Microsoft DevRel je nadšený z představení , demo vzorové aplikace s podnikovou funkcí, která demonstruje, jak mohou vývojáři koordinovat a (psáno v jazyce Java, .NET, Python a TypeScript) pro zkoumání cestovních plánovacích scénářů. pro orchestrální činnost, pro strukturované interakce s nástroji, Azure AI Foundry, GitHub Model a pro škálovatelné nasazení. Co cestovní agenti multiple AI agents MCP servers LlamaIndex.TS Model Context Protocol (MCP) Azure Container Apps Co cestovní agenti ČT a DR: Zažijte sílu MCP a Azure s cestovními agenty AI! Vyzkoušejte lokální live demo na vašem počítači, abyste viděli spolupráci agentů v reálném čase v akci. Sdílejte svou zpětnou vazbu na našem komunitním fóru. Již plánujeme vylepšení, jako jsou nové agenty integrované do MCP, které umožňují bezpečnou komunikaci mezi agenty AI a servery MCP, přidáním podpory pro agent2Agent přes MCP. To je stále práce v průběhu a my také vítáme všechny druhy příspěvků. ČT a DR: Tato vzorková aplikace používá podvodné údaje a je určena pro demonstrační účely spíše než pro výrobní použití. Tato vzorková aplikace používá podvodné údaje a je určena pro demonstrační účely spíše než pro výrobní použití. Výzva: Rozšiřování personalizovaného cestovního plánování Cestovní kanceláře se potýkají se složitými úkoly: analyzují různé potřeby zákazníků, doporučují destinace a vytvářejí itineráře, a to při integraci dat v reálném čase, jako jsou trendové místa nebo logistika.Tradiční systémy kolísají s latencí, škálovatelností a koordinací, což vede k zpožděním a frustraci zákazníků. LlamaIndex.TS orchestruje šest agentů AI pro efektivní zvládání úkolů. MCP vybavuje agenty cestovními daty a nástroji. Azure Container Apps zajišťuje škálovatelné nasazení bez serveru. Tato architektura poskytuje provozní efektivitu a personalizovaný servis v rozsahu, který přeměňuje chaos v příležitost. LlamaIndex.TS: Orchestrating AI Agentů Srdcem cestovních kanceláří je , výkonný agentický rámec, který orchestruje více agentů AI pro zvládnutí úkolů plánování cest. Postavený na backend Node.js, LlamaIndex.TS spravuje interakce agentů bezproblémovým a inteligentním způsobem: LlamaIndex.TS Delegace úkolů: Agent třídění analyzuje dotazy a směruje je na specializované agenty, jako je agent plánování tras, čímž zajišťuje efektivní pracovní postupy. Koordinace agentů: LlamaIndex.TS udržuje kontext mezi interakcemi, což umožňuje soudržné odpovědi na složité dotazy, jako jsou plány výletů do více měst. Integrace LLM: Připojení k Azure OpenAI, GitHub Models nebo jakémukoli místnímu LLM pomocí Foundy Local pro pokročilé schopnosti AI. Modulární design LlamaIndex.TS podporuje rozšířitelnost, což umožňuje snadné přidávání nových agentů. LlamaIndex.TS je vodič, který zajišťuje, že agenti pracují synchronně, aby poskytli přesné a včasné výsledky. Jeho lehká orchestrace minimalizuje latenci, což je ideální pro aplikace v reálném čase. MCP: Fueling Agents s daty a nástroji Tyto podporuje agenty umělé inteligence tím, že poskytuje data a nástroje specifické pro cesty a zvyšuje jejich funkčnost. MCP působí jako datové a nástrojové centrum: Model Context Protocol (MCP) Data v reálném čase: Poskytuje aktuální cestovní informace, jako jsou trendové destinace nebo sezónní události, prostřednictvím webového vyhledávače pomocí vyhledávání Bing. Přístup k nástrojům: Připojení agentů k externím nástrojům, jako je analyzátor dotazů zákazníků založený na .NET pro analýzu sentimentů, plánování itinerářů založené na Pythonu pro plánování výletů nebo nástroje pro doporučování destinací napsané v jazyce Java. Například, když agent pro doporučení destinací potřebuje aktuální cestovní trendy, MCP dodává prostřednictvím webového vyhledávače. Tato modularita umožňuje bezproblémovou integraci nových nástrojů, což podporuje budoucnost platformy. Aplikace Azure Container: škálovatelnost a odolnost podporuje vzorovou aplikaci AI Travel Agents s bezserverovou, škálovatelnou platformou pro nasazení mikroslužeb. Zajišťuje, že aplikace snadno zvládá různé pracovní zatížení: Azure Container Apps Dynamické škálování: Automaticky upravuje instance kontejnerů na základě poptávky, spravuje nárůst rezervací bez přerušení provozu. Polyglot Microservices: Podporuje služby .NET (Customer Query), Python (Itinerary Planning), Java (Destination Recommandation) a Node.js v izolovaných kontejnerech. Pozorovatelnost: Integruje sledování, metriky a logování umožňující sledování v reálném čase. Bezserverová efektivita: Abstraktní infrastruktura, snížení nákladů a urychlení nasazení. Globální infrastruktura aplikací Azure Container Apps poskytuje výkon s nízkou latencí, což je zásadní pro cestovní kanceláře, které slouží zákazníkům po celém světě. Výrobce: A Quick Look Zatímco aplikace MCP a Azure Container Apps jsou hvězdami, podporují tým několika agentů umělé inteligence, kteří řídí funkčnost aplikace.Vybudované a orchestrovány s Llamaindex.TS prostřednictvím MCP, tito agenti spolupracují na zvládání úkolů plánování cest: Triage Agent: Přesměruje dotazy správnému agentu a využívá MCP pro delegování úkolů. Customer Query Agent: Analyzuje potřeby zákazníků (emoce, záměry) pomocí nástrojů .NET. Destination Recommendation Agent: Navrhuje přizpůsobené destinace pomocí Java. Cestovní plánovací agent: Vytváří efektivní itineráře poháněné Pythonem. Webový vyhledávač: Hledá data v reálném čase prostřednictvím vyhledávání Bing. Tito agenti se spoléhají na komunikaci v reálném čase MCP a škálovatelnost aplikací Azure Container Apps, aby poskytli citlivé a přesné výsledky. Stojí za zmínku, že tato vzorová aplikace používá mock data pro demonstrační účely.V reálném scénáři by aplikace komunikovala se serverem MCP, který je zapojen do reálného rozhraní API pro výrobu. Zkuste to ven pomocí aplikace Docker Model Runner / Ollama nebo Azure AI Foundry pro schopnější LLM, abyste viděli spolupráci agentů v reálném čase v akci. Vyzkoušejte live demo lokálně na vašem počítači zdarma Závěr Dnes se můžete podívat na open-source projekt , s pokyny pro nastavení a nasazení. Podělte se o zpětnou vazbu na našem Již plánujeme vylepšení, jako jsou nové integrované agenty MCP, které umožňují mezi agenty AI a servery MCP, přidáním podpory pro Agent2Agent přes MCP. GitHub Společenské fórum Bezpečná komunikace Toto je stále probíhající práce a my také vítáme všechny druhy příspěvků. Prosím fork a hvězda repo zůstat nastaven pro aktualizace! Budeme rádi za vaši zpětnou vazbu a budeme pokračovat v diskusi v Azure AI Discord https://aka.ms/AI/discord