Diptiman Raichaudhuri, Abogado de Desarrollo de Personal en Confluent Diptiman Raichaudhuri, Abogado de Desarrollo de Personal en Confluent Los equipos de ingeniería están experimentando con agentes de IA a un ritmo rápido.De hecho, una reciente encuesta de PwC encontró que % de las empresas ya están adoptando agentes de IA. Para los desarrolladores de Python, este cambio no requiere aprender una pila completamente nueva. Los microservicios existentes pueden ser modificados con puntos finales de agentes, construyendo un agente de IA a menudo es "sólo otro punto final de API" desarrollado con herramientas familiares como FastAPI. Al aprovechar su experiencia existente con arquitecturas basadas en eventos y marcos Pythonic, los desarrolladores pueden cerrar la brecha entre el procesamiento de datos tradicionales y la IA en tiempo real. 79 79 Con los agentes de orquestación, es posible combinar las respuestas de diferentes invocaciones de agentes y devolver una única visión significativa al usuario. Esto representa un cambio de ciclos de solicitud-respuesta simples a un patrón en el que los microservicios heterogéneos intercambian mensajes en múltiples aplicaciones empresariales. Para un desarrollador de Python que utiliza marcos como FastAPI, esta transición es suave: el orquestación simplemente se convierte en un "endpoint API" más sofisticado que coordina el flujo de datos entre varios agentes especializados. (MCP) se ha convertido en el lenguaje de hecho de elección para los agentes de IA. MCP junto con grandes modelos de lenguaje (LLMs) como Claude, ChatGPT o Gemini pueden tomar consultas de usuario como entradas de lenguaje natural y seleccionar el conjunto correcto de herramientas para invocar desde los servidores de MCP. Este flujo de trabajo simplifica enormemente las interacciones de agentes. Modelo de Protocolo Contextual Modelo de Protocolo Contextual Frameworks como FastMCP permiten a los desarrolladores de Python construir rápidamente herramientas de MCP deterministas para que la ambigüedad de los LLMs que tratan de entender las instrucciones de usuario crudo sea reemplazada por componentes empresariales para obtener insights. FastMCP es el marco de elección para convertir los endpoints de REST API basados en FastAPI en especificaciones de llamadas de herramientas de MCP. Mientras que MCP abstrae la invocación de herramientas individuales en bases de datos y APIs, la base de código API de Python existente necesita ser modificada para introducir estos endpoints de invocación de agentes. Para las implementaciones de producción, asegúrese de que se invoca la herramienta MCP exacta, en lugar de enumerar "todas las herramientas" que a menudo Para las cargas de trabajo de streaming, sigue siendo el marco de transmisión de datos de código abierto más popular para el desarrollo de microservicios que interactúan con eventos en tiempo real. Apache Kafka tiene un SDK de Python probado en la batalla, adecuado para construir microservicios que incorporen a los productores de Kafka y a los consumidores de Kafka. Los desarrolladores de Python pueden construir una arquitectura basada en eventos con microservicios que intercambian mensajes a través de los terminales REST, mientras que Kafka almacena datos de transmisión de forma duradera. Apache Kafka Apache Kafka Para enriquecer, agregar y transformar los datos de transmisión almacenados en Kafka, Apache Flink SQL proporciona un modelo de programación familiar. Con Flink SQL, los flujos de trabajo de agentes en tiempo real imponen reglas de calidad de datos y transforman los datos en vuelo sobre temas de Kafka. Aplicemos estos conceptos a un flujo de trabajo de agentes en tiempo real para una tienda minorista que busca comprender mejor el comportamiento de sus clientes. Imagínese que tenemos una tienda de ropa que toma y cumple pedidos. Con el tiempo, los datos de pedidos históricos se acumulan, destacando el comportamiento de compra del cliente señalando qué productos se venden rápidamente, repiten a los clientes y qué grupos de edad ordenan más ropa. Los datos históricos ayudan a la tienda a decidir sobre una estrategia a medio y largo plazo para introducir una nueva línea de ropa y planes de divisas para maximizar los ingresos. Al mismo tiempo, el comportamiento de compra del cliente en tiempo real refleja cómo los clientes están comprando productos a medida que sucede. Supongamos que los datos históricos se almacenan como tablas de Iceberg de Apache y el comportamiento en tiempo real se almacena en Kafka. Combinar estas dos fuentes proporcionaría a la tienda un comportamiento de comprador exacto en tiempo real, basado en hábitos pasados. Para ello, los agentes de IA tendrían que extraer información de un sistema de procesamiento analítico en línea (OLAP) y de Apache Kafka. Para ilustrar esto, consideremos que el sistema de OLAP consistía en archivos .Parquet almacenados dentro de un lago de Iceberg de Apache que es consultado por DuckDB y almacenamiento de flujo en tiempo real consumido por Apache Kafka. Dos agentes de IA, cada uno consultando usando DuckDB MCP y Kafka MCP, recogerían la Cualquier marco de agencia como LangGraph o AWS Strands podría invocar herramientas en estos servidores MCP y obtener la información requerida. Además del marco de agencia, un agente de orquestación podría combinar las respuestas de estos servidores MCP y presentar detalles únicos sobre el comportamiento de compra de la tienda y el cliente en tiempo real. Para un desarrollador de IA de Python, el primer paso para diseñar esta solución requeriría definir las herramientas FastMCP para Kafka y DuckDB MCP. Luego se deben construir invocaciones de agentes, seguidas de puntos finales de API que permitirían a los invocadores interactuar con estos agentes. El último paso sería agregar características de observación y evaluar las respuestas de IA para mejorar el flujo de agentes y hacerlo confiable. La evaluación de las respuestas finales de los agentes contra las normas, la conformidad y los parámetros de referencia sigue siendo un paso importante para garantizar la aceptación del usuario. Dado que la mayor parte del enriquecimiento, limpieza y agregación de los datos en tiempo real ocurriría en la capa FlinkSQL, el desarrollo de herramientas de MCP y la capa de invocación Los desarrolladores de Python familiarizados con Kafka y Flink pueden construir flujos de trabajo de agentes tales como el anterior mientras trabajan dentro del territorio familiar de FastAPI, FastMCP y frameworks de agentes de código abierto como LangGraph y AWS Strands. Con los clientes Python modernos para Kafka y las ricas herramientas en torno a los agentes de MCP y AI, es posible introducir un flujo de trabajo de agentes dentro de los microservicios existentes en las aplicaciones empresariales. Para los desarrolladores modernos de Python, el camino para construir agentes de IA sofisticados no requiere una revisión arquitectónica total. Al combinar FastMCP para el descubrimiento de herramientas de MCP, así como Apache Kafka y Apache Flink SQL para la integridad de datos en tiempo real, puede asegurarse de que sus agentes estén alimentados por datos limpios y confiables. Ya sea que esté utilizando LangGraph o AWS Strands, el cambio hacia los flujos de trabajo de agentes es esencialmente una evolución de los patrones de microservicios que ya conoce. Tratando a los agentes de IA como una extensión de su infraestructura Kafka y Flink existente, puede pasar de la transmisión de datos simple a la entrega de ideas inteligentes en tiempo real. Chatear con Kafka y Flink - Agentes de IA y Confluent MCP para desarrolladores de aplicaciones de Python Kafka y Flink desde la perspectiva de un desarrollador de aplicaciones (150 palabras) 
 
 
 
 
 Los desarrolladores de aplicaciones construyen microservicios para aplicaciones empresariales, Kafka como el estándar de hecho para el almacenamiento de flujo Fácil de usar como un hub de mensajería para microservicios que hablan entre sí - API de creación de pedidos <-> API de fidelización <-> API de cumplimiento de pedidos, etc. Flink crea datos agregados enriquecidos, transformados y de alta calidad dentro de los temas de Kafka ¿Y si un agente de IA pudiera ser incorporado dentro de los microservicios? (150 palabras) 
 
 
 
 Los microservicios siempre tendrían REST endpoints Introduce '/chat' como el chat con los agentes Otros endpoints construirían la lógica de negocio que se pasaría a `/chat/ como contexto MCP (Model Context Protocol) - el lenguaje que hablan los agentes de IA (200 palabras) 
 
 
 Exponer las herramientas de Kafka y Flink a través del modo de transporte MCP streamingable-http Los agentes introspeccionarían y descubrirían herramientas y tomarían la ayuda de LLM para combinar la consulta del usuario con la herramienta específica. Agente de comportamiento de la tienda minorista - un ejemplo(400 palabras) 
 
 
 
 
 
 Explicar la configuración: un minorista que acepta pedidos rápidos a través de tiendas Run Confluent MCP - describe repo github de mcp-confluent y Kafka, herramientas específicas de Flink Lista de agentes Kafka y FLink herramientas e introspección usando la ayuda de LLM. El agente responde a la pregunta "cuál tienda ha aceptado más pedidos en los últimos 5 minutos". El agente llama a las herramientas de MCP que consumen los mensajes de Kafka y responden.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Este audio es producido en el idioma original de la historia!

Cómo los desarrolladores de Python pueden construir agentes de IA usando MCP, Kafka y Flink

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Una breve introducción a la teoría del cerebro de Boltzmann

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Una breve introducción a la teoría del cerebro de Boltzmann

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps