Diptiman Raichaudhuri, Staff Developer Advocate at Confluent より Diptiman Raichaudhuri, Staff Developer Advocate at Confluent より エンジニアリングチームはAIエージェントを急速なペースで実験しています。実際、最近のPwC調査では、 %の企業はすでにAIエージェントを採用しています。Pythonの開発者にとって、この変化は全く新しいスタックを学ぶ必要はありません。既存のマイクロサービスはエージェントのエンドポイントで変更することができ、AIエージェントの構築はしばしば「FastAPIのような既知のツールで開発された別のAPIエンドポイント」です。 79 79 オーケストレーターエージェントを使用すると、異なるエージェント呼び出しからの応答を組み合わせ、ユーザーに単一の有意義な洞察を返すことが可能になります。これは、単純なリクエスト応答サイクルから、異なるマイクロサービスが複数のエンタープライズアプリケーションでメッセージを交換するパターンに移行することを意味します。FastAPIのようなフレームワークを使用するPython開発者にとって、この移行はシームレスで、オーケストレーターは単にさまざまな専門エージェント間のデータフローを調整するより高度な「APIエンドポイント」になります。 (MCP) は、AI エージェントのための事実上の言語となっています。MCP は、Claude、ChatGPT、または Gemini などの大型言語モデル(LLM)とともに、ユーザーのクエリを自然言語の入力として取り、MCP サーバーから呼び出すための正しいツールセットを選択できます。 コンテキスト プロトコル コンテキスト プロトコル FastMCP のようなフレームワークは、Python 開発者が決定的な MCP ツールを迅速に構築することを可能にしますので、原始ユーザー指示を理解しようとする LLM の曖昧さは、洞察を得るためのエンタープライズ コンポーネントに置き換えられます。 FastMCP は、FastAPI ベースの REST API エンドポイントを MCP ツール呼び出し仕様に変換するための選択されたフレームワークです。 MCP はデータベースや API で個々のツール呼び出しを抽象化しますが、既存の Python API コードベースはこれらのエージェント的な呼び出しエンドポイントを導入するために変更する必要があります。生産デプロイメントでは、実際の MCP ツール呼び出 ストリーミングワークロードの場合、 リアルタイムのイベントと相互作用するマイクロサービスを開発するための最も人気のあるオープンソースデータストリーミングフレームワークです。Apache Kafkaは、KafkaのプロデューサーとKafkaの消費者を組み込むマイクロサービスを構築するのに適した戦闘テスト済みのPython SDKを持っています。Pythonの開発者は、RESTエンドポイントでメッセージ交換を行うマイクロサービスでイベント駆動アーキテクチャを構築することができます。 Apache Kafka アパッチ・カフカ Apache Flink SQL は、Flink SQL を使用すると、リアルタイムのエージェントワークフローは、データ品質の規則を課し、Kafka トピックのインフラデータを変換します。 これらのコンセプトを、顧客の行動をよりよく理解しようとする小売店のリアルタイムエージェントワークフローに適用しましょう。注文を受け取って実行する服装ストアがあると想像してください。時間の経過とともに、歴史的な注文データが蓄積され、顧客の購買行動を強調し、どの製品が急速に販売され、顧客が繰り返し購入するか、どの年齢層が最も服を注文するかを指摘します。この歴史的なデータから得た洞察は、店が新規の服装ラインを導入し、収益を最大化するための長期戦略を決定するのに役立ちます。同時に、リアルタイムの顧客の購買行動は、顧客がどのように製品を購入しているかを反映しています。リアルタイムの洞察は、 歴史的なデータがApache Icebergのテーブルとして保存され、リアルタイムの行動がKafkaに保存されていると仮定します。これらの2つのソースを組み合わせると、過去の習慣に基づいて、ストアに正確な購入者行動を提供します。これを行うためには、AIエージェントはオンライン分析処理(OLAP)システムとApache Kafkaから情報を抽出する必要があります。これを示すために、OLAPシステムはApache Iceberg湖ハウス内に保管されている .Parquetファイルで構成され、DuckDBによってクエリされ、Apache Kafkaから消費されるリアルタイムストリームストレージです。2つのAIエージェント、それぞれDuckDB MCPとKafka MCPを使用してクエリする場合、必要な情報を取得します。オーケストラ LangGraph や AWS Strands などのエージェントフレームワークは、これらの MCP サーバー上のツールを呼び出し、必要な情報を取得できます。 Python AI 開発者にとって、このソリューションを設計するための最初のステップは、FastMCP ツールを Kafka と DuckDB MCP に定義する必要があります。その後、エージェントの呼び出しを構築し、それに続いて API エンドポイントを構築し、呼び出し者がこれらのエージェントと関わることができるようになります。最後のステップは、観測機能を追加し、AI 応答を評価し、エージェントの流れを改善し、信頼できるようにすることです。エージェントの最終的な応答を標準、コンプライアンス、ベンチマークに反して評価することは、ユーザーの受け入れを確保するための重要なステップです。リアルタイムのデータのほとんどの豊富化、クリーニング、および Kafka および Flink に精通している Python 開発者は、FastAPI、FastMCP および LangGraph および AWS Strands のようなオープンソースの agentic フレームワークで、上記のようなエージェントワークフローを構築することができます。 現代のPython開発者にとって、高度なAIエージェントを構築するための道は、完全なアーキテクチャーの再構築を必要としません。FastMCP for MCP tools discovery、およびApache Kafka and Apache Flink SQL for real-time data integrityを組み合わせることにより、エージェントがクリーンで信頼性の高いデータで動作することを保証できます。LangGraphやAWS Strandsを使用している場合、エージェントワークフローへの移行は、あなたがすでに知っているマイクロサービスパターンの進化です。AIエージェントを既存のKafkaおよびFlinkインフラストラクチャの拡張として扱うことで、シンプルなデータストリーミングからリアルタイムでスマートな洞察 Kafka と Flink とのチャット - AI エージェントと Confluent MCP for Python Application Developers Kafka and Flink from an application developer’s perspective(アプリケーション開発者の視点から) 
 
 
 
 
 アプリケーション開発者は、ビジネスアプリケーションのためのマイクロサービスを構築し、 Kafka as the de-facto standard for stream storage(ストリームストレージの事実標準としてのカフカ) 互いに話し合うマイクロサービスのメッセージハブとして簡単に使用できます - cart API <-> order creation API <-> loyalty API <-> order fulfillment API etc .. Flinkは、カフカのトピック内で、豊かで、変形された、高品質の総合データを作成します。 もしAIエージェントがマイクロサービスに組み込まれたら?(150単語) 
 
 
 
 マイクロサービスは常にRESTエンドポイントを持つ エージェントとのチャットとして「/chat」を入力します。 他のエンドポイントは、コンテキストとして `/chat/ に転送されるビジネス論理を構築します。 MCP(Model Context Protocol) - AIエージェントが話す言語(200単語) 
 
 
 Kafka と Flink ツールを MCP ストリーミング - HTTP トランスポートモードで露出 エージェントはツールを内視し、発見し、LLMの助けを借りて、ユーザーのクエリを特定のツールと一致させる。 Retail Store behavior agent - an example(400 word) 
 
 
 
 
 
 設定を説明する - ストアを通じて迅速な注文を受け入れる小売業者 Run Confluent MCP - describe github repo of mcp-confluent and Kafka, Flink specific tools をリリース エージェントリスト Kafka および FLink ツールと LLM の助けを用いて内観。 エージェントは「過去5分間にどの店が最も多くの注文を受け入れたか」という質問に答えます。 エージェントはMCPツールを呼び、カフカのメッセージを消費し、応答する。

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

このオーディオは、ストーリーの元の言語で制作されています。

Python Devs が MCP, Kafka, Flink を使用して AI エージェントを構築する方法

About Author

コメント

ラベル

この記事は

Related Stories

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

ユニークなエコシステムを支えるビットコインUTXOのモデル

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

ユニークなエコシステムを支えるビットコインUTXOのモデル

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps