Skip to main content
Glama

🚀 Создал мультиагентный планировщик путешествий на базе MCP

Я изучал, как проектировать практические Agentic AI системы, и поэтому создал MCP Trip Orchestrator с использованием Python, Gemini, LangChain, Tavily MCP и Pydantic.

Проект реализует 3 ключевых агентных паттерна:

🔹 Супервизор / Оркестратор Координирует рабочий процесс и управляет распределением бюджета между задачами.

🔹 Мультиагентная коллаборация Специализированные воркеры независимо занимаются: 🚆 Транспортом 🏨 Проживанием 🏰 Развлечениями и ресторанами

🔹 Использование инструментов + структурированное извлечение Агенты используют Tavily MCP для живого веб-поиска и Gemini + Pydantic для преобразования неструктурированных результатов в структурированные данные бронирования.

Архитектура

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

Мой фокус — не просто использование LLM, а понимание того, как строить надёжные агентные рабочие процессы вокруг LLM с помощью инструментов, специализации, оркестрации и структурированных выходных данных.

🛠️ Python | Gemini | LangChain | Tavily MCP | Pydantic

Следующий шаг: сделать оркестратор полностью адаптивным, чтобы он мог перепланировать при изменении ограничений или сбое воркера.

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

Maintenance

ActivityStale
ResponsivenessNo issues

Related MCP Connectors

Related MCP Servers