De Diptiman Raichaudhuri, avocat dezvoltator de personal la Confluent De Diptiman Raichaudhuri, avocat dezvoltator de personal la Confluent Echipele de inginerie experimentează cu agenții AI într-un ritm rapid. % dintre companii adoptă deja agenți AI. Pentru dezvoltatorii Python, această schimbare nu necesită învățarea unui stack complet nou. Micro-serviciile existente pot fi modificate cu punctele finale agentice, construirea unui agent AI este adesea "doar un alt punct final API" dezvoltat cu instrumente familiare, cum ar fi FastAPI. Profitând de experiența lor existentă cu arhitecturi bazate pe evenimente și cadre Pythonic, dezvoltatorii pot crește decalajul dintre prelucrarea datelor tradiționale și AI în timp real. 79 79 Cu agenții de orchestrare, devine posibil să se combine răspunsurile din diferite invocări agentice și să se returneze o singură perspectivă semnificativă utilizatorului. Acest lucru reprezintă o schimbare de la cicluri simple de solicitare-răspuns la un model în care microservicii eterogene schimbă mesaje în mai multe aplicații de întreprindere. Pentru un dezvoltator Python care utilizează cadre precum FastAPI, această tranziție este fără probleme – orchestratorul devine pur și simplu un „endpoint API” mai sofisticat care coordonează fluxul de date între diferiți agenți specializați. (MCP) a devenit limbajul de facto de alegere pentru agenții AI. MCP împreună cu modelele lingvistice mari (LLM) cum ar fi Claude, ChatGPT sau Gemini pot lua interogările utilizatorilor ca intrări de limbă naturală și pot selecta setul corect de instrumente pentru a invoca de la serverele MCP. Acest flux de lucru simplifică foarte mult interacțiunile agentice. Protocolul de context Protocolul de context Framework-urile, cum ar fi FastMCP, permit dezvoltatorilor Python să construiască rapid instrumente deterministe MCP, astfel încât ambiguitatea LLM-urilor care încearcă să înțeleagă instrucțiunile utilizatorilor brute să fie înlocuită cu componente de întreprindere pentru obținerea de informații. FastMCP este cadrul de alegere pentru conversia punctelor finale REST API bazate pe FastAPI în specificația de apelare a instrumentelor MCP. În timp ce MCP abstractează invocarea instrumentelor individuale pe baze de date și API-uri, baza de cod Python API existentă trebuie să fie modificată pentru a introduce aceste puncte finale de invocare agentice. Pentru implementările de producție, asigurați-vă că instrumentul MCP exact este invocat, în loc să enumerați „toate În ceea ce privește încărcătura de lucru streaming, rămâne cel mai popular cadru de streaming de date open source pentru dezvoltarea microserviciilor care interacționează cu evenimentele în timp real. Apache Kafka are un SDK Python testat în bătălie, bine adaptat pentru construirea microserviciilor care încorporează producătorii Kafka și consumatorii Kafka. Dezvoltatorii Python pot construi o arhitectură bazată pe evenimente cu microserviciile care fac schimbul de mesaje prin intermediul punctelor terminale REST, în timp ce Kafka stochează durabil datele de streaming. Apache Kafka Apache Kafka Pentru îmbogățirea, agregarea și transformarea datelor de streaming stocate în Kafka, Apache Flink SQL oferă un model de programare familiar. Cu Flink SQL, fluxurile de lucru agențiale în timp real impun reguli de calitate a datelor și transformă datele în zbor pe teme Kafka. Acesta este un pas important în întreaga conductă de date și asigură faptul că agenții care invocă datele în aval în conductă au date bogate, curate și de încredere. Să aplicăm aceste concepte la un flux de lucru agențial în timp real pentru un magazin de vânzare cu amănuntul care caută să înțeleagă mai bine comportamentul clienților săi. Imaginați-vă că avem un magazin de îmbrăcăminte care ia și îndeplinește comenzile. De-a lungul timpului, datele istorice de comandă se acumulează, evidențiind comportamentul de cumpărare al clienților, evidențiind ce produse se vând rapid, repetă clienții și care grupuri de vârstă comandă cele mai multe haine. Insight-urile din aceste date istorice ajută magazinul să decidă asupra unei strategii pe termen mediu până la lung pentru a introduce o nouă linie de îmbrăcăminte și planuri de schimb pentru a maximiza veniturile. În același timp, comportamentul Să presupunem că datele istorice sunt stocate ca tabele Apache Iceberg și comportamentul în timp real este stocat pe Kafka. Combinarea acestor două surse ar oferi magazinului un comportament exact al cumpărătorilor în timp real, bazat pe obiceiurile din trecut. Pentru a face acest lucru, agenții AI ar trebui să extragă informații dintr-un sistem de prelucrare analitică online (OLAP) și Apache Kafka. Pentru a ilustra acest lucru, să luăm în considerare că sistemul OLAP constă din fișiere .Parquet păstrate într-o casă de lacuri Apache Iceberg care este interogată de DuckDB și stocare în timp real consumată de Apache Kafka. Doi agenți AI, fiecare interogare folosind DuckDB MCP și Kafka MCP ar obține informațiile necesare. Un Orice cadru agentic, cum ar fi LangGraph sau AWS Strands, ar putea invoca instrumente pe aceste servere MCP și să obțină informațiile necesare.Pe lângă cadru agentic, un agent de orchestrare ar putea combina răspunsurile de la aceste servere MCP și să prezinte detalii unice despre comportamentul de cumpărare al magazinului și al clienților în timp real. Pentru un dezvoltator Python AI, primul pas pentru a proiecta această soluție ar necesita definirea instrumentelor FastMCP pentru Kafka și DuckDB MCP. Apoi trebuie construite invocări agentice, urmate de puncte finale API care ar permite invocatorilor să se implice cu acești agenți. Ultimul pas ar fi adăugarea de caracteristici de observabilitate și evaluarea răspunsurilor AI pentru a îmbunătăți fluxul agentic și a-l face fiabil. Evaluarea răspunsurilor finale ale agenților împotriva standardelor, conformităților și benchmark-urilor rămâne un pas important pentru a asigura acceptarea utilizatorilor. Deoarece cea mai mare parte a îmbogățirii, curățării și agregării datelor în timp real ar avea loc la stratul FlinkSQL, dezvoltarea instrumentelor MCP și a stratului de invocare ar Dezvoltatorii Python familiarizați cu Kafka și Flink pot construi astfel de fluxuri de lucru agentice ca cele de mai sus, în timp ce lucrează pe teritoriul familiar al FastAPI, FastMCP și frameworks-urilor agentice open source precum LangGraph și AWS Strands. Cu clienții moderni Python pentru Kafka și instrumentele bogate din jurul agenților MCP și AI, este posibil să se introducă un flux de lucru agentic în cadrul microserviciilor existente în aplicațiile corporative. Pentru dezvoltatorii moderni Python, calea de a construi agenți AI sofisticate nu necesită o revizuire arhitecturală totală. Prin combinarea FastMCP pentru instrumentele de descoperire MCP, precum și Apache Kafka și Apache Flink SQL pentru integritatea datelor în timp real, vă puteți asigura că agenții dvs. sunt alimentați de date curate, de încredere. Indiferent dacă utilizați LangGraph sau AWS Strands, trecerea la fluxurile de lucru agentice este în esență o evoluție a modelelor de microservices pe care le cunoașteți deja. Chat cu Kafka și Flink - agenți AI și Confluent MCP pentru dezvoltatorii de aplicații Python Kafka și Flink din perspectiva unui dezvoltator de aplicații (150 de cuvinte) 
 
 
 
 
 Dezvoltatorii de aplicații construiesc microservices pentru aplicații de afaceri, Kafka ca standard de facto pentru stocarea în flux Ușor de utilizat ca un hub de mesagerie pentru microservices vorbind unul cu celălalt - cart API <-> crearea de ordine API <-> loialitate API <-> executarea de ordine API etc .. Flink creează date agregate îmbogățite, transformate și de înaltă calitate în cadrul subiectelor Kafka Ce se întâmplă dacă un agent AI ar putea fi încorporat în microservices? (150 de cuvinte) 
 
 
 
 Microservices ar avea întotdeauna REST endpoints Introduceți '/chat' ca chat cu agenții Alte puncte finale ar construi logica de afaceri care ar fi trecut la `/chat/ ca context MCP (Model Context Protocol) - limbajul pe care îl vorbesc agenții AI(200 de cuvinte) 
 
 
 Expunerea instrumentelor Kafka și Flink prin modul de transport MCP streamingable-http Agenții ar introspecta și descoperi instrumente și ar folosi ajutorul LLM pentru a potrivi interogarea utilizatorului cu instrumentul specific Agentul de comportament al magazinului cu amănuntul - un exemplu(400 de cuvinte) 
 
 
 
 
 
 Explicați setarea - un comerciant cu amănuntul care acceptă comenzi rapide prin magazine Run Confluent MCP - descrie repo-ul github al mcp-confluent și Kafka, instrumente specifice Flink Listă de agenți Kafka și FLink instrumente și introspecție folosind ajutorul LLM. Agentul răspunde la întrebarea "care magazin a acceptat cele mai multe comenzi în ultimele 5 minute". Agentul cheamă instrumentele MCP să consume mesajele lui Kafka și răspunde.

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

Acest audio este produs în limba originală a poveștii!

Cum dezvoltatorii Python pot construi agenți AI folosind MCP, Kafka și Flink

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

Round the year with the stars by Garrett Putman Serviss - Table of Links

Can Bitcoin Hit 1 Million Dollars?

The World is Finally Ready for a New Internet

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/1/2024)

Round the year with the stars by Garrett Putman Serviss - Table of Links

Can Bitcoin Hit 1 Million Dollars?

The World is Finally Ready for a New Internet

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/1/2024)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps