Diptiman Raichaudhuri, Confluent හි වෘත්තීය සංවර්ධක නීතිඥ Diptiman Raichaudhuri, Confluent හි වෘත්තීය සංවර්ධක නීතිඥ ඉංජිනේරු කණ්ඩායම් වේගයෙන් AI නියෝජිතයන් සමඟ අත්හදා බැලීම් කරනවා.ඇත්තටම, පහුගිය PwC පර්යේෂණයට අනුව, සමාගම් වල % ක් දැනටමත් AI නියෝජිතයන් අනුමත කරනවා.Python සංවර්ධකයින් සඳහා, මෙම වෙනස සම්පූර්ණයෙන්ම නව කට්ටලයක් ඉගෙනීමට අවශ්ය නොවේ.එහෙත්, දැනට පවතින මයික්රොසර්විස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස්ස් 79 79 Orchestrator නියෝජිතයන් සමඟ, විවිධ නියෝජිත ප්රවේශයන්ගෙන් ප්රතිචාර එකතු කිරීම සහ පරිශීලකයාට එකම, තේරුම් ගත හැකි අවබෝධයක් ආපසු ලබා ගැනීමට හැකි වේ.මේක සරල ඉල්ලුම්-ප්රතිචාර චක්ර වලින් මෘදුකාංගයක් වන අතර, අමුද්රව්ය මයික්රෝ සේවා බොහෝ ව්යාපාරික යෙදුම් හරහා පණිවිඩ හුවමාරු කරයි.Python සංවර්ධකයා FastAPI වැනි ව්යුහයන් භාවිතා කිරීම සඳහා, මෙම පරිවර්තනය සෘජුවම වේ - Orchestrator හුදෙක් විවිධ විශේෂිත නියෝජිතයන් අතර දත්ත ප්රවාහනය සමන්විත කිරීම සඳහා වඩාත් සංකීර්ණ "API අවසාන ස්ථානය" බවට පත් වේ. (MCP) AI නියෝජිතයන් සඳහා තෝරාගත් de-facto භාෂාව බවට පත් වී ඇත. MCP, Claude, ChatGPT, හෝ Gemini වැනි විශාල භාෂා ආකෘති (LLMs) සමග, පරිශීලක ප්රශ්න ස්වභාවික භාෂා ආදායම් ලෙස ගත හැකි අතර, MCP සේවාදායකයින්ගෙන් ඇමතුම් කිරීමට නිවැරදි මෙවලම් සමුදාය තෝරා ගත හැකිය. උදාහරණ පරිච්ඡේදය Protocol උදාහරණ පරිච්ඡේදය Protocol FastMCP වැනි frameworks මගින් Python සංවර්ධකයින් ඉක්මනින් deterministic MCP මෙවලම් ගොඩනැගීමට හැකි වේ, එබැවින් අමුද්රව්ය පරිශීලක උපදෙස් තේරුම් ගැනීමට උත්සාහ කරන LLMs හි අමුද්රව්යයන් අමුද්රව්ය ලබා ගැනීම සඳහා ව්යාපාරික අමුද්රව්ය වලට මාරු කරනු ලැබේ. FastMCP යනු FastAPI මත පදනම් වන REST API අවසාන ස්ථාන MCP මෙවලම් ඇමතුම් විශේෂාංගයට පරිවර්තනය කිරීම සඳහා තෝරාගත් පද්ධතියකි. MCP දත්ත බැංකු සහ API හි සෑම මෙවලමක් මත එක්තරා මෙවලම් ඇමතුම් ඉවත් කරන අතර, මෙම පවතී Python API codebase මෙම නියෝජිත ඇමතුම් අවසාන ස්ථාන හඳුනා ගැනීම සඳහා වෙනස් කළ යුතුය. නිෂ්පාදන ප්රදර්ශන සඳහා, Streaming workloads සඳහා, සැබෑ කාලය තුළ සිදුවීම් සමඟ සන්නිවේදනය කරන microservices සංවර්ධනය කිරීම සඳහා වඩාත් ජනප්රිය විවෘත මූලාශ්ර දත්ත ස්ටෙරොයිම් ව්යුහය ඉතිරි වේ.Apache Kafka සටන් පරීක්ෂා කර ඇති Python SDK හොඳින් Kafka නිෂ්පාදකයින්ට සහ Kafka පරිශීලකයින්ට ඇතුළත් වන microservices ගොඩනඟා ගැනීම සඳහා සුදුසු වේ. Apache කැෆ්කාව Apache කැෆ්කාව Apache Flink SQL, සැබෑ කාලීන නියෝජිත ව්යාපාර ක්රියාවලිය Flink SQL සමඟ, දත්ත ගුණාත්මක නීති සකස් කිරීම සහ Kafka මාතෘකාව මත ගුවන් දත්ත පරිවර්තනය කිරීම.This is an important step within the entire data pipeline and ensures that agents invoking data downstream in the pipeline have rich, clean and trustworthy data. ඔවුන්ගේ පාරිභෝගිකයන්ගේ හැසිරීම් වඩා හොඳින් තේරුම් ගැනීමට උත්සාහ කරන වෙළඳසැල් සඳහා සැබෑ වේලාවක නියෝජිත වැඩසටහනකට මෙම සංකල්ප භාවිතා කරමු. ඇඳුම් වෙළඳසැලකට ඇණවුම් ගබඩා කිරීම සහ සම්පූර්ණ කිරීම සිදු කරන බව සිතා බලන්න. කාලය තුළදී, ඉතිහාසගත ඇණවුම් දත්ත එකතු වන අතර, පාරිභෝගික මිලදී ගැනීමේ හැසිරීම් ප්රදර්ශනය කරන අතර, නිෂ්පාදන ඉක්මනින් විකිණෙන, පාරිභෝගිකයන් නැවත නැවත නැවත නැවත ලබා දෙන අතර, වයස් ගැටුම් කාණ්ඩ වඩාත් ඇඳුම් ඇණවුම් කරයි. මෙම ඓතිහාසික දත්තවලින් ලැබෙන අවබෝධය, වෙළඳසැල නව ඇඳුම් රේඛාව ඉදිරිපත් කිරීමට සහ ආදායම් උපරිම කිරීමට නව ඉතිහාසගත දත්ත Apache Iceberg තැපැල් ලෙස ගබඩා කර ඇති අතර සැබෑ කාලීන හැසිරීම Kafka මත ගබඩා කර ඇති බව අපි අනුමාන කරමු. මෙම ප්රභවයන් දෙකම සැබෑ කාලයේදී, අතීත පුරුදු මත පදනම්ව වෙළඳසැලට නිවැරදි මිලදී ගැනීමේ හැසිරීම ලබා දෙනු ඇත. මේ සඳහා, AI නියෝජිතයන් සමඟ අමුත්තන් විශ්ලේෂණික සැකසුම් පද්ධතිය (OLAP) සහ Apache Kafka පද්ධතියෙන් තොරතුරු ලබා ගැනීමට අවශ්ය වනු ඇත. මෙය උදාහරණයට පත් කිරීම සඳහා, අපි OLAP පද්ධතිය Apache Iceberg තැපැල් ගබඩාව තුළ තබා ඇති .Parquet ගොනුවන් සහ Apache Kafka වෙතින් භාවිතා කරන සැබෑ කාලීන ගබඩාව ගබඩා කිරීමට අවශ්ය තොරතුරු ලබා LangGraph හෝ AWS Strands වැනි ඕනෑම නියෝජිත ව්යුහය මෙම MCP සේවාදායකයන් මත මෙවලම් ආරාධනා කළ හැකි අතර අවශ් ය තොරතුරු ලබා ගත හැකිය. Python AI සංවර්ධකයා සඳහා මෙම විසඳුම නිර්මාණය කිරීම සඳහා පළමු පියවර වන්නේ Kafka සහ DuckDB MCP සඳහා FastMCP මෙවලම් සකස් කිරීමයි. ඉන්පසු, API අවසාන ස්ථාන අනුගමනය කළ යුතු අතර, මෙම නියෝජිතයන් සමඟ සම්බන්ධ වීමට ඉඩ සලසනු ඇත. අවසාන පියවර වන්නේ නිරීක්ෂිතතා විශේෂාංග එකතු කිරීම සහ AI ප්රතිචාර ගණනය කිරීමයි. නියෝජිත ක්රියාවලිය වැඩි දියුණු කිරීම සහ එය විශ්වාසදායක කිරීම සඳහා. සම්මත, අනුකූලතා සහ බැංකුවන්ට එරෙහිව නියෝජිතයන්ගේ අවසාන ප්රතිචාර ගණනය කිරීම, පරිශීලකයන්ගේ අනුකූලතාවය තහවුරු කිරීම සඳහා වැදගත් පියවරකි. සැබෑ කාලීන දත්ත වැඩිදියුණු කිරීම, පිරිසිදු කිරීම සහ එකතු කිරීම FlinkSQL මට්ටමේ සිදු වන නිසා, MCP Kafka සහ Flink සමඟ අමුත්තන් Python සංවර්ධකයින් FastAPI, FastMCP සහ LangGraph සහ AWS Strands වැනි විවෘත මූලාශ්ර විකුණුම් පද්ධති තුළ වැඩ කරන විට ඉහත සඳහන් කරන ආකාරය වැනි නියෝජිත වැඩපිළිවෙළක් නිර්මාණය කළ හැකිය. වර්තමානයේ Python සංවර්ධකයින් සඳහා, මෘදුකාංග ආයෝජකයන් ගොඩනැගීම සඳහා සම්පූර්ණ ආකෘති පරිවර්තනය අවශ්ය නොවේ. FastMCP for MCP tools discovery, Apache Kafka and Apache Flink SQL for real-time data integrity, ඔබ ඔබේ ආයෝජකයින් පිරිසිදු, විශ්වාසවන්ත දත්ත මගින් ශක්තිමත් කර ගත හැකි බව සහතික කර ගත හැකිය. ඔබ LangGraph හෝ AWS Strands භාවිතා කරන්නේ නම්, ආයෝජක වැඩපිළිවෙළ වෙත මාරු කිරීම මූලික වශයෙන් ඔබ දැනටමත් දන්නා මයික්රෝ සේවා ආකෘති සංවර්ධනය වේ. Kafka සහ Flink සමඟ චැට් කිරීම - Python යෙදුම් සංවර්ධකයින් සඳහා AI නියෝජිතයන් සහ Confluent MCP අයදුම්කරුගේ දර්ශනයෙන් Kafka සහ Flink (150 වචන) 
 
 
 
 
 ව්යාපාරික යෙදුම් සඳහා microservices නිර්මාණය කිරීම, ෆ් රෑම් ගබඩා සඳහා de-facto සම්මතය ලෙස Kafka එකිනෙකා සමඟ කතා කරන microservices සඳහා පණිවුඩ මධ්යස්ථානය ලෙස භාවිතා කිරීම පහසු - කාර් API <-> ඇණවුම් නිර්මාණය API <-> loyalty API <-> ඇණවුම් සම්පූර්ණ කිරීම API ආදිය .. ෆ්ලින්ක් Kafka මාතෘකාව ඇතුළත ආකර්ෂණය, පරිවර්තනය සහ උසස් තත්ත්වයේ සංඛ්යාත දත්ත නිර්මාණය කරයි මයික්රෝ සේවා ඇතුළත AI නියෝජිතයා ඇතුළත් කළ හැකි නම් කුමක් ද? (150 වචන) 
 
 
 
 Microservices සෑම විටම REST Endpoints ඇත '/chat' ඇතුළත් කරන්න නියෝජිතයන් සමඟ චැට් අනෙකුත් අවසාන ස්ථාන ව්යාපාරික ලෝහය නිර්මාණය කරනු ඇත, එය kontext ලෙස `/chat/ වෙත ප්රකාශ කරනු ඇත. MCP (Model Context Protocol) - AI නියෝජිතයන් කතා කරන භාෂාව(200 වචන) 
 
 
 MCP streamable-http ප්රවාහන ක්රමය හරහා Kafka සහ Flink මෙවලම් ඔප්පු කරන්න නියෝජිතයන් අභ්යාසය හා මෙවලම් සොයා ගැනීමට සහ විශේෂ මෙවලමක් සමඟ පරිශීලක ඉල්ලුම ගැලපෙනු ඇත. Retail Store හැසිරීම නියෝජිතයා - උදාහරණයක්(400 වචන) 
 
 
 
 
 
 ස්ථාපනය පැහැදිලි කරන්න - වෙළඳසැල් හරහා වේගවත් ඇණවුම් පිළිගැනීම Run Confluent MCP - විස්තර github repo of mcp-confluent සහ Kafka, Flink විශේෂ මෙවලම් නියෝජිත ලැයිස්තුව Kafka සහ FLink මෙවලම් සහ LLM උපකාරයෙන් අභ්යාසය. නියෝජිතයා ප්රශ්නයට පිළිතුරු දෙන්නේ "පසුගිය විනාඩි 5 තුළ වැඩිම ඇණවුම් පිළිගත් වෙළඳසැල් කුමක්ද"යි. නියෝජිතයා MCP මෙවලම් Kafka පණිවිඩ ලබා ගැනීම හා ප්රතිචාර.

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

මෙම ශ්‍රව්‍යය කතාවේ මුල් භාෂාවෙන් නිෂ්පාදනය කර ඇත!

Python සංවර්ධකයින් MCP, Kafka සහ Flink භාවිතා කරමින් AI නියෝජිතයන් නිර්මාණය කළ හැකි ආකාරය

About Author

අදහස්

ටැග් එල්ලන්න

මෙම ලිපිය ඉදිරිපත් කරන ලදී

Related Stories

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

Startups of The Year: Meet the Programming Industry

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 1 ප්රතිඵල

New Licensing Options for Pixel Icon Library: Free, Starter & Pro Plans

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

Startups of The Year: Meet the Programming Industry

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 1 ප්රතිඵල

New Licensing Options for Pixel Icon Library: Free, Starter & Pro Plans

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps