Banca abierta: uso compartido seguro de datos con MongoDB

Descripción general de la solución

Esta solución presenta un ecosistema de banca abierta y demuestra cómo compartir datos financieros de forma segura entre instituciones mediante el uso de MongoDB Atlas y la IA agéntica.

Aprende a implementar un framework de IA agéntico con LangGraph para agilizar la aprobación del consentimiento y brindar a los clientes una visión consolidada y multibancaria de sus finanzas. MongoDB Atlas sirve como la capa de datos alineada con BIAN que sustenta estas arquitecturas de banca abierta.

Arquitecturas de Referencia

Figura 1. Arquitectura de referencia de banca abierta.

haga clic para ampliar

Como muestra el diagrama, el proceso comienza cuando el cliente inicia sesión en Leafy Bank (nuestra institución financiera ficticia). El cliente otorga o deniega el consentimiento para acceder a datos externos: datos del proveedor externo (TPP) u otros datos de instituciones financieras (en esta demostración: MongoDB Bank, NeoFinance y Green Bank).

Un flujo de trabajo multiagente recibe la solicitud del cliente y realiza las siguientes tareas:

• Supervisor Agent: Lee la conversación y redirige cada solicitud al especialista correcto.

• Agente de consentimiento: Guía a los clientes a través del consentimiento seguro para compartir datos con bancos externos. Gestiona la selección de instituciones, la creación de consentimientos, el inicio de sesión bancario, la aprobación explícita por parte del cliente y la revocación.

• Agente de consejo financiero: responde preguntas ad hoc sobre las cuentas, las transacciones y los productos del cliente, y analiza los gastos en bancos internos y externos mediante la consulta a MongoDB directamente a través del servidor MCP.

from pymongo import MongoClient
from pymongo.encryption_options import AutoEncryptionOpts
class EncryptedMongoDBConnection(MongoDBConnection):
    """Subclasses the standard connection — services that type-hint
    MongoDBConnection accept it without modification."""
    def __init__(self, uri: str, auto_encryption_opts: AutoEncryptionOpts):
        self.uri = uri
        self.client = MongoClient(self.uri, auto_encryption_opts=auto_encryption_opts)

# Standard query on a plaintext field — works as usual
consent = consents_collection.find_one({"ConsentId": consent_id})
# Equality query on an encrypted field — same syntax, driver encrypts the filter value
consents = list(consents_collection.find({"Consumer.UserName": user_name}))

from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_mcp_adapters.tools import load_mcp_tools
mcp_client = MultiServerMCPClient({
    "mongodb": {
        "command": "npx",
        "args": ["-y", "mongodb-mcp-server@latest"],
        "transport": "stdio",
        "env": {
            **os.environ,
            "MDB_MCP_CONNECTION_STRING": LEAFY_BANK_MONGODB_URI,
            "MDB_MCP_READ_ONLY": "true",
            "MDB_MCP_DISABLED_TOOLS": disabled_tools,
        },
    }
})
# Persistent session keeps MongoDB connection state across tool calls
async with mcp_client.session("mongodb") as session:
    all_mcp_tools = await load_mcp_tools(session)
    # Pre-connect so the agent never handles connection strings
    connect_tool = next((t for t in all_mcp_tools if t.name == "connect"), None)
    if connect_tool:
        await connect_tool.ainvoke({"connectionString": LEAFY_BANK_MONGODB_URI})
    # Only expose read/query tools to the agent
    allowed_tools = {"find", "aggregate", "count", "list-collections", "collection-schema"}
    mcp_tools = [t for t in all_mcp_tools if t.name in allowed_tools]

from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.mongodb import MongoDBSaver
# Each specialist is built from a factory that loads its system prompt
# from a Queryable-Encryption-backed MongoDB collection at startup.
consent_agent = create_consent_agent(prompts["consent_agent"])
financial_advice_agent = create_financial_advice_agent(
    prompts["financial_advice_agent"], mcp_tools
)
supervisor = create_supervisor_node(prompts["supervisor"])
def route_from_supervisor(state: AgentState) -> str:
    # The supervisor writes its routing decision to state["next"]
    return state.get("next", "FINISH")
workflow = StateGraph(AgentState)
workflow.add_node("supervisor", supervisor)
workflow.add_node("consent_agent", consent_agent)
workflow.add_node("financial_advice_agent", financial_advice_agent)
workflow.add_edge(START, "supervisor")
workflow.add_conditional_edges("supervisor", route_from_supervisor, {
    "consent_agent": "consent_agent",
    "financial_advice_agent": "financial_advice_agent",
    "FINISH": END,
})
workflow.add_edge("consent_agent", "supervisor")
workflow.add_edge("financial_advice_agent", "supervisor")
checkpointer = MongoDBSaver(
    client=db.client,
    db_name=DATABASE_NAME,
    checkpoint_collection_name=CHECKPOINTS_AIO_COLLECTION,
    writes_collection_name=CHECKPOINTS_WRITES_AIO_COLLECTION,
)
graph = workflow.compile(checkpointer=checkpointer)

from langgraph.types import interrupt, Command
# Agent pauses, returns review payload to the calling application
review = interrupt({
    "type": "APPROVAL_REQUIRED",
    "details": approval_details,
})
# Application resumes the workflow after the human decision
await agent.ainvoke(Command(resume=decision), config)

Enfoque de modelo de datos

La demostración utiliza dos bases de datos de MongoDB Atlas:

• leafy_bank_bian: esta base de datos contiene el modelo operativo compartido y alineado con BIAN sobre el que se ejecuta la demostración, como clientes (PartyReferenceDataDirectory), cuentas (CurrentAccount), transacciones y productos. Esta base de datos también contiene los registros de consentimiento en la colección openbankingConsents cifrada mediante Queryable Encryption, y la colección cachedExternalData que almacena datos externos obtenidos bajo un consentimiento aprobado.

• open_finance: esta base de datos contiene los datos de origen de las instituciones externas ( external_accounts y external_products de las instituciones asociadas) y un registro de instituciones.

Leafy Bank posee y guarda los datos de leafy_bank_bian. Los datos externos se toman prestados mediante el consentimiento, no se poseen. Los datos se leen de open_finance según el consentimiento aprobado, se guardan en cachedExternalData marcados con el ConsentId de concesión y se purgan cuando el consentimiento se revoca o caduca. Nunca se fusionan con los registros de cuentas y transacciones propios de la institución.

A continuación se presentan ejemplos de documentos en las colecciones:

• accounts (desde leafy_bank_bian):

  {
    "accountId": "ACC-e0583b3b",
    "accountBank": "Leafy Bank",
    "accountNumber": "212100310",
    "currency": "USD",
    "balance": { "current": 315, "available": 315, "ledger": 315, "hold": 0, "overdraftLimit": 0 },
    "customerSnapshot": { "customerId": "CUST-00528224" },
    "gl": { "accountCode": "2121", "costCenter": "CC-RETAIL-DEFAULT" },
    "productId": "PROD-STD-SA-USD",
    "openedAt": "2024-12-07"
  }

• openbankingConsents (de leafy_bank_bian), un registro de consentimiento con Queryable Encryption en los campos confidenciales:

  {
    "ConsentId": "urn:greenbank:Cf5b9ff59e06f77",
    "Status": "AUTHORISED",
    "Consumer": { "UserName": "< encrypted >", "UserId": "< encrypted >" },
    "Permissions": "< encrypted >",
    "Purpose": "FINANCIAL_ADVICE",
    "SourceInstitution": { "InstitutionName": "< encrypted >", "InstitutionId": "679a1001a9711d00a3bb01a1" },
    "CreationDateTime": "2026-02-05T10:55:30Z",
    "ExpirationDateTime": "2026-08-04T10:55:30Z",
    "StatusHistory": [
      { "Status": "AWAITING_AUTHORISATION", "DateTime": "2026-02-05T10:55:30Z" },
      { "Status": "AUTHORISED", "DateTime": "2026-02-05T10:56:06Z" }
    ]
  }

Las transacciones externas utilizan el mismo esquema alineado con BIAN que las propias transacciones de Leafy Bank: el titular de la cuenta aparece como pagador en las transacciones de salida y como beneficiario en las de entrada, de modo que los datos de diferentes instituciones tienen una forma coherente.

Visita los repositorios de GitHub en la siguiente sección para explorar datos de muestra de todas las colecciones de la solución.

Compilar la solución

Para crear esta solución, implementa los siguientes servicios coordinados: el backend de banca abierta, el backend del chatbot agéntico y la interfaz de usuario integrada.

Para la implementación completa, sigue las instrucciones en los repositorios correspondientes de GitHub.

Parte 1: backend de banca abierta (repositorio de GitHub)

Parte 2: Backend de chatbot agente (Repositorio de GitHub)

Parte 3: interfaz de usuario integrada (repositorio de GitHub)

Para comandos de configuración paso a paso, variables de entorno y detalles de API, sigue las instrucciones en el archivo README de cada repositorio mencionado anteriormente.

Lecciones clave

• Unifica los datos de la banca abierta en MongoDB Atlas: unifica los conjuntos de datos internos y externos en MongoDB Atlas como capa de datos operativos para reducir la complejidad y la duplicación de la integración.

• Simplifica los análisis con pipelines de agregación: utiliza los pipelines de agregación de MongoDB para calcular saldos, totales de deuda y puntuaciones de gasto en todas las cuentas internas y externas en una única ruta de query.

• Protege los datos de consentimiento confidenciales con el Queryable Encryption de MongoDB: aplica el Queryable Encryption a los atributos de consentimiento para que puedas realizar queries en campos confidenciales y, al mismo tiempo, mantener controles de privacidad sólidos para cargas de trabajo de banca abierta reguladas.

• Optimizar los recorridos de consentimiento con IA agente: Integra un chatbot de varios agentes basado en LangGraph para explicar el alcance, la duración y el propósito del consentimiento en lenguaje natural, reduciendo el abandono en flujos multibancarios y mejorando la experiencia del cliente.

• Estandariza los datos con un modelo alineado con BIAN: modela las cuentas internas y externas, las transacciones y los consentimientos de acuerdo con el estándar de dominio de servicio de BIAN para que los datos de cada institución se presenten con una forma coherente.

Autores

• Saul Calderon

• Kiran Tulsulkar

• Ainhoa Múgica

• Andrea Alaman Calderon

Obtén más información

• Orquestación de pagos con IA agéntica
• Mitigación de delitos financieros con MongoDB Atlas