Microsoft se réjouit de présenter , une démonstration d'application avec fonctionnalité d'entreprise qui démontre comment les développeurs peuvent coordonner et (écrit en Java, .NET, Python et TypeScript) pour explorer les scénarios de planification des voyages. pour l’orchestration, pour les interactions structurées avec les outils, Azure AI Foundry, GitHub Model et pour un déploiement scalable. AI Travel Agents multiple AI agents MCP servers LlamaIndex.TS Model Context Protocol (MCP) Azure Container Apps Les agents de voyage M. le Dr : Expérimentez la puissance de MCP et Azure avec The AI Travel Agents ! Essayez la démonstration en direct sur votre ordinateur pour voir la collaboration en temps réel entre agents en action. Partagez vos commentaires sur notre forum communautaire. Nous prévoyons déjà des améliorations, telles que de nouveaux agents intégrés au MCP, permettant une communication sécurisée entre les agents de l'IA et les serveurs du MCP, ajoutant un support pour Agent2Agent via le MCP. Ce travail est toujours en cours et nous accueillons également toutes sortes de contributions. M. le Dr : Cette application d'échantillon utilise des données de simulation et est destinée à des fins de démonstration plutôt que d'utilisation de la production. Cette application d'échantillon utilise des données de simulation et est destinée à des fins de démonstration plutôt que d'utilisation de la production. Le défi : l’amélioration de la planification de voyage personnalisée Les agences de voyages font face à des tâches complexes : analyser les besoins diversifiés des clients, recommander des destinations et concevoir des itinéraires, tout en intégrant des données en temps réel telles que les points de tendance ou la logistique.Les systèmes traditionnels échouent avec la latence, l’évolutivité et la coordination, ce qui entraîne des retards et des clients frustrés. LlamaIndex.TS orchestre six agents d’IA pour un traitement efficace des tâches. MCP fournit aux agents des données et des outils spécifiques aux voyages. Azure Container Apps assure un déploiement sans serveur et évolutif. Cette architecture offre une efficacité opérationnelle et un service personnalisé à l’échelle, transformant le chaos en opportunité. LlamaIndex.TS : Orchestrer les agents de l’IA Le cœur des agents de voyages AI est , un puissant cadre d'agent qui orchestre plusieurs agents d'IA pour gérer des tâches de planification de voyage. Construit sur un backend Node.js, LlamaIndex.TS gère les interactions d'agent de manière fluide et intelligente: LlamaIndex.TS Délégation des tâches: l'agent de triage analyse les requêtes et les dirige vers des agents spécialisés, tels que l'agent de planification des itinéraires, assurant des flux de travail efficaces. Coordination des agents : LlamaIndex.TS maintient le contexte dans les interactions, permettant des réponses cohérentes aux requêtes complexes, telles que les plans de voyage multi-city. Intégration LLM : Connectez-vous à Azure OpenAI, GitHub Models ou à tout LLM local en utilisant Foundy Local pour des capacités d'IA avancées. La conception modulaire de LlamaIndex.TS prend en charge l'extensibilité, ce qui permet d'ajouter facilement de nouveaux agents. LlamaIndex.TS est le conducteur, assurant que les agents travaillent en synchronisation pour fournir des résultats précis et opportuns. MCP : Fueling Agents avec des données et des outils Le empowerment les agents de l’IA en fournissant des données et des outils spécifiques aux voyages, en améliorant leur fonctionnalité. Model Context Protocol (MCP) Données en temps réel : fournit des informations de voyage à jour, telles que des destinations tendances ou des événements saisonniers, via l’agent de recherche Web à l’aide de la recherche Bing. Access d’outils : connecte les agents à des outils externes, tels que l’analyseur de requêtes client basé sur .NET pour l’analyse des sentiments, la planification d’itinéraires basée sur Python pour les horaires de voyage ou les outils de recommandation de destination écrits en Java. Par exemple, lorsque l'agent de recommandation de destination a besoin des tendances de voyage actuelles, MCP fournit par l'intermédiaire de l'agent de recherche Web. Cette modularité permet d'intégrer de nouveaux outils en toute simplicité, prouvant ainsi l'avenir de la plate-forme. Applications Azure Container : évolutivité et résilience Le modèle d'application de l'IA Travel Agents est doté d'une plate-forme sans serveur et évolutive pour le déploiement de microservices. Il garantit que l'application gère facilement les charges de travail différentes: Azure Container Apps Évolutivité dynamique : ajuste automatiquement les instances de conteneurs en fonction de la demande, gérant les augmentations de réservation sans temps d’arrêt. Microservices Polyglot : prend en charge les services .NET (Customer Query), Python (Itinerary Planning), Java (Destination Recommandation) et Node.js dans des conteneurs isolés. Observabilité : Intégration de traçage, de mesures et de journalisation permettant une surveillance en temps réel. L’efficacité sans serveur : abstrait l’infrastructure, réduit les coûts et accélère le déploiement. L'infrastructure mondiale d'Azure Container Apps offre des performances à faible latence, essentielles pour les agences de voyages servant les clients dans le monde entier. Les agents de l’IA : un coup d’œil rapide Alors que MCP et Azure Container Apps sont les stars, ils prennent en charge une équipe de multiples agents d’IA qui alimentent la fonctionnalité de l’application. Construits et orchestrés avec Llamaindex.TS via MCP, ces agents collaborent pour gérer les tâches de planification des voyages : Triage Agent : dirige les requêtes vers l’agent approprié, en tirant parti du MCP pour la délégation de tâches. Client Query Agent : analyse les besoins des clients (émotions, intentions), en utilisant les outils .NET. Agent de recommandation de destination : suggère des destinations sur mesure, en utilisant Java. Agent de planification d’itinéraires : dessine des itinéraires efficaces, alimentés par Python. Agent de recherche Web: Récupère des données en temps réel via la recherche Bing. Ces agents s’appuient sur la communication en temps réel de MCP et l’évolutivité des applications Azure Container pour fournir des résultats précis et réactifs. Il convient de noter que cette application d'échantillon utilise des données de simulation à des fins de démonstration. Dans un scénario réel, l'application communiquerait avec un serveur MCP qui est connecté à une API de voyage de production réelle. Essayez le dehors en utilisant Docker Model Runner / Ollama ou Azure AI Foundry pour des LLM plus capables, pour voir la collaboration des agents en temps réel en action. Essayez la démo en direct localement sur votre ordinateur gratuitement Conclusion Vous pouvez aujourd'hui explorer le projet open source sur , avec les instructions de configuration et de déploiement. Partagez vos commentaires sur notre site Nous prévoyons déjà des améliorations, telles que de nouveaux agents intégrés au MCP, permettant entre les agents d'IA et les serveurs MCP, ajoutant un soutien pour Agent2Agent via MCP. Github Forum communautaire Communication sécurisée Ceci est encore un travail en cours et nous accueillons également toutes sortes de contributions. S'il vous plaît fork et star le repo pour rester à jour pour les mises à jour! Nous aimerions vos commentaires et poursuivre la discussion dans Azure AI Discord https://aka.ms/AI/discord
