Skip to main content
Glama

🚀 Construí un Planificador de Viajes Multiagente Impulsado por MCP

He estado explorando cómo diseñar sistemas prácticos de IA agéntica, así que construí MCP Trip Orchestrator usando Python, Gemini, LangChain, Tavily MCP y Pydantic.

El proyecto implementa 3 patrones agénticos principales:

🔹 Supervisor / Orquestador Coordina el flujo de trabajo y gestiona la asignación de presupuesto entre tareas.

🔹 Colaboración Multiagente Trabajadores especializados manejan de forma independiente: 🚆 Transporte 🏨 Alojamiento 🏰 Experiencias y Restauración

🔹 Uso de Herramientas + Extracción Estructurada Los agentes usan Tavily MCP para búsqueda web en vivo y Gemini + Pydantic para transformar resultados no estructurados en datos de reserva estructurados.

Arquitectura

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

En lo que me estoy enfocando no es solo en usar un LLM, sino en entender cómo construir flujos de trabajo agénticos confiables alrededor de los LLM usando herramientas, especialización, orquestación y salidas estructuradas.

🛠️ Python | Gemini | LangChain | Tavily MCP | Pydantic

Siguiente paso: hacer que el orquestador sea totalmente adaptativo para que pueda replanificar cuando cambian las restricciones o falla un trabajador.

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

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers