Microsoft DevRel dengan senang hati memperkenalkan , demo aplikasi sampel dengan fungsi enterprise yang menunjukkan bagaimana pengembang dapat mengkoordinasikan dan (diterbitkan dalam Java, .NET, Python dan TypeScript) untuk mengeksplorasi skenario perencanaan perjalanan. Untuk pembuatan orkestra, untuk interaksi alat terstruktur, Azure AI Foundry, Model GitHub dan Untuk implementasi scalable. Para agen perjalanan multiple AI agents MCP servers LlamaIndex.TS Model Context Protocol (MCP) Azure Container Apps Para agen perjalanan T. dan dr : Nikmati kekuatan MCP dan Azure dengan The AI Travel Agents! Coba demo langsung secara lokal di komputer Anda untuk melihat kolaborasi agen real-time dalam aksi. Bagikan umpan balik Anda di forum komunitas kami. Kami sudah merencanakan perbaikan, seperti agen baru yang terintegrasi dengan MCP, yang memungkinkan komunikasi yang aman antara agen AI dan server MCP, menambahkan dukungan untuk Agent2Agent melalui MCP. Ini masih merupakan pekerjaan yang sedang berlangsung dan kami juga menyambut semua jenis kontribusi. Silakan fork dan bintang repo untuk tetap terkoneksi untuk pembaruan! T. dan dr : Aplikasi sampel ini menggunakan data mock dan dimaksudkan untuk tujuan demonstrasi daripada penggunaan produksi. Aplikasi sampel ini menggunakan data mock dan dimaksudkan untuk tujuan demonstrasi daripada penggunaan produksi. Tantangan: Scaling perencanaan perjalanan yang dipersonalisasi Agen perjalanan berjuang dengan tugas-tugas yang kompleks: menganalisis kebutuhan pelanggan yang beragam, merekomendasikan tujuan, dan membuat rute, semua sambil mengintegrasikan data real-time seperti trending spot atau logistik. sistem tradisional berantakan dengan latensi, skalabilitas, dan koordinasi, menyebabkan penundaan dan frustrasi pelanggan. LlamaIndex.TS mengoreksikan enam agen AI untuk pengolahan tugas yang efisien. MCP melengkapi agen dengan data dan alat khusus perjalanan. Azure Container Apps memastikan penyebaran tanpa server yang dapat diperluas. Arsitektur ini memberikan efisiensi operasional dan layanan yang dipersonalisasi di skala, mengubah kekacauan menjadi peluang. LlamaIndex.TS: Mengorganisir Agen AI Jantung dari agen perjalanan AI adalah , kerangka kerja agen yang kuat yang mengoreksi beberapa agen AI untuk menangani tugas perencanaan perjalanan. Dibangun pada backend Node.js, LlamaIndex.TS mengelola interaksi agen dengan cara yang lancar dan cerdas: LlamaIndex.TS Delegasi Tugas: Agen Triage menganalisis kueri dan mengarahkan mereka ke agen khusus, seperti Agen Perencanaan Rute, memastikan alur kerja yang efisien. Koordinasi Agen: LlamaIndex.TS mempertahankan konteks di seluruh interaksi, memungkinkan jawaban yang koheren untuk pertanyaan yang kompleks, seperti rencana perjalanan multi-kota. Integrasi LLM: Menghubungkan ke Azure OpenAI, GitHub Models atau LLM lokal menggunakan Foundy Local untuk kemampuan AI lanjutan. Desain modular LlamaIndex.TS mendukung ekstensibilitas, memungkinkan agen baru untuk ditambahkan dengan mudah. LlamaIndex.TS adalah konduktor, memastikan agen bekerja secara sinkron untuk memberikan hasil yang akurat dan tepat waktu. MCP: Fueling Agents dengan Data dan Alat yang memberdayakan agen AI dengan menyediakan data dan alat khusus perjalanan, meningkatkan fungsionalitas mereka. MCP bertindak sebagai hub data dan alat: Model Context Protocol (MCP) Data real-time: Memberikan informasi perjalanan terbaru, seperti tujuan tren atau acara musiman, melalui Web Search Agent menggunakan Bing Search. Akses alat: Menghubungkan agen ke alat eksternal, seperti analis kueri pelanggan berbasis .NET untuk analisis sentiment, perencanaan rute berbasis Python untuk jadwal perjalanan atau alat rekomendasi tujuan yang ditulis dalam Java. Misalnya, ketika Agen Rekomendasi Destinasi membutuhkan tren perjalanan saat ini, MCP menyampaikan melalui Agen Pencarian Web. Modularitas ini memungkinkan alat-alat baru untuk diintegrasikan dengan lancar, mendukung platform di masa depan. peran MCP adalah untuk memperkaya kemampuan agen, meninggalkan orkestrasi ke LlamaIndex.TS. Aplikasi Azure Container: Skalabilitas dan Resiliensi powers The AI Travel Agents sample application with a serverless, scalable platform for deploying microservices. It ensures the application handles varying workloads with ease: Azure Container Apps Dinamis Scaling: secara otomatis menyesuaikan instansi kontainer berdasarkan permintaan, mengelola peningkatan pemesanan tanpa downtime. Polyglot Microservices: Mendukung layanan .NET (Customer Query), Python (Itinerary Planning), Java (Destination Recommandation) dan Node.js dalam kontainer terisolasi. Observability: Mengintegrasikan tracking, metrik, dan logging yang memungkinkan pemantauan real-time. Efisiensi tanpa server: Mengabaikan infrastruktur, mengurangi biaya dan mempercepat implementasi. Infrastruktur global Azure Container Apps memberikan kinerja latensi rendah, yang sangat penting bagi agen perjalanan yang melayani pelanggan di seluruh dunia. Agen AI: Sebuah Pandangan Cepat Sementara MCP dan Azure Container Apps adalah bintang, mereka mendukung tim beberapa agen AI yang mendorong fungsionalitas aplikasi. Dibangun dan disusun dengan Llamaindex.TS melalui MCP, agen ini bekerja sama untuk menangani tugas perencanaan perjalanan: Triage Agent: Mengarahkan kueri ke agen yang tepat, memanfaatkan MCP untuk delegasi tugas. Customer Query Agent: Menganalisis kebutuhan pelanggan (emosi, niat), menggunakan alat .NET. Destination Recommendation Agent: Sarankan tujuan yang disesuaikan, menggunakan Java. Router Planning Agent: Merancang rute yang efisien, didukung oleh Python. Web Search Agent: Mendapatkan data real-time melalui Bing Search. Agen ini bergantung pada komunikasi real-time MCP dan skalabilitas Azure Container Apps untuk memberikan hasil yang responsif dan akurat. Perlu dicatat bahwa aplikasi sampel ini menggunakan data mock untuk tujuan demonstrasi. dalam skenario real-world, aplikasi akan berkomunikasi dengan server MCP yang terhubung ke API perjalanan produksi nyata. Cobalah keluar menggunakan Docker Model Runner / Ollama atau Azure AI Foundry untuk LLM yang lebih mampu, untuk melihat kolaborasi agen real-time dalam aksi. Cobalah live demo secara lokal di komputer Anda secara gratis Kesimpulan Anda dapat mengeksplorasi proyek open source hari ini di , dengan instruksi pengaturan dan implementasi. Bagikan umpan balik Anda di . We’re already planning enhancements, like new MCP-integrated agents, enabling antara agen AI dan server MCP, menambahkan dukungan untuk Agent2Agent melalui MCP. GitHub forum komunitas Komunikasi yang Aman Ini masih merupakan pekerjaan yang sedang berlangsung dan kami juga menyambut semua jenis kontribusi. silakan fork dan bintang repo untuk tetap terkoneksi untuk pembaruan! Kami akan menyukai umpan balik Anda dan melanjutkan diskusi di Azure AI Discord https://aka.ms/AI/discord
