI-agent deliverables with structured verdicts and repair guidance.
Deterministic validation for AI-generated artifacts: JSON Schema, OpenAPI response, SQL syntax.
