Облачная платформаEvolution

Создание AI-агента для расчета процентов по кредиту или вкладу

Эта статья полезна?

С помощью этого руководства вы создадите AI-агента, который использует MCP-сервер для расчета процентов по кредитам и вкладам. Вы подготовите Docker-образ с MCP-сервером, загрузите его в Artifact Registry и развернете с помощью AI Agents.

Вы будете использовать следующие инструменты:

Artifact Registry для хранения, совместного использования и управления Docker-образами, Deb-пакетами, RPM-пакетами, Helm-чартами и файлами любого типа (generic).
AI Agents для разработки, развертывания и эксплуатации автономных AI-агентов в единой среде.
FastMCP — фреймворк на Python для упрощения создания серверов и клиентов по протоколу MCP.
Postman — инструмент для проектирования, тестирования, документирования и разработки API.
Docker Desktop — инструмент для сборки и запуска Docker-контейнеров.
Python — высокоуровневый язык программирования, который широко применяется для разработки в сфере машинного обучения.

Примечание

Для успешного выполнения сценария используйте следующие версии:

Python 3.12 и выше;

FastMCP 2.12.0 и выше.

Шаги:

Перед началом работы

Зарегистрируйтесь в личном кабинете Cloud.ru.

Если вы уже зарегистрированы, войдите под своей учетной записью.

1. Подготовьте среду

Подготовьте среду, если не сделали этого ранее.

При создании реестра задайте имя mcp-finance-repo.
Убедитесь, что у вас есть доступ к AI Agents, Foundation Models, ML Inference.
Убедитесь, что баланс в личном кабинете положительный. Если он нулевой или отрицательный — пополните баланс. Подробнее о стоимости сервиса AI Agents — в тарифах.

2. Разработайте MCP-сервер для расчета процентов по кредитам и вкладам

MCP-сервер — это компонент, предоставляющий набор инструментов (tools), к которым может обращаться LLM-модель или AI-агент. Каждый инструмент — это функция Python, зарегистрированная во фреймворке

С помощью фреймворка FastMCP выполняется:

запуск сервера на основе протокола Streamable HTTP;
преобразование функций в LLM-инструменты через Python-декораторов;
абстрагирование протокола MCP: сериализация, валидация, обработка ошибок;
интеграция LLM-моделей с API, данными и корпоративными системами;
автоматическая генерация спецификаций для клиента.

Базовая структура MCP-сервера

MCP-сервер обычно состоит из следующих компонентов:

основной файл (main.py), где создается экземпляр FastMCP, подключаются инструменты и запускается сервер;
описания инструментов через декоратор @mcp.tool;
инструменты (tools), реализующие бизнес-логику. Например, для этого практического руководства — расчеты, валидации.

Функциональность MCP-сервера

MCP-сервер, создаваемый в этом практическом руководстве, предоставляет пять инструментов для финансовых расчетов:

Аннуитетный кредит (loan_schedule_annuity) — расчет фиксированного ежемесячного платежа и помесячного графика.
Дифференцированный кредит (loan_schedule_differential) — расчет платежей с постоянной частью тела и уменьшающимися процентами.
Вклад с капитализацией (deposit_schedule_compound) — расчет графика вклада с ежемесячной капитализацией и взносами.
Сравнение кредитов (compare_loan_schedules) — cравнение аннуитетного и дифференцированного кредитов с одинаковыми параметрами.
Калькулятор инвестиций (investment_calculator) — расчет роста инвестиций с регулярными взносами и капитализацией процентов.

Пример написанного MCP-сервера с этими инструментами можно посмотреть в публичном репозитории с практическими руководствами по AI Agents.

Описание инструментов

Чтобы разработать MCP-сервер:

Создайте MCP-сервер:

from mcp_instance import mcp

if __name__ == "__main__":
    mcp.run(
        transport="streamable-http",  # transport (streamable-http или sse)
        host="0.0.0.0",               # IP-address
        port=os.getenv("PORT", 8000)  # port, by default 8000
    )

Зарегистрируйте инструменты, выполнив для каждого следующую команду:
```
@mcp.tool
async def loan_schedule_annuity(principal: float, annual_rate_percent: float, months: int, ctx: Context = None) -> dict:
    # complete description of the tool
    if ctx:
        await ctx.info("Начинаем расчет...")
        await ctx.report_progress(progress=0, total=100)
    # validations and calculations
    if ctx:
        await ctx.report_progress(progress=100, total=100)
    return {"summary": {...}, "schedule": [...]}
```
FastMCP автоматически выполняет следующие действия:
- создает описание инструмента (имя, аргументы, возвращаемый тип) из аннотаций и docstring;
- добавляет описание в спецификацию MCP-сервера;
- обрабатывает вызовы с аргументами.
Установите зависимости:
```
uv sync
```
Создайте файл .env с переменными окружения на основе env.example:
```
cp .env.example .env
```
Используйте основные переменные, поддерживаемые AI Agents.

Также используйте пользовательские переменные:
- MAX_PRINCIPAL — максимальная сумма кредита/вклада. По умолчанию — 1 миллиард.
- MAX_CONTRIBUTION — максимальный ежемесячный взнос. По умолчанию — 100 миллионов.
- MAX_MONTHS — максимальный срок в месяцах. По умолчанию — 600.
- MAX_RATE — максимальная процентная ставка. По умолчанию — 200%.
- MAX_BALANCE_CAP — максимальный баланс для защиты от переполнения. По умолчанию — 1 триллион.
Запустите MCP-сервер:
uv run python src/server.py
После запуска MCP-сервер принимает входящие запросы по адресу http://localhost:8000/mcp и выполняет зарегистрированные инструменты.
Проверьте работу MCP-сервера с помощью Postman:
1. Укажите в параметрах подключения:
  - протокол — HTTP;
  - адрес — http://localhost:8000/mcp.
  В области Tools отобразятся зарегистрированные инструменты MCP-сервера.
2. Выберите loan_schedule_annuity.
3. В поле запроса введите:
```
{
  "method": "tools/call",
  "params": {
    "name": "loan_schedule_annuity",
    "arguments": {
      "principal": 1,
      "annual_rate_percent": 0,
      "months": 4
    }
  }
}
```
4. Нажмите Run.
  
  Postman вернет ответ в формате JSON с параметрами аннуитетного кредита.

3. Соберите Docker-образ и загрузите его в репозиторий

Внимание

Убедитесь, что Docker Desktop запущен и пользователь авторизован в приложении.

Используйте реестр, созданный на этапе подготовки среды.

Соберите образ:

docker buildx build --platform linux/amd64 -t mcp-finance .

Присвойте образу тег:

docker tag mcp-finance:latest mcp-finance-repo.cr.cloud.ru/mcp-finance:v1.0.0

Загрузите образ в реестр Artifact Registry:
```
docker push <registry_name>.cr.cloud.ru/mcp-finance:v1.0.0
```
Где:
- <registry_name> — название реестра, которое вы указывали при его создании в Artifact Registry. В этом руководстве — mcp-finance-repo.
- mcp-finance — название будущего репозитория в Artifact Registry. Название репозитория соответствует имени Docker-образа.
В личном кабинете перейдите в сервис Artifact Registry и убедитесь, что образ загружен.

4. Создайте MCP-сервер

На верхней панели слева нажмите и выберите AI Factory → AI Agents.
Перейдите на вкладку MCP-серверы.
Нажмите Создать MCP-сервер.
В мастере создания MCP-сервера укажите параметры:
- Название — mcp-finance.
- Источник образа — Artifact Registry.
- URI образа — нажмите Выбрать образ и найдите mcp-finance-repo, созданный на этапе подготовки среды. Внутри реестра перейдите к образу, загруженному на предудыщем этапе.
- Конфигурация — 1 vCPU - 2 GB RAM.
- Порт контейнера — 8080.
Нажмите Продолжить.
В поле Мин. кол-во экземпляров укажите значение 1.
Включите опци Не выключать MCP-сервер.
Выберите тип масштабирования RPS.
Укажите Количество запросов в секунду, равное 200.
Включите Логирование запросов.
Нажмите Создать.

Дождитесь, когда сервер перейдет в статус «Запущен».

5. Создайте AI-агента

В сервисе AI Agents перейдите на вкладку AI-агенты.
Справа сверху нажмите Создать AI-агента.
В поле Название введите agent-credit.
Выберите Простой агент.
В блоке Модель и конфигурация выберите Qwen/Qwen3-235B-A22B-Instruct.
В блоке Ресурсы агента выберите 1 vCPU - 2 GB RAM.
В блоке Системный промт введите промпт:
```
Ты агент по вкладам и кредитам
```
В поле MCP-сервер нажмите Выбрать из MCP Registry и выберите mcp-finance, созданный на предудыщем этапе.
Нажмите Продолжить.
В поле Мин. кол-во экземпляров укажите значение 1.
Включите опцию Не выключать AI-агента.
Выберите тип масштабирования RPS.
Укажите Количество запросов в секунду, равное 200.
Включите Логирование запросов.
Нажмите Создать.

Дождитесь, когда AI-агент перейдет в статус «Запущен».

6. Проверьте работу AI-агента

В списке AI-агентов выберите «agent-credit».
Перейдите на вкладку Чат.
Отправьте AI-агенту запрос:
```
Привет, что ты можешь?
```
В результате AI-агент должен вернуть вам ответ:
Отправьте AI-агенту запрос:
```
Рассчитай кредит на 20 млн на 30 лет под 15%
```
В результате AI-агент должен вернуть вам ответ:

Отправьте AI-агенту запрос:

Что будет, если я буду откладывать по 250к каждый месяц на протяжении 5 лет под 15 процентов?

В результате AI-агент должен вернуть вам ответ:

Вы можете получать расчеты сложных процентов по вкладам и кредитам, обращаясь к MCP-серверу.

Результат

Вы научились:

разрабатывать MCP-сервер на основе Python и FastMCP;
тестировать работу MCP-сервера локально;
создавать реестр Artifact Registry;
загружать Docker-образ в реестр;
создавать MCP-сервер в AI Agents;
создавать AI-агента в AI Agents.

Узнавайте больше о прикладных сценариях и примерах решения бизнес-задач, выполняя практические руководства.

Поддержка Юридические документы