על ידי Diptiman Raichaudhuri, יועץ פיתוח צוות ב Confluent על ידי Diptiman Raichaudhuri, יועץ פיתוח צוות ב Confluent צוותי הנדסה מתנסים עם סוכני AI בקצב מהיר. עבור מפתחי Python, שינוי זה אינו דורש ללמוד סט חדש לחלוטין.מיקרו-שירותים הקיימים ניתן לשנות עם נקודות קצה אגנטיות, בניית סוכן AI הוא לעתים קרובות "רק נקודת קצה API נוספת" שפותחה עם כלים מוכרים כגון FastAPI.באמצעות ניצול החוויה הקיים שלהם עם ארכיטקטורות מבוססות אירועים ותכניות Pythonic, מפתחים יכולים לשבור את הפער בין עיבוד נתונים מסורתי ו- AI בזמן אמת. 79 79 עם סוכני תזמורת, זה הופך להיות אפשרי לשלב תשובות ממגוון קוראים סוכנים ולהחזיר תובנה אחת משמעותית למשתמש. זה מייצג שינוי מחזורי בקשה-תגובה פשוטים לדפוס שבו מיקרו-שירותים heterogeneous להחליף הודעות בין יישומים עסקיים מרובים. MCP יחד עם מודלים שפות גדולים (LLMs) כגון Claude, ChatGPT, או Gemini יכול לקחת שאילתות משתמשים ככניסות שפה טבעית ולבחור את הסדרה הנכונה של כלים להתקשר משרתים MCP. פרוטוקול מסגרת מודל פרוטוקול מסגרת מודל מסגרות כגון FastMCP מאפשרות למפתחים של Python לבנות במהירות כלים MCP דטרמיטיסטיים, כך שהחשדנות של LLMs המנסים להבין הוראות משתמשים גלויות מוחלפת על ידי רכיבים ארגוניים כדי להשיג תובנות. FastMCP היא מסגרת הבחירה להמיר נקודות קצה של REST API המבוססות על FastAPI לתוך ספציפית שיחת כלי MCP. בעוד MCP מבטאת את ההזמנה של כלים בודדים על מסדי נתונים ו- APIs, יש צורך לשנות את מסד הקוד של Python API הקיים כדי להציג את נקודות הקצה של ההזמנה האגנטיות האלה. עבור שיעורי עבודה סטרימינג, הוא עדיין המסגרת הפופולרית ביותר לסטרימינג נתונים קוד פתוח לפיתוח microservices אשר אינטראקציה עם אירועים בזמן אמת. Apache Kafka יש SDK Python שנבדק בקרב מתאים היטב לבניית microservices המשלב יצרנים Kafka וצרכנים Kafka. מפתחים Python יכולים לבנות ארכיטקטורה מבוססת אירועים עם microservices עושה את חילופי ההודעות דרך נקודות קצה REST בעוד Kafka מאחסנת באופן קבוע נתונים סטרימינג. אפאצ'ה קפקא אפאצ'ה קפקא כדי להעשיר, לאסוף ולהפוך את הנתונים הזרמים המאוחסנים ב-Kafka, Apache Flink SQL מספק מודל תכנות מוכר.עם Flink SQL, זרימות העבודה של סוכנים בזמן אמת מחייבות כללים לאיכות הנתונים ולהפוך את הנתונים בטיסה בנושאים של Kafka. בואו ליישם את המושגים האלה לתהליך עבודה של סוכנים בזמן אמת עבור חנות קמעונאית המבקשת להבין טוב יותר את התנהגות הלקוחות שלהן. דמיינו שיש לנו חנות בגדים שמקבלת וממלאת הזמנות. לאורך זמן, נתוני הזמנות היסטוריים מצטברים, ומדגישים את התנהגות הקנייה של הלקוחות, ומדגישים אילו מוצרים מוכרים במהירות, חוזרים על הלקוחות, ובאיזה קבוצות גיל מזמינים את רוב הבגדים. תובנות מהנתונים ההיסטוריים האלה עוזרות לחנות להחליט על אסטרטגיה לטווח בינוני עד ארוך להציג קו בגדים חדש ותוכניות מטרה למקסם את ההכנסה. נניח שהנתונים ההיסטוריים מאוחסנים כטבלאות Apache Iceberg והתנהגות בזמן אמת מאוחסנת על Kafka. שילוב שני מקורות אלה יספקו לחנות התנהגות קונה מדויקת בזמן אמת, בהתבסס על הרגלים העבר. כדי לעשות זאת, סוכני AI היו צריכים לחלץ מידע ממערכת OLAP (Online Analytical Processing) ו- Apache Kafka. כדי להדגים זאת, בואו נחשוב שהמערכת OLAP כוללת קבצים .Parquet שנשמרים בתוך אגם אגם Apache Iceberg אשר נחקק על ידי DuckDB ואת אחסון זרימת זמן אמיתית שנצרך על ידי Apache Kafka. כל מסגרת אגנטית כמו LangGraph או AWS Strands יכולה להתקשר לכלים בשרתים אלה של MCP ולקבל את המידע הנדרש.בנוסף למסגרת האגנטית, סוכן ארכיסטור יכול לשלב תשובות משרתים אלה של MCP ולהציג פרטים ייחודיים על התנהגות הקנייה של החנות והלקוח בזמן אמת. עבור מפתחים של Python AI, הצעד הראשון לעיצוב פתרון זה היה דורש הגדרת הכלים FastMCP עבור Kafka ו DuckDB MCP. לאחר מכן יש לבנות הזמנות סוכנים, ולאחר מכן נקודות קצה של API המאפשרות למזכירים לעסוק עם סוכנים אלה. הצעד האחרון יהיה להוסיף תכונות תצפיות ולהעריך תשובות AI כדי לשפר את זרימת הסוכנים ולהפוך אותה אמין. הערכת התגובות הסופיות של סוכנים נגד סטנדרטים, תאימות וביקורות נשאר צעד חשוב כדי להבטיח קבלת משתמשים. מאז רוב ההעשייה, ניקוי והאוסף של הנתונים בזמן אמת יקרה על שכבת FlinkSQL, פיתוח כלים MCP ואת שכבת הזכייה יהיו כרוכים מפתחי Python המוכרים ב- Kafka ו- Flink יכולים לבנות תנועות עבודה אגרקטיביות כמו אלה שהוזכרו לעיל תוך כדי עבודה בשטח המוכרים של FastAPI, FastMCP ו- open source frameworks אגרקטיביים כגון LangGraph ו- AWS Strands. עבור מפתחי Python מודרניים, הדרך לבניית סוכני AI מתוחכמים אינה דורשת חידוש אדריכלי מקיף. על ידי שילוב של FastMCP עבור גילוי כלים MCP, כמו גם Apache Kafka ו- Apache Flink SQL עבור שלמות נתונים בזמן אמת, אתה יכול להבטיח כי הסוכנים שלך מופעלים על ידי נתונים נקיים ואמינים. בין אם אתה משתמש LangGraph או AWS Strands, המעבר אל זרימי עבודה סוכנים הוא בעיקר התפתחות של דפוסי מיקרו-שירות שאתה כבר מכיר. על ידי טיפול סוכנים AI כמו הרחבה של תשתיות Kafka ו- Flink הקיימות שלך, אתה יכול לעבור מהסטרימינג נתונים פשוט כדי לספק תובנות אינטליגנטיות בזמן אמת. צ'אט עם Kafka ו Flink - סוכני AI ו Confluent MCP עבור מפתחי יישומים Python Kafka ו- Flink מנקודת המבט של מפתחי יישומים (150 מילים) 
 
 
 
 
 מפתחי יישומים בונים microservices עבור יישומים עסקיים, קפקא כסטנדרט שלמעשה לאחסון זרם קל לשימוש כמרכז הודעות עבור microservices מדברים אחד עם השני - API <-> יצירת הזמנות <-> API נאמנות <-> API מילוי הזמנות וכו ' Flink יוצרת נתונים מצטברים מעשירים, מעורבים ואיכות גבוהה בתוך נושאים של Kafka מה אם סוכן AI יכול להיות מוטבע בתוך microservices ?(150 מילים) 
 
 
 
 מיקרו-שירותים תמיד יהיו נקודות קצה REST הזן את '/chat' כצ'אט עם סוכנים נקודות קצה אחרות ייצרו את ההיגיון העסקי שיועבר ל- `/chat/ כמקשר MCP (Model Context Protocol) - שפת הסוכנים של AI מדברים (200 מילים) 
 
 
 חשיפת Kafka ו- Flink Tools באמצעות MCP Streamable-http Transport Mode הסוכנים היו מגלים כלים ומקבלים את עזרתו של LLM כדי להתאים את שאלת המשתמש עם הכלי הספציפי. סוכן התנהגות קמעונאי - דוגמה(400 מילים) 
 
 
 
 
 
 להסביר את ההתקנה - קמעונאי מקבל הזמנות מהירות דרך חנויות Run Confluent MCP - לתאר github repo של mcp-confluent ו Kafka, Flink כלים ספציפיים רשימת סוכנים Kafka ו FLink כלים ו Introspect באמצעות עזרה של LLM. הסוכן עונה על השאלה "איזה חנות קיבלה את רוב ההזמנות ב-5 הדקות האחרונות". הסוכן קורא לכלי MCP לצרוך הודעות Kafka ומגיב.

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

האודיו הזה מופק בשפת המקור של הסיפור!

כיצד מפתחי Python יכולים לבנות סוכנים AI באמצעות MCP, Kafka ו- Flink

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

Fortunate Son From Our Neighborhood

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/10/2024)

The TechBeat: 5 Low-Cost Cybersecurity Measures SMBs Can’t Afford to Not Implement (3/4/2024)

179 Super Compelling HackerNoon Headlines

Fortunate Son From Our Neighborhood

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/10/2024)

The TechBeat: 5 Low-Cost Cybersecurity Measures SMBs Can’t Afford to Not Implement (3/4/2024)

179 Super Compelling HackerNoon Headlines

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps