オープンバンキング：MongoDB を使用した安全なデータ共有

ソリューション概要

このソリューションはオープンバンキングのエコシステムを提示し、MongoDB Atlas とエージェント型 AI を使用して機関間で金融データを安全に共有する方法を実証します。

LangGraph でエージェント型 AI フレームワークを実装し、同意承認を合理化してカスタマーに統合されたマルチバンクの財務ビューを提供する方法をご覧ください。MongoDB Atlas は、これらのオープンバンキングアーキテクチャを支える BIAN 標準のデータレイヤーとして機能します。

参照アーキテクチャ

図 1. オープンバンキングの参照アーキテクチャ

クリックして拡大します

図が示すように、プロセスは、カスタマーがLeafy MongoDB （架空の金融機関）にログインすると開始されます。カスタマーは、外部データ（Third-Party Provider（TPP）データやその他の金融機関データ（このデモではMongoDB Advisor、MongoDB Advisor、neoFinance、Green MongoDB ）の外部データにアクセスするための同意を付与または拒否します。

マルチエージェント ワークフローはカスタマーリクエストを受け取り、次のタスクを実行します。

• スーパーバイザーエージェント: やり取りを読み取り、各リクエストを適切なスペシャリストにルーティングします。

• 同意エージェント: 外部行との安全なデータ共有同意を通じてカスタマーをガイドします。組織の選択、同意書の作成、金融機関のログイン、明示的なカスタマーの承認、取り消しを処理します。

• 金融アドバイスエージェント：MCP サーバーを通じて直接 MongoDB にクエリを実行し、カスタマーの口座、取引、製品に関する単発の質問に答え、内外の銀行全体の支出を分析します。

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)

データモデルアプローチ

このデモでは、2 つのMongoDB Atlasデータベースを使用します。

• leafy_bank_bian：このデータベースには、デモの実行基盤となる、カスタマー（PartyReferenceDataDirectory）、アカウント（CurrentAccount）、トランザクション、製品などの共有された BIAN 標準の運用モデルが含まれています。このデータベースは、Queryable-Encrypted のopenbankingConsentsコレクションの同意レコードと、承認された同意に基づいて取得された外部データを保存するcachedExternalDataコレクションも保持します。

• open_finance：このデータベースには、外部機関のソースデータ—external_accountsと提携機関のexternal_productsに加えて機関登録簿が含まれています。

Leafy Bank は leafy_bank_bian データを所有し、書き込み (write) を行います。外部データは同意を得て借用され、所有されません。データは承認された同意に基づいて open_finance から読み取られ、付与された ConsentId でタグを付けた状態で cachedExternalData にキャッシュされ、同意が取り消されるか期限切れになると消去されます。これが機関自身の口座やトランザクションのレコードに統合されることはありません。

以下は、 コレクション内のドキュメントの例です。

• accounts (leafy_bank_bianから)：

  {
    "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 (leafy_bank_bian から)、機密フィールドに Queryable Encryption を適用した同意レコード：

  {
    "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" }
    ]
  }

外部トランザクションは Leafy Bank 自体のトランザクションと同じ BIAN 標準スキーマを使用します。口座名義人は送信トランザクションでは支払人、受信トランザクションでは受取人として表示されるため、さまざまな機関からのデータがコンシステントな形式になります。

次のセクションでは GitHub リポジトリにアクセスして、ソリューション内のすべてのコレクションからサンプルデータを調べます。

ソリューションのビルド

このソリューションをビルドするには、オープンバンキングバックエンド、エージェント型チャットボット バックエンド、統合 UI という、連携するサービスを実装します。

完全な実装については、対応する GitHub リポジトリの手順に従ってください。

パート 1：オープンバンキングのバックエンド（GitHub リポジトリ）

一部の 2: エージェント チャットボットバックエンド (GitHubリポジトリ)

パート 3：統合 UI（GitHubリポジトリ）

段階的な設定コマンド、環境変数、APIの詳細については、前述の各リポジトリの README ファイルの指示に従います。

キーポイント

• MongoDB Atlas のオープンバンキングデータを統合：MongoDB Atlas の内部データセットと外部データセットを運用データ層として統合し、統合の複雑さと重複を削減します。

• 集計パイプラインで分析を簡素化：MongoDB の集計パイプラインを使用して、単一のクエリパスで内部アカウントと外部アカウント全体の残高、負債合計、支出スコアを計算します。

• MongoDB Queryable Encryption で機密の同意データを保護：Queryable Encryption を同意属性に適用して、機密フィールドのクエリを実行するとともに、規制されたオープンバンキングのワークロードに対して強力なプライバシー制御を維持します。

• エージェント的なAIによる同意プロセスの効率化 : LingGraph ベースのマルチエージェント チャットボットを統合して、同意の範囲、期間、目的を 自然言語で説明することで、マルチバック フロー全体での放棄を減らし、カスタマーエクスペリエンスを向上させます。

• BIAN 標準モデルでデータを標準化：すべての機関からのデータがコンシステントな形式になるように、内部アカウントと外部のアカウント、トランザクション、同意を BIAN サービスドメイン標準でモデル化します。

作成者

• Saul Calderon

• Kiran Tulsulkar

• Ainhoa Múgica

• Andrea Alaman Calderon

詳細

• エージェント型 AI を活用した決済オーケストレーション
• MongoDB Atlas を活用した金融犯罪対策