Diptiman Raichaudhuri, Staff Developer Advocate di Confluent Diptiman Raichaudhuri, Staff Developer Advocate di Confluent I team di ingegneria stanno sperimentando agenti di intelligenza artificiale a un ritmo rapido.In effetti, un recente sondaggio di PwC ha trovato che Per gli sviluppatori di Python, questo cambiamento non richiede l'apprendimento di una pila completamente nuova. I microservizi esistenti possono essere modificati con endpoint agentici, costruendo un agente AI è spesso "solo un altro endpoint API" sviluppato con strumenti familiari come FastAPI. Sfruttando la loro esperienza esistente con architetture guidate da eventi e framework Pythonic, gli sviluppatori possono colmare il divario tra il tradizionale trattamento dei dati e l'IA in tempo reale. 79 79 Con gli agenti dell'orchestrator, diventa possibile combinare le risposte provenienti da diverse invocazioni agentiche e restituire all'utente una singola visione significativa. Questo rappresenta un passaggio dai semplici cicli di richiesta-risposta a un modello in cui i microservizi eterogenei scambiano messaggi in molteplici applicazioni aziendali. Per uno sviluppatore di Python che utilizza framework come FastAPI, questa transizione è fluida: l'orchestrator diventa semplicemente un "endpoint API" più sofisticato che coordina il flusso di dati tra vari agenti specializzati. MCP, insieme a grandi modelli linguistici (LLM) come Claude, ChatGPT o Gemini, possono prendere le query degli utenti come input di lingua naturale e selezionare il giusto set di strumenti da richiamare dai server MCP. Questo flusso di lavoro semplifica notevolmente le interazioni con gli agenti. Modello di protocollo di contesto Modello di protocollo di contesto Frameworks come FastMCP consentono agli sviluppatori di Python di costruire rapidamente strumenti MCP deterministici in modo che l'ambiguità dei LLM che cercano di capire le istruzioni dell'utente crudo venga sostituita da componenti aziendali per ottenere informazioni. FastMCP è il framework di scelta per convertire i punti finali REST API basati su FastAPI in specifiche di chiamata degli strumenti MCP. Mentre MCP abstrae l'invocazione degli strumenti individuali su database e API, la base di codice API di Python esistente deve essere modificata per introdurre questi punti finali di invocazione agentici. Per le distribuzioni di produzione, assicurarsi che lo strumento MCP esatto sia invocato, piuttosto che elencare "tutti gli strumenti" che spesso si traducono in MCP "sp per lo streaming dei workloads, rimane il framework più popolare per lo streaming di dati open source per lo sviluppo di microservizi che interagiscono con gli eventi in tempo reale. Apache Kafka ha un SDK Python testato in battaglia ben adatto per la costruzione di microservizi che incorporano i produttori di Kafka e i consumatori di Kafka. Gli sviluppatori di Python possono costruire un'architettura guidata da eventi con microservizi che scambiano messaggi attraverso i terminali REST, mentre Kafka memorizza in modo durevole i dati di streaming. di Apache Kafka di Apache Kafka Per arricchire, aggregare e trasformare i dati in streaming memorizzati in Kafka, Apache Flink SQL fornisce un modello di programmazione familiare.Con Flink SQL, i flussi di lavoro agentici in tempo reale impongono regole di qualità dei dati e trasformano i dati in volo sui temi di Kafka. Questo è un passo importante all'interno dell'intero data pipeline e assicura che gli agenti che invocano i dati in basso nel pipeline abbiano dati ricchi, puliti e affidabili. Immaginate di avere un negozio di abbigliamento che prende e soddisfa gli ordini. Nel corso del tempo, i dati degli ordini storici si accumulano, evidenziando il comportamento di acquisto dei clienti, notando quali prodotti vendono velocemente, ripetono i clienti e quali gruppi di età ordinano il maggior numero di abbigliamento. Le informazioni provenienti da questi dati storici aiutano il negozio a decidere su una strategia a medio e lungo termine per introdurre una nuova linea di abbigliamento e piani di valutazione per massimizzare i ricavi. Allo stesso tempo, il comportamento degli acquirenti in tempo reale riflette come i clienti acquistano i prodotti come accade. Supponiamo che i dati storici siano archiviati come tabelle Apache Iceberg e il comportamento in tempo reale sia archiviato su Kafka. Combinando queste due fonti, fornirebbe al negozio un comportamento acquirente accurato in tempo reale, in base alle abitudini passate. Per fare questo, gli agenti AI avrebbero bisogno di estrarre informazioni da un sistema di elaborazione analitica online (OLAP) e da Apache Kafka. Per illustrare questo, consideriamo il sistema OLAP costituito da file .Parquet conservati all'interno di un laghetto Apache Iceberg che viene interrogato da DuckDB e lo storage in tempo reale consumato da Apache Kafka. Due agenti AI, ciascuno interrogato utilizzando DuckDB MCP e Kafka MCP, raccoglierebbero le informazioni richi Qualsiasi framework di agenzia come LangGraph o AWS Strands potrebbe richiamare strumenti su questi server MCP e ottenere le informazioni richieste.Al di sopra del framework di agenzia, un agente orchestrator potrebbe combinare le risposte da questi server MCP e presentare dettagli unici sul comportamento di acquisto del negozio e del cliente in tempo reale. Per uno sviluppatore di Python AI, il primo passo per progettare questa soluzione richiederebbe la definizione degli strumenti FastMCP per Kafka e DuckDB MCP. Poi dovrebbero essere costruite invocazioni agentiche, seguite da endpoint API che consentirebbero agli invocatori di interagire con questi agenti. L'ultimo passo sarebbe quello di aggiungere caratteristiche di osservabilità e valutare le risposte AI per migliorare il flusso agentico e renderlo affidabile. La valutazione delle risposte finali degli agenti contro gli standard, la conformità e i benchmarks rimane un passo importante per garantire l'accettazione degli utenti. Poiché la maggior parte dell'arricchimento, della pulizia e dell'aggregazione dei dati in tempo reale avverrebbe sullo strato FlinkSQL, lo sviluppo degli strumenti MCP e dello str Gli sviluppatori di Python familiari a Kafka e Flink possono costruire flussi di lavoro agenti come quelli di cui sopra mentre lavorano all'interno del territorio familiare di FastAPI, FastMCP e frameworks agentici open source come LangGraph e AWS Strands. Con i moderni client Python per Kafka e la ricca tooling attorno agli agenti MCP e AI, è possibile introdurre un flusso di lavoro agentico all'interno dei microservizi esistenti nelle applicazioni aziendali. Per gli sviluppatori Python moderni, il percorso per la costruzione di agenti di intelligenza artificiale sofisticati non richiede una revisione architettonica totale. Combinando FastMCP per la scoperta di strumenti MCP, così come Apache Kafka e Apache Flink SQL per l'integrità dei dati in tempo reale, puoi garantire che i tuoi agenti siano alimentati da dati puliti e affidabili. Che tu stia usando LangGraph o AWS Strands, il passaggio verso i flussi di lavoro agentici è essenzialmente un'evoluzione dei modelli dei microservizi che già conosci. Trattando gli agenti di intelligenza artificiale come un'estensione della tua infrastruttura Kafka e Flink esistente, puoi passare da un semplice flusso di dati a fornire informazioni intelligenti in tempo reale. Chattare con Kafka e Flink - Agenti AI e Confluent MCP per sviluppatori di applicazioni Python Kafka e Flink dal punto di vista di uno sviluppatore di applicazioni (150 parole) 
 
 
 
 
 Gli sviluppatori di applicazioni creano microservizi per applicazioni aziendali, Kafka come standard di fatto per lo storage in streaming Facile da usare come hub di messaggistica per i microservizi che parlano tra loro - cart API <-> creazione di ordini API <-> fedeltà API <-> API di esecuzione di ordini ecc .. Flink crea dati aggregati arricchiti, trasformati e di alta qualità all'interno dei temi di Kafka E se un agente di intelligenza artificiale potesse essere incorporato nei microservizi? (150 parole) 
 
 
 
 I microservizi avrebbero sempre REST endpoint Inserisci '/chat' come chat con gli agenti Altri endpoint costruirebbero la logica aziendale che sarebbe passata a `/chat/ come contesto MCP (Model Context Protocol) - il linguaggio in cui parlano gli agenti AI (200 parole) 
 
 
 Esponere Kafka e gli strumenti Flink tramite la modalità di trasporto MCP streamingable-http Gli agenti introspettano e scoprono strumenti e prendono l'aiuto del LLM per corrispondere alla query utente con lo strumento specifico Retail Store agente comportamentale - un esempio(400 parole) 
 
 
 
 
 
 Spiegare la configurazione - un rivenditore che accetta ordini rapidi attraverso i negozi Run Confluent MCP - descrive github repo di mcp-confluent e Kafka, strumenti specifici di Flink Elenco degli agenti strumenti Kafka e FLink e introspezione utilizzando l'aiuto di LLM. L'agente risponde alla domanda "quale negozio ha accettato il maggior numero di ordini negli ultimi 5 minuti". L'agente chiama gli strumenti MCP a consumare i messaggi di Kafka e risponde.

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

Questo audio è prodotto nella lingua originale della storia!

Come i sviluppatori di Python possono costruire agenti AI usando MCP, Kafka e Flink

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

Indian PM Woos Tech CEOs During U.S. State Visit

The Ultimate FAQ Guide to HackerNoon's Business Blogging

New Year, New Exciting Features: Mint Your Name, Watch Web 2.5 and Meet The Top Startups of The Year

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

Indian PM Woos Tech CEOs During U.S. State Visit

The Ultimate FAQ Guide to HackerNoon's Business Blogging

New Year, New Exciting Features: Mint Your Name, Watch Web 2.5 and Meet The Top Startups of The Year

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps