mcp-trip-orchestrator

🚀 MCP 기반 멀티 에이전트 여행 플래너 구축

실용적인 에이전틱 AI 시스템을 설계하는 방법을 탐구해 왔는데, Python, Gemini, LangChain, Tavily MCP, Pydantic을 사용해 MCP Trip Orchestrator를 구축했습니다.

이 프로젝트는 3가지 핵심 에이전틱 패턴을 구현합니다:

🔹 슈퍼바이저 / 오케스트레이터 워크플로우를 조정하고 작업 전반에 걸쳐 예산 할당을 관리합니다.

🔹 멀티 에이전트 협업 전문 워커들이 독립적으로 처리합니다: 🚆 교통 🏨 숙박 🏰 체험 및 다이닝

🔹 도구 사용 + 구조화된 추출 에이전트는 실시간 웹 검색에 Tavily MCP를 사용하고, Gemini + Pydantic으로 비정형 결과를 구조화된 예약 데이터로 변환합니다.

아키텍처

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

제가 집중하는 것은 단순히 LLM을 사용하는 것이 아니라, 도구, 전문화, 오케스트레이션, 구조화된 출력을 통해 LLM을 중심으로 신뢰할 수 있는 에이전틱 워크플로우를 구축하는 방법을 이해하는 것입니다.

🛠️ Python | Gemini | LangChain | Tavily MCP | Pydantic

다음 단계: 제약 조건이 변경되거나 워커가 실패할 때 재계획할 수 있도록 오케스트레이터를 완전히 적응형으로 만드는 것입니다.

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