mcp-trip-orchestrator

🚀 构建了一个基于 MCP 的多智能体旅行规划器

我一直在探索如何设计实用的 Agentic AI 系统，因此我使用 Python、Gemini、LangChain、Tavily MCP 和 Pydantic 构建了 MCP Trip Orchestrator。

该项目实现了 3 种核心智能体模式：

🔹 监督者 / 编排器 协调工作流程，并在各任务之间管理预算分配。

🔹 多智能体协作 专业化的子智能体独立处理： 🚆 交通 🏨 住宿 🏰 体验与餐饮

🔹 工具使用 + 结构化提取 智能体使用 Tavily MCP 进行实时网络搜索，并使用 Gemini + Pydantic 将非结构化结果转换为结构化的预订数据。

架构

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

我关注的重点不仅仅是使用 LLM，而是理解如何围绕 LLM 构建可靠的智能体工作流程，利用工具、专业化分工、编排和结构化输出。

🛠️ Python | Gemini | LangChain | Tavily MCP | Pydantic

下一步：让编排器完全自适应，使其能够在约束条件发生变化或某个工作智能体失败时重新规划。

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