Diptiman Raichaudhuri, personalo kūrėjų advokatas Confluent Diptiman Raichaudhuri, personalo kūrėjų advokatas Confluent Inžinerijos komandos eksperimentuoja su AI agentais sparčiu tempu. % įmonių jau priima AI agentus. „Python“ kūrėjams ši permaina nereikalauja išmokti visiškai naujo rinkinio. Esamas mikroservices gali būti modifikuojamos naudojant agentinius galutinius taškus, o AI agento kūrimas dažnai yra „tiesiog kitas API galinis taškas“, sukurtas naudojant pažįstamus įrankius, tokius kaip „FastAPI“. Naudojant esamą patirtį su įvykiais pagrįstomis architektūromis ir „Pythonic“ sistemomis, kūrėjai gali peržengti atotrūkį tarp tradicinio duomenų apdorojimo ir realaus laiko AI. 79 79 Su orchestrator agentais tampa įmanoma sujungti atsakymus iš skirtingų agentinių invokacijų ir grąžinti vartotojui vieną prasmingą įžvalgą.Tai reiškia perėjimą nuo paprastų užklausų-atsakymų ciklų prie modelio, kuriame heterogeninės mikroservizos keičiasi pranešimais keliose įmonių programose.Python kūrėjams, naudojantiems sistemas, tokias kaip FastAPI, šis perėjimas yra sklandus – orchestrator tiesiog tampa sudėtingesniu „API galiniu tašku“, kuris koordinuoja duomenų srautą tarp įvairių specializuotų agentų. MCP kartu su dideliais kalbos modeliais (LLM), tokiais kaip Claude, ChatGPT ar Gemini, gali priimti vartotojų užklausas kaip natūralias kalbos įvestis ir pasirinkti tinkamą įrankių rinkinį, kurį galima kreiptis iš MCP serverių. Model Context Protocol Kontekstinis protokolo modelis Pavyzdžiui, „FastMCP“ leidžia „Python“ kūrėjams greitai kurti deterministines MCP priemones, kad LLM, bandančios suprasti žaliavos vartotojo instrukcijas, dviprasmiškumas būtų pakeistas įmonių komponentais, kad gautų įžvalgų. „FastMCP“ yra pasirinkta sistema, skirta konvertuoti „FastAPI“ pagrįstus REST API galutinius taškus į „MCP“ įrankių skambučių specifikacijas. Nors „MCP“ pašalina atskirus įrankių skambučius duomenų bazėse ir API, esama „Python“ API kodų bazė turi būti modifikuota, kad būtų įdiegti šie agentiniai skambučių galutiniai taškai. Streaming darbo krūviai, išlieka populiariausia atvirojo kodo duomenų srauto sistema kuriant mikroservices, kurios sąveikauja su realaus laiko įvykiais. „Apache Kafka“ turi išbandytą „Python SDK“, puikiai tinkančią sukurti mikroservices, kurios įtraukia „Kafka“ gamintojus ir „Kafka“ vartotojus. „Python“ kūrėjai gali kurti įvykiais pagrįstą architektūrą su mikroservices, kurios keičiasi pranešimais per REST galinius taškus, o „Kafka“ ilgai saugo srauto duomenis. Apache Kafka Apachė Kafka Siekiant praturtinti, apibendrinti ir transformuoti „Kafka“ saugomus srautinio duomenų srauto duomenis, „Apache Flink SQL“ suteikia pažįstamą programavimo modelį. „Flink SQL“ realaus laiko agentų darbo srautai nustato duomenų kokybės taisykles ir transformuoja skrydžio duomenis „Kafka“ temomis. Taikykime šias sąvokas realaus laiko agentų darbo srautui mažmeninės prekybos parduotuvėje, siekiančioje geriau suprasti savo klientų elgesį. Įsivaizduokite, kad turime drabužių parduotuvę, kuri priima ir vykdo užsakymus. Laikui bėgant, istoriniai užsakymų duomenys kaupiasi, pabrėžiant klientų pirkimo elgesį, nurodant, kurie produktai parduodami greitai, kartojasi klientai, ir kurios amžiaus grupės užsisako daugiausiai drabužių. Šių istorinių duomenų įžvalgos padeda parduotuvei nuspręsti dėl vidutinės trukmės iki ilgalaikės strategijos, kad būtų galima įdiegti naują drabužių liniją ir išreikšti planus, siekiant padidinti pajamas. Tarkime, kad istoriniai duomenys saugomi kaip „Apache Iceberg“ lentelės, o realaus laiko elgesys saugomas Kafkoje. Šių dviejų šaltinių derinimas suteiktų parduotuvei tikslią pirkėjų elgseną realiu laiku, remiantis praeities įpročiais. Norėdami tai padaryti, AI agentai turės išgauti informaciją iš internetinės analitinės apdorojimo (OLAP) sistemos ir „Apache Kafka“. Norėdami tai iliustruoti, apsvarstykite, ar OLAP sistema susideda iš .Parquet failų, laikomų „Apache Iceberg“ ežero name, kurį užklauso „DuckDB“ ir realaus laiko srauto saugykla, suvartojama iš „Apache Kafka“. Du AI agentai, kiekvienas užklausiantis „DuckDB MCP“ ir Bet kokia agentinė sistema, pvz., „LangGraph“ arba „AWS Strands“, galėtų panaudoti įrankius šiuose MCP serveriuose ir gauti reikiamą informaciją. „Python AI“ kūrėjams pirmasis žingsnis kuriant šį sprendimą reikėtų apibrėžti „FastMCP“ įrankius „Kafka“ ir „DuckDB MCP“. Tada reikia sukurti agentinius kreipimus, po to API galinius taškus, kurie leistų kreipėjams bendrauti su šiais agentais. Paskutinis žingsnis būtų pridėti stebėjimo funkcijas ir įvertinti AI atsakymus, siekiant pagerinti agentinį srautą ir padaryti jį patikimą. Galutinių agentų atsakymų vertinimas prieš standartus, atitikimą ir atskaitos taškus išlieka svarbus žingsnis siekiant užtikrinti naudotojų pripažinimą. Kadangi dauguma realaus laiko duomenų praturtėjimo, valymo ir agregacijos vyktų „FlinksSQL“ sluoksnyje, "Python" kūrėjai, susipažinę su "Kafka" ir "Flinku", gali kurti tokius agentinius darbo srautus, kaip ir aukščiau, dirbdami pažįstamoje "FastAPI", "FastMCP" ir atviro kodo agentinių sistemų, tokių kaip "LangGraph" ir "AWS Strands", teritorijoje. Šiuolaikiniams „Python“ kūrėjams sudėtingų AI agentų kūrimo kelias nereikalauja viso architektūrinio pertvarkymo. Derinant „FastMCP“ su „MCP“ įrankių atradimu, taip pat „Apache Kafka“ ir „Apache Flink SQL“ su realaus laiko duomenų vientisumu, galite užtikrinti, kad jūsų agentai būtų aprūpinti švariais, patikimais duomenimis. Nesvarbu, ar naudojate „LangGraph“ ar „AWS Strands“, perėjimas prie agentinių darbo srautų iš esmės yra jau žinomų mikropaslaugų modelių evoliucija. Pokalbis su Kafka ir Flink - AI agentai ir konfluencinis MCP Python taikomųjų programų kūrėjams Kafka ir Flink iš taikomųjų programų kūrėjo perspektyvos (150 žodžių) 
 
 
 
 
 Programų kūrėjai kuria mikroservices verslo programoms, Kafka kaip de facto standartas srauto saugojimui Lengva naudoti kaip pranešimų centrą mikroservizams, kurie kalba tarpusavyje - krepšelio API <-> užsakymo kūrimo API <-> lojalumo API <-> užsakymo įvykdymo API ir tt „Flink“ kuria praturtintus, transformuotus ir aukštos kokybės suvestinius duomenis Kafkos temomis Ką daryti, jei AI agentas galėtų būti įterptas į mikropaslaugas? (150 žodžių) 
 
 
 
 Mikropaslaugos visada turės REST galinius taškus Įveskite „/chat“ kaip pokalbį su agentais Kiti galutiniai taškai sukurtų verslo logiką, kuri būtų perduota į `/chat/ kaip kontekstą MCP (Model Context Protocol) - kalba, kuria kalba AI agentai (200 žodžių) 
 
 
 Atskleiskite Kafkos ir Flink įrankius per MCP transliavimo režimą Agentai įsisąmonins ir atras įrankius ir pasinaudos LLM pagalba, kad atitiktų vartotojo užklausą su konkrečiu įrankiu. Mažmeninės prekybos elgesio agentas - pavyzdys(400 žodžių) 
 
 
 
 
 
 Paaiškinkite nustatymą - mažmenininkas, kuris priima greitus užsakymus per parduotuves paleisti Confluent MCP - apibūdinti github repo mcp-confluent ir Kafka, Flink konkrečių įrankių Agentų sąrašas Kafka ir FLink įrankiai ir introspektas naudojant LLM pagalba. Agentas atsako į klausimą „kurioje parduotuvėje per pastarąsias 5 minutes buvo priimta daugiausiai užsakymų“. Agentas kviečia MCP įrankius vartoti Kafkos pranešimus ir reaguoja.

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

Šis garso įrašas sukurtas originalia istorijos kalba!

Kaip Python kūrėjai gali kurti AI agentus, naudojant MCP, Kafka ir Flink

About Author

KOMENTARAI

PABAIGTI ŽYMES

ŠIS STRAIPSNIS BUVO PRISTATYMAS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps