mcp-trip-orchestrator

🚀 MCPを利用したマルチエージェント旅行プランナーを構築しました

実用的なAgentic AIシステムの設計方法を探求してきた中で、MCP Trip OrchestratorをPython、Gemini、LangChain、Tavily MCP、Pydanticを使って構築しました。

このプロジェクトは、3つのコアとなるエージェントパターンを実装しています:

🔹 スーパーバイザー / オーケストレーター ワークフローを調整し、タスク間の予算配分を管理します。

🔹 マルチエージェント連携 専門化されたワーカーがそれぞれ独立して担当します: 🚆 交通 🏨 宿泊 🏰 体験・食事

🔹 ツール利用 + 構造化抽出 エージェントはTavily MCPでライブウェブ検索を行い、Gemini + Pydanticで非構造化の結果を構造化された予約データに変換します。

アーキテクチャ

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

私が注力しているのは、単にLLMを使うことではなく、ツール、専門化、オーケストレーション、構造化出力を用いて、LLMを中心とした信頼性の高いエージェントワークフローを構築する方法を理解することです。

🛠️ Python | Gemini | LangChain | Tavily MCP | Pydantic

次のステップ: 制約が変わったりワーカーが失敗したときに再計画できるよう、オーケストレーターを完全に適応型にすることです。

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