Aller au contenu
English

L'autonomie et les approbations sous forme de politiques

  • Leçon 15
  • 40 min
  • Module 5 : Gouverner les outils et les actions

Où nous en sommes

Dans la dernière leçon, nous avons placé les serveurs MCP derrière une passerelle d'outils. Elle sait quels outils chaque agent peut appeler. Mais elle a refusé un remboursement avec approval_required, et rien ne précise encore qui peut approuver. L'application fait toujours confiance au rôle qu'une personne saisit. Dans cette leçon, nous écrivons les règles de remboursement de Grace dans un fichier de politiques. Du code les applique hors du modèle et de l'application, et nous les testons comme du code. Nous commençons par les règles de dépenses d'une entreprise.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité

Ce que vous saurez faire

Décidez hors du modèle et de l’application quelles actions demandent l’approbation d’une personne, et laquelle. Les règles se trouvent dans un seul fichier de politiques. Le plan de contrôle signe une approbation seulement si le rôle de la personne le permet. La passerelle d’outils refuse une écriture sans cette approbation, et la politique a ses propres tests.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 40 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

  • Le projet dans son état à la fin de la dernière leçon (181 tests réussis), avec le parc en marche : python -m estate up.
  • Un terminal.

Testé sur macOS (Apple silicon) avec Python 3.12.13. Les commandes Windows et Linux sont écrites, mais n’ont pas été exécutées.

Le guide d’une entreprise dit : un chef d’équipe approuve les dépenses jusqu’à 500 dollars, et le directeur approuve celles au-dessus. Mais le guide ne paie personne. Le système de dépenses s’en charge. Il lit le montant, trouve la règle et demande la bonne signature.

Deux détails rendent le système fiable. D’abord, il prend le rôle du signataire dans les dossiers du personnel, pas dans le formulaire. Une employée qui écrit « directrice » sous son nom reste une employée. Ensuite, quand les finances changent une limite, elles essaient d’abord quelques montants : 499, 500 et 501. Le système détecte une règle qui envoie 501 dollars à la mauvaise personne avant tout transfert d’argent.

Le problème : l’application fait confiance au rôle saisi

Section intitulée « Le problème : l’application fait confiance au rôle saisi »

Le cours Agents d’IA et orchestration des flux de travail a construit une étape d’approbation prudente. Le flux de travail propose, et rien ne change avant l’approbation d’une personne. L’application connaît aussi les limites de remboursement : jusqu’à 100 dollars, tout agent de soutien; jusqu’à 500, un chef d’équipe; au-dessus, Grace. Mais regardez où cette vérification se fait. Le billet de soutien T-65273 contient une double facturation de 119 dollars :

Fenêtre de terminal
RESOLVER_PROVIDER=gateway python -m resolver run T-65273 --variant agent_structured --model strong-reasoning
Run T-65273-agent_structured-strong-reasoning-1 | single agent with one JSON step per call (for models without tool calling) | strong-reasoning
Outcome: resolve (rule W7) | 2 model call(s), 1 tool call(s) | 4501 tokens in, 261 out | US$0.01161
…
Actions (nothing has happened yet):
1. request_refund LK-507862 119.00 CAD RFD-DOUBLE payment PAY-507862-2
Who may approve: team lead or above
…

Sam est un agent de soutien. Sam essaie d’approuver avec ce rôle, puis saisit un rôle supérieur :

Fenêtre de terminal
RESOLVER_PROVIDER=gateway python -m resolver approve T-65273-agent_structured-strong-reasoning-1 --as agent
RESOLVER_PROVIDER=gateway python -m resolver approve T-65273-agent_structured-strong-reasoning-1 --as team_lead --name Sam
Not approved: An agent may not approve this: it needs a team lead (refund approval limits).
request_refund LK-507862: done (operation b029a4020ded5cae, 1 call(s))
Status: done

L’application a vérifié le rôle saisi par Sam, et le remboursement a été effectué. Personne n’a consulté la passerelle d’outils, car le flux de travail exécute encore ses outils dans l’application. python -m sqlite3 state/usage.db "select count(*) from tool_calls where run_id like 'T-65273%'" affiche (0,).

La règle existe donc en double, et aucune copie n’est solide. Dans l’application, elle fait confiance à un rôle saisi. Dans la tête de Grace, personne ne peut la tester. Elle n’a pas sa place dans le modèle non plus. Une requête (prompt) qui dit « demandez à un chef d’équipe au-dessus de 100 dollars » sollicite le modèle. Ce n’est pas un contrôle.

L’idée : des règles sous forme de données, appliquées hors du modèle

Section intitulée « L’idée : des règles sous forme de données, appliquées hors du modèle »

Écrivez les règles une seule fois, sous forme de données qu’un programme lit. C’est la politique sous forme de code : un fichier révisé, versionné et testé comme du code. Du code hors du modèle et de l’application l’applique. La politique de Larkfield est config/policy/approvals.yaml. Grace en est responsable, et Kwame la révise :

version: 1
roles: [support_agent, team_lead, support_lead] # from the lowest; a role may approve what the roles below it may
reads: allow # reads need no approval (the registration's tool list still applies)
rules:
- id: refund-up-to-100
match: {tool: orders.request_refund, amount_at_most: 100}
approve_by: support_agent
- id: refund-up-to-500
match: {tool: orders.request_refund, amount_at_most: 500}
approve_by: team_lead
- id: refund-over-500
match: {tool: orders.request_refund}
approve_by: support_lead
- id: labels-and-reships
match: {tool: [orders.create_return_label, orders.reship_item]}
approve_by: support_agent
- id: ticket-notes
match: {tool: orders.add_ticket_note}
approve_by: none # a note changes nothing for the customer
- id: refund-proposals
match: {tool: support.propose_refund}
approve_by: none # the MCP server only records a proposal; a person approves it there
default: deny # a write that no rule names is refused

Le programme lit les règles depuis le haut, et la première règle correspondante décide. C’est pourquoi refund-over-500 n’a pas besoin de montant : tout remboursement qui l’atteint dépasse 500. default: deny (refuser par défaut) comble les lacunes. Le système refuse un nouvel outil d’écriture sans règle, au lieu de l’autoriser.

Deux programmes lisent ce fichier. Le plan de contrôle le vérifie avant de signer une approbation. Il prend le rôle de la personne dans config/people.yaml, jamais dans la requête : Sam est support_agent (agent de soutien), Camille team_lead (chef d’équipe), Grace support_lead (responsable du soutien), et Omar n’approuve rien. La passerelle d’outils le vérifie de nouveau à son étape 7, avant chaque écriture.

Chaque enregistrement a un champ autonomy (autonomie). suggests (suggère) signifie que l’agent prépare seulement des brouillons, comme l’assistant du service de soutien. acts-with-approval (agit avec approbation) signifie qu’une personne approuve chaque écriture, comme pour le flux de travail. acts (agit) signifie qu’il peut écrire seul, et le registre refuse acts pour un agent à risque élevé. Dans ce projet, la passerelle ne lit pas elle-même le champ. La liste d’outils et la politique le mettent en pratique. Un agent suggests n’a aucun outil d’écriture, et les écritures d’un agent acts-with-approval respectent la politique.

Exemple détaillé : trois remboursements, trois personnes qui approuvent

Section intitulée « Exemple détaillé : trois remboursements, trois personnes qui approuvent »

python -m estate policy explain interroge la politique sur une action et une personne :

Fenêtre de terminal
python -m estate policy explain --tool orders.request_refund --arguments '{"amount": 9.95}' --approver usr-sam
python -m estate policy explain --tool orders.request_refund --arguments '{"amount": 100.01}' --approver usr-sam
python -m estate policy explain --tool orders.request_refund --arguments '{"amount": 650}' --approver usr-camille
orders.request_refund: needs approval by support_agent or above (rule refund-up-to-100)
Sam (support agent) may approve it (rule refund-up-to-100)
orders.request_refund: needs approval by team_lead or above (rule refund-up-to-500)
Sam may not approve this: it needs a team lead or above (rule refund-up-to-500)
orders.request_refund: needs approval by support_lead or above (rule refund-over-500)
Camille may not approve this: it needs a support lead or above (rule refund-over-500)

Suivez le montant de 100,01 dollars : la règle 1 demande « au plus 100? », et la réponse est non. La règle 2 demande « au plus 500? », et la réponse est oui. La règle 2 décide donc : un chef d’équipe ou un rôle supérieur. Sam est agent de soutien, un rang trop bas. Un cent au-dessus de la limite change la personne autorisée à approuver. La limite elle-même a donc besoin d’un test. Deux autres actions :

Fenêtre de terminal
python -m estate policy explain --tool orders.add_ticket_note --arguments '{"note": "Resolved"}'
python -m estate policy explain --tool orders.cancel_order --arguments '{"order_id": "LK-640436"}'
orders.add_ticket_note: no approval needed (rule ticket-notes)
orders.cancel_order: refused (rule default)
Un parcours pour une écriture : orders.request_refund, montant 119,00. Règle refund-up-to-100, montant d'au plus 100? Non. Règle refund-up-to-500, montant d'au plus 500? Oui : chef d'équipe ou rôle supérieur. Puis le rôle de la personne qui approuve dans config/people.yaml : usr-camille, chef d'équipe : autorisation signée. usr-sam, agent de soutien : refus, il faut un chef d'équipe ou un rôle supérieur. Si le montant était d'au plus 100, un agent de soutien ou un rôle supérieur; au-dessus de 500, règle refund-over-500 : responsable du soutien.
La première règle correspondante décide du rôle; le rôle de la personne vient des dossiers du personnel, pas de la requête.
Description textuelle du diagramme

Un remboursement de 119 dollars commence en haut. La règle refund-up-to-100 demande si le montant est d’au plus 100 : non. La règle refund-up-to-500 demande s’il est d’au plus 500 : oui. Un chef d’équipe ou un rôle supérieur doit donc approuver. Le plan de contrôle cherche ensuite le rôle de cette personne dans config/people.yaml. Camille est chef d’équipe, donc il signe l’autorisation. Sam est agent de soutien, donc il refuse l’approbation. Un montant de 100 ou moins s’arrêterait à la première règle. Un montant supérieur à 500 atteindrait refund-over-500, qui exige un responsable du soutien.

Les écritures du flux de travail passent par la politique

Section intitulée « Les écritures du flux de travail passent par la politique »

Placez maintenant les outils du flux de travail derrière la passerelle d’outils. Chaque lecture et chaque écriture approuvée passe ainsi par elle. Un paramètre suffit : RESOLVER_TOOLS=gateway, à côté de RESOLVER_PROVIDER=gateway du module 4.

  1. Copiez les fichiers de la leçon : la commande estate policy, les outils distants du flux de travail et deux fichiers de tests.

    Fenêtre de terminal
    S=../nextia-learning-labs/C32/snapshots/end-of-m05
    cp $S/estate/cli/policy.py estate/cli/
    cp $S/resolver/platform.py $S/resolver/tools.py $S/resolver/__main__.py resolver/
    cp $S/tests/test_policy.py $S/tests/test_services.py tests/
  2. Exécutez les tests : python -m pytest -q indique 186 passed, 1 deselected (186 réussis, 1 exclu).

  3. Réinitialisez la base de données d’exercice, car le remboursement de la section précédente a changé les paiements de la commande : python -m resolver reset.

  4. Définissez les deux paramètres pour ce terminal. Sur macOS et Linux : export RESOLVER_PROVIDER=gateway RESOLVER_TOOLS=gateway. Dans PowerShell : $env:RESOLVER_PROVIDER = "gateway", puis $env:RESOLVER_TOOLS = "gateway".

  5. Exécutez de nouveau le billet T-90103 : python -m resolver run T-90103 --variant agent_structured --model strong-reasoning. Il propose la même réexpédition et la même étiquette que dans la dernière leçon. Notez l’identifiant d’exécution sur sa dernière ligne : -3 dans l’exécution du cours.

  6. Approuvez comme avant : python -m resolver approve T-90103-agent_structured-strong-reasoning-3 --as agent. La réponse est Through the tool gateway, name the person who approves: --approver usr-camille (for example). (Avec la passerelle d’outils, nommez la personne qui approuve : –approver usr-camille, par exemple.)

Avec la passerelle d’outils, l’application doit nommer la personne pour que la plateforme puisse la vérifier. Essayez trois personnes : Omar, le flux de travail lui-même et Sam.

Fenêtre de terminal
python -m resolver approve T-90103-agent_structured-strong-reasoning-3 --as agent --approver usr-omar
python -m resolver approve T-90103-agent_structured-strong-reasoning-3 --as agent --approver support-workflow
python -m resolver approve T-90103-agent_structured-strong-reasoning-3 --as agent --approver usr-sam
Not approved by the platform: Omar may not approve this: it needs a support agent or above (rule labels-and-reships)
Not approved by the platform: An agent cannot approve its own actions.
Approval grant from the platform for usr-sam (rules: labels-and-reships, labels-and-reships).
reship_item LK-640436: done (operation 221dccf204b80a63, 1 call(s))
create_return_label LK-640436: done (operation 0f8c2e98df53719d, 1 call(s))
Status: done

Omar est gestionnaire de produit, sans rôle dans la politique. Un agent ne peut jamais approuver ses propres actions, peu importe la politique. Sam a reçu une autorisation d’approbation : un court jeton signé, valide pendant 15 minutes. Il nomme l’agent, la personne, son rôle et une empreinte de chaque action approuvée. L’empreinte couvre l’outil et ses arguments exacts. Une autorisation pour un remboursement de 45,95 dollars ne couvre pas 459,50 : le test test_a_write_needs_a_grant_for_exactly_that_action le vérifie. La passerelle d’outils a vérifié l’autorisation avant chacune des deux écritures.

Dans ce parc d’exercice, l’application nomme la personne avec --approver. C’est un raccourci. Un vrai service d’approbation authentifie d’abord la personne, comme dans le cours Authentification, autorisations et applications multilocataires. Il prend le nom dans cette connexion.

Une séquence entre cinq parties : une personne, Camille; le flux de travail; les approbations du plan de contrôle; la passerelle d'outils; et orders-mcp. Le flux de travail montre à Camille une proposition : request_refund LK-507862, 119,00. Camille approuve, comme usr-camille. Le flux de travail envoie POST /v1/approvals au plan de contrôle, avec la personne qui approuve, les actions exactes et le jeton de l'agent. Le plan de contrôle vérifie la politique (règle refund-up-to-500, chef d'équipe ou rôle supérieur), le rôle de Camille dans config/people.yaml (chef d'équipe), et que la personne qui approuve n'est pas l'agent. Il renvoie une autorisation d'approbation, un approval+jwt valide pendant 15 minutes, avec l'agent, la personne, le rôle et une empreinte de chaque action. Le flux de travail envoie l'appel d'outil request_refund avec les mêmes arguments et l'autorisation. La passerelle d'outils exécute les vérifications 1 à 6, puis la 7 : signature, temps, agent, rôle et empreinte de ces arguments dans l'autorisation. Elle appelle request_refund sur orders-mcp par MCP, avec le client dans _meta. Le serveur répond done (terminé). La passerelle d'outils répond 200 et écrit une ligne dans tool_calls avec usr-camille comme personne ayant approuvé.
Deux vérifications d'une même politique : le plan de contrôle avant de signer, la passerelle d'outils avant l'écriture. L'application fait encore sa propre vérification en premier.
Description textuelle du diagramme

Le flux de travail montre la proposition à Camille, et elle approuve. Il demande une autorisation au plan de contrôle, en nommant Camille et les actions exactes. Le plan de contrôle trouve la règle et prend le rôle de Camille dans les dossiers du personnel. Il vérifie qu’elle n’est pas l’agent et signe une autorisation valide pendant 15 minutes. Le flux de travail envoie le remboursement à la passerelle d’outils avec l’autorisation. La passerelle vérifie la signature, le temps, l’agent et le rôle de l’autorisation. Elle vérifie aussi que l’empreinte correspond à ces arguments exacts. Puis elle appelle le serveur de commandes et enregistre l’appel avec Camille comme personne ayant approuvé.

119 dollars : la vérification de l’application et celle de la plateforme

Section intitulée « 119 dollars : la vérification de l’application et celle de la plateforme »

Rejouez maintenant le problème de cette leçon en passant par la plateforme :

Fenêtre de terminal
python -m resolver run T-65273 --variant agent_structured --model strong-reasoning
python -m resolver approve T-65273-agent_structured-strong-reasoning-2 --as agent --approver usr-sam
python -m resolver approve T-65273-agent_structured-strong-reasoning-2 --as team_lead --approver usr-sam
python -m resolver approve T-65273-agent_structured-strong-reasoning-2 --as team_lead --approver usr-camille
Not approved: An agent may not approve this: it needs a team lead (refund approval limits).
Not approved by the platform: Sam may not approve this: it needs a team lead or above (rule refund-up-to-500)
Approval grant from the platform for usr-camille (rules: refund-up-to-500).
request_refund LK-507862: done (operation b029a4020ded5cae, 1 call(s))
Status: done

Le premier refus vient de la vérification de l’application. Le deuxième vient de la plateforme : Sam a saisi team_lead, et l’application l’a cru. Mais la plateforme a lu le rôle de Sam dans les dossiers du personnel. L’approbation de Camille a passé les deux vérifications. La piste d’audit et les enregistrements de la passerelle conservent chaque étape :

Fenêtre de terminal
python -m estate events support-workflow
python -m sqlite3 state/usage.db "select tool, kind, outcome, approver, rule from tool_calls where agent_id = 'support-workflow' order by id"

Les quatre derniers événements (chaque ligne commence par son heure, omise ici : …), et les six dernières lignes :

… support-workflow approval_refused usr-omar {"tool": "orders.reship_item", "why": "Omar may not approve this: it needs a support agent or above (rule labels-and-reships)"}
… support-workflow approval_granted usr-sam {"actions": 2, "rules": ["labels-and-reships", "labels-and-reships"], "run_id": "T-90103-agent_structured-strong-reasoning-3"}
… support-workflow approval_refused usr-sam {"tool": "orders.request_refund", "why": "Sam may not approve this: it needs a team lead or above (rule refund-up-to-500)"}
… support-workflow approval_granted usr-camille {"actions": 1, "rules": ["refund-up-to-500"], "run_id": "T-65273-agent_structured-strong-reasoning-2"}
('reship_item', 'write', 'ok', 'usr-sam', 'labels-and-reships')
('create_return_label', 'write', 'ok', 'usr-sam', 'labels-and-reships')
('add_ticket_note', 'write', 'ok', None, 'ticket-notes')
('get_payments', 'read', 'ok', None, 'reads')
('request_refund', 'write', 'ok', 'usr-camille', 'refund-up-to-500')
('add_ticket_note', 'write', 'ok', None, 'ticket-notes')

Chaque écriture nomme sa règle, et chaque écriture approuvée nomme sa personne. Les écritures add_ticket_note n’ont besoin de personne : la politique le dit, dans une règle qui donne une raison.

Une politique est du code, donc elle a des tests. config/policy/approvals-tests.yaml contient 12 cas. Chaque cas nomme une action, une personne qui approuve s’il y en a une, et le résultat attendu. Voici le cas à la limite entre les agents et les chefs d’équipe :

- name: 100.01 dollars needs a team lead
action: {tool: orders.request_refund, arguments: {order_id: LK-104233, amount: 100.01, reason_code: RFD-DAMAGE}}
approver: usr-sam
expect: {approved: false, needs: team_lead}

Exécutez-les tous :

Fenêtre de terminal
python -m estate policy test
pass a 9.95 fee refund needs any support agent
orders.request_refund: needs approval by support_agent or above (rule refund-up-to-100)
…
pass 100.01 dollars needs a team lead
orders.request_refund: needs approval by team_lead or above (rule refund-up-to-500); usr-sam: Sam may not approve this: it needs a team lead or above (rule refund-up-to-500)
…
pass reads need no approval
orders.get_order: no approval needed (rule reads)
12 passed, 0 failed

Les cas se trouvent aux limites : exactement 100, puis 100,01. Ils couvrent aussi les personnes : une personne qui a quitté l’entreprise, Omar et Grace au-dessus de 500. Et ils couvrent les lacunes : le système refuse une écriture qu’aucune règle ne nomme. Le moteur de politiques peut aussi vérifier une classe de données (data_class dans match). tests/test_policy.py montre une telle règle. Les règles de Larkfield utilisent seulement les outils et les montants. Les appels d’outils de ce projet ne contiennent pas encore de classe de données.

Le moteur de Larkfield compte environ 120 lignes de Python, écrites pour ce cours afin que vous puissiez tout lire. Des produits font le même travail à plus grande échelle. Open Policy Agent (OPA) évalue des règles dans son propre langage, Rego, pour plusieurs services à la fois. Cedar est un langage de politiques d’autorisations, avec des outils qui vérifient une politique avant son exécution. Choisissez-en un quand plusieurs équipes et services partagent des politiques. L’idée reste la même : un fichier, une décision hors du modèle et des tests.

Erreur courante

Une limite changée sans ses tests

Symptôme : quelqu’un augmente la limite de remboursement des agents de 100 à 200 dollars dans approvals.yaml. Le but est de faire gagner du temps aux chefs d’équipe. Le test de la politique échoue :

FAIL 100.01 dollars needs a team lead
orders.request_refund: needs approval by support_agent or above (rule refund-up-to-100); usr-sam: Sam (support agent) may approve it (rule refund-up-to-100)
11 passed, 1 failed

Mais la configuration se publie quand même, et les passerelles l’adoptent aussitôt :

Published version 3 (every replica).
Told 4 of 4 gateway replicas to refresh now.

Cause : estate config publish vérifie que la politique est bien formée (estate policy check). Il ne vérifie pas qu’elle fait ce que Grace a décidé. Seuls les tests le savent.

Diagnostic : python -m estate policy test nomme le cas qui échoue, et git diff config/policy/approvals.yaml montre le changement.

Rétablissement : remettez la limite, exécutez python -m estate policy test jusqu’à sa réussite, puis publiez de nouveau. Ensuite, ajoutez les tests avant chaque publication, comme pour le code : dans l’intégration continue de l’équipe ou le script de publication. Si Grace veut vraiment une nouvelle limite, elle change la règle et ses cas de test ensemble, dans une modification révisée.

Grace décide que les chefs d’équipe doivent approuver les remboursements jusqu’à 300 dollars, pas 500. Au-dessus de 300, elle approuve elle-même.

  1. Modifiez config/policy/approvals.yaml : passez la deuxième règle à 300 et renommez les deux règles pour que leurs identifiants restent exacts.
  2. Faites une prédiction : lequel des 12 cas de test échoue maintenant? Notez-le.
  3. Exécutez python -m estate policy test et vérifiez votre prédiction.
  4. Corrigez les cas de test dans config/policy/approvals-tests.yaml. Ajoutez un cas de chaque côté de la nouvelle limite, et un pour Grace dans la plage qui a changé.
  5. Exécutez les tests jusqu’à leur réussite. Puis publiez : python -m estate config publish --note "Grace: team leads approve refunds up to 300".
  6. Interrogez la politique sur le remboursement de 119 dollars et Camille.
  7. Remettez les deux fichiers dans leur état initial, exécutez les tests et publiez de nouveau avec --note "the course's approval policy again".
La solution du cours

Le changement de règle :

11,12c11,12
< - id: refund-up-to-500
< match: {tool: orders.request_refund, amount_at_most: 500}
---
> - id: refund-up-to-300
> match: {tool: orders.request_refund, amount_at_most: 300}
14c14
< - id: refund-over-500
---
> - id: refund-over-300

Un cas échoue, et c’est bien celui qui doit échouer :

FAIL Camille may approve 450
orders.request_refund: needs approval by support_lead or above (rule refund-over-300); usr-camille: Camille may not approve this: it needs a support lead or above (rule refund-over-300)
11 passed, 1 failed

Les nouveaux cas, à la place de « Camille peut approuver 450 » :

- name: Camille may approve 300
action: {tool: orders.request_refund, arguments: {order_id: LK-104233, amount: 300.0, reason_code: RFD-DOUBLE}}
approver: usr-camille
expect: {approved: true}
- name: 300.01 needs Grace
action: {tool: orders.request_refund, arguments: {order_id: LK-104233, amount: 300.01, reason_code: RFD-DOUBLE}}
approver: usr-camille
expect: {approved: false, needs: support_lead}
- name: Grace may approve 450
action: {tool: orders.request_refund, arguments: {order_id: LK-104233, amount: 450.0, reason_code: RFD-DOUBLE}}
approver: usr-grace
expect: {approved: true}

Maintenant, 14 passed, 0 failed (14 réussis, 0 échec). Le remboursement de 119 dollars revient toujours à Camille : orders.request_refund: needs approval by team_lead or above (rule refund-up-to-300) (approbation requise par un chef d’équipe ou un rôle supérieur, règle refund-up-to-300), puis Camille (team lead) may approve it (rule refund-up-to-300) (Camille, chef d’équipe, peut l’approuver, règle refund-up-to-300).

Regardez ce qui n’a pas changé : les limites de l’application dans resolver/approval.py indiquent encore 500 pour un chef d’équipe. Pour un remboursement de 450 dollars, l’application demanderait un chef d’équipe, et la plateforme refuserait Camille. C’est sûr, car la copie la plus stricte gagne, mais le message de l’application trompe la personne. Une règle à deux endroits finit par diverger. Gardez la copie de l’application seulement comme indication, et laissez la politique décider.

Utilisez la politique sous forme de code pour toute action qui déplace de l’argent, des biens ou des données. Utilisez-la aussi pour toute règle dont une personne hors de l’équipe d’ingénierie est responsable. Grace peut lire une règle YAML et réviser un changement sans lire de Python. Gardez-la hors de la requête : on peut donner une règle à un modèle, mais il ne peut pas l’appliquer.

Elle ralentit l’écriture. Une personne doit approuver, et une autorisation expire après 15 minutes. Elle ajoute un deuxième emplacement pour la règle tant que les applications gardent leur propre vérification, comme le montre la solution. Et elle exige des tests : chaque changement de règle demande de nouveaux cas à ses limites. Pour les lectures, la politique indique allow (autoriser) et n’ajoute rien; la liste d’outils de l’enregistrement décide toujours.

Vérifiez votre compréhension

Sam a approuvé le remboursement de 119 $ avec --as team_lead. L'application a dit oui et la plateforme a dit non. Pourquoi la réponse de la plateforme l'emporte-t-elle, et d'où vient-elle?

Afficher la réponse

La vérification de la plateforme s’exécute hors de l’application. Le plan de contrôle ne signe pas d’autorisation, et sans autorisation, la passerelle d’outils refuse l’écriture. L’application a cru le rôle que Sam a saisi. Le plan de contrôle a trouvé la règle dans config/policy/approvals.yaml : refund-up-to-500, un chef d’équipe ou un rôle supérieur. Il a pris le rôle de Sam dans config/people.yaml : agent de soutien. Une personne ne peut pas s’attribuer un rôle supérieur en le saisissant. Et l’application ne peut pas contourner la passerelle, car celle-ci est le seul chemin vers le serveur de commandes.

Vérifiez votre compréhension

Prédisez : quelqu'un déplace la règle refund-over-500 au début de la liste des règles. Qui doit maintenant approuver un remboursement de 9,95 $, et quel cas de test vous le dit?

Afficher la réponse

Une responsable du soutien, Grace. La première règle qui correspond décide, et refund-over-500 n’a pas de montant, donc elle correspond à tous les remboursements. Cinq cas échouent : les deux à 9,95 $, et ceux à 100, 100,01 et 450 (7 réussites, 5 échecs). Les règles avec un montant doivent précéder la règle sans montant. Voilà pourquoi les tests vérifient chaque tranche, et pas seulement la validité du fichier : estate policy check dirait encore « The policy is valid. » (la politique est valide).

Vérifiez votre compréhension

Exercice pratique : ajoutez un cas de test qui prouve que Camille ne peut pas approuver un remboursement de 650 $. Ajoutez-en un autre qui prouve qu'une réexpédition exige un agent de soutien. Exécutez python -m estate policy test. Que disent vos deux lignes de résultats?

Afficher la réponse

Le premier cas : action orders.request_refund avec amount 650.0, approver usr-camille, expect approved : false et needs : support_lead. Sa ligne se termine par « Camille may not approve this : it needs a support lead or above (rule refund-over-500) » (Camille ne peut pas approuver cette action : elle exige un responsable du soutien ou un rôle supérieur, selon la règle refund-over-500). Le deuxième : action orders.reship_item avec les arguments order_id, sku et quantity, sans approbateur, expect needs : support_agent. Sa ligne est « orders.reship_item : needs approval by support_agent or above (rule labels-and-reships) » (orders.reship_item exige l’approbation d’un agent de soutien ou d’un rôle supérieur, selon la règle labels-and-reships). Le résumé indique 14 réussites, 0 échec.

Récapitulatif

  • Les règles d’approbation se trouvent dans un seul fichier, config/policy/approvals.yaml. La première règle qui correspond décide, et toute écriture qu’aucune règle ne nomme est refusée.
  • Le plan de contrôle signe une autorisation seulement si le rôle de la personne, tiré des dossiers du personnel, permet l’action. La passerelle d’outils vérifie l’autorisation, pour ces arguments exacts, avant chaque écriture.
  • Le team_lead (chef d’équipe) saisi par Sam a été accepté par l’application et refusé par la plateforme. L’approbation de Camille a été acceptée par les deux.
  • La politique a ses propres tests à ses limites : 100 et 100,01. La publication vérifie la forme, pas le sens. Exécutez donc les tests avant chaque publication.

Votre projet maintenant : estate policy, les outils du flux de travail passant par la passerelle d’outils, et 186 tests réussis. Chaque écriture exige maintenant l’approbation de la bonne personne. Mais les approbations bloquent une mauvaise action à la fois. Quand un problème survient à grande échelle, vous devez arrêter tout un type d’action d’un coup, au bon endroit. Ensuite, vous utiliserez les arrêts d’urgence, des écritures d’un seul outil jusqu’à l’ensemble du parc.

Leçon suivante : Arrêts d'urgence et confinement