mcp-trip-orchestrator

🚀 Einen MCP-gestützten Multi-Agenten-Reiseplaner gebaut

Ich habe mich damit beschäftigt, wie man praktische agentische KI-Systeme entwirft, und deshalb habe ich MCP Trip Orchestrator mit Python, Gemini, LangChain, Tavily MCP und Pydantic gebaut.

Das Projekt setzt 3 zentrale agentische Muster um:

🔹 Supervisor / Orchestrator Koordiniert den Workflow und verwaltet die Budgetzuweisung über Aufgaben hinweg.

🔹 Multi-Agenten-Kollaboration Spezialisierte Worker übernehmen unabhängig voneinander: 🚆 Transport 🏨 Unterkunft 🏰 Erlebnisse & Gastronomie

🔹 Tool-Nutzung + strukturierte Extraktion Agenten nutzen Tavily MCP für die Live-Websuche und Gemini + Pydantic, um unstrukturierte Ergebnisse in strukturierte Buchungsdaten umzuwandeln.

Architektur

User Request
     ↓
Supervisor / Orchestrator
     ├── Transport Agent
     ├── Stay Agent
     └── Experience Agent
             ↓
        Tavily MCP
             ↓
          Gemini
             ↓
    Structured Output
             ↓
       Final Trip Plan

Worauf ich mich konzentriere, ist nicht nur die Verwendung eines LLM, sondern das Verständnis dafür, wie man mit Tools, Spezialisierung, Orchestrierung und strukturierten Ausgaben zuverlässige agentische Workflows um LLMs herum aufbaut.

🛠️ Python | Gemini | LangChain | Tavily MCP | Pydantic

Nächster Schritt: den Orchestrator vollständig adaptiv zu machen, damit er umplanen kann, wenn sich Randbedingungen ändern oder ein Worker ausfällt.

#AgenticAI #AIAgents #MCP #ModelContextProtocol #GenerativeAI #Gemini #LangChain #Python #MultiAgentSystems #AIEngineering #MachineLearning #OpenToWork