ai-agents-for-beginners
ఏజెంటిక్ ప్రోటోకాల్స్ ఉపయోగించడం (MCP, A2A మరియు NLWeb)
(ఈ పాఠం వీడియోను చూసేందుకు పై చిత్రాన్ని క్లిక్ చేయండి)
AI ఏజెంట్ల వినియోగం పెరుగుతున్నందున, ప్రమాణీకరణ, భద్రత మరియు ఓపెన్ ఇన్నోవేషన్కు మద్దతు ఇవ్వడానికి ప్రోటోకాల్స్ అవసరం. ఈ పాఠంలో, మనం ఈ అవసరాన్ని తీర్చడానికి ప్రయత్నించే 3 ప్రోటోకాల్స్ — Model Context Protocol (MCP), Agent to Agent (A2A) మరియు Natural Language Web (NLWeb) — గురించి పరిచయం చేసుకుంటాం.
పరిచయం
ఈ పాఠంలో, మనం కవర్ చేయనున్నవి:
• ఎలాగే MCP AI ఏజెంట్స్కు బాహ్య టూల్స్ మరియు డేటా యాక్సెస్ చేసి వినియోగదారు పనులను పూర్తి చేయడానికి అనుమతిస్తుంది.
• ఎలాగే A2A విభిన్న AI ఏజెంట్ల మధ్య కమ్యూనికేషన్ మరియు సహకారాన్ని సాధ్యమవ్విస్తుంది.
• ఎలాగే NLWeb ఏదైన వెబ్సైట్కు సహజ భాషా ఇంటర్ఫేస్లను తీసుకురావడం ద్వారా AI ఏజెంట్స్కి కంటెంట్ను కనుగొనటానికి మరియు ఇంటరాక్ట్ చేయటానికి వీలు కల్పిస్తుంది.
అభ్యాస లక్ష్యాలు
• పరిచయమవ్వండి MCP, A2A, మరియు NLWeb యొక్క ప్రధాన ఉద్దేశ్యం మరియు లాభాలు AI ఏజెంట్ల సందర్భంలో ఏమిటో.
• వివరణ చెయ్యండి ప్రతి ప్రోటోకాల్ LLMs, టూల్స్, మరియు ఇతర ఏజెంట్ల మధ్య ఎలా కమ్యూనికేషన్ మరియు ఇంటరాక్షన్ను సులభతరం చేస్తుందో.
• గుణించుకోండి సంక్లిష్ట ఏజెంటిక్ సిస్టమ్స్ నిర్మాణంలో ప్రతి ప్రోటోకాల్ వేర్వేరు పాత్రలను గుర్తించడం.
Model Context Protocol
Model Context Protocol (MCP) ఒక ఓపెన్ స్టాండర్డ్, ఇది అప్లికేషన్లకు LLMsకు context మరియు టూల్లను సరైన తంత్రంలో అందించడానికి ప్రామాణీకృత మార్గాన్ని అందిస్తుంది. ఇది AI ఏజెంట్స్ నిరంతరంగా అనుసంధానమవగలిగే వివిధ డేటా సోర్సులు మరియు టూల్స్కు “యూనివర్సల్ అడాప్టర్” పనిచేసేలా చేస్తుంది.
MCP యొక్క భాగాలు, నేరుగా API వాడటం కన్నా ప్రయోజనాలు, మరియు AI ఏజెంట్స్ ఒక MCP సర్వర్ను ఎలా వినియోగించవచ్చు అనే ఉదాహరణను చూద్దాం.
MCP మౌలిక భాగాలు
MCP ఒక క్లయింట్-సర్వర్ ఆర్కిటెక్చర్పై పనిచేస్తుంది మరియు ప్రధాన భాగాలు:
• Hosts అనేవి MCP సర్వర్కు కనెక్షన్లను ప్రారంభించే LLM అప్లికేషన్లు (ఉదాహరణకి VSCode వంటి కోడ్ ఎడిటర్).
• Clients అనేవి హోస్ట్ అప్లికేషన్లోని భాగాలు, ఇవి సర్వర్లతో ఒకటి-ఒకటి కనెక్షన్లను నిర్వహిస్తాయి.
• Servers అనేవి నిర్దిష్ట విశేషశక్తులను ఎక్స్పోజ్ చేసే లైట్వెయిట్ ప్రోగ్రామ్లు.
ప్రోటోకాల్లో మూడు ప్రధాన ప్రిమిటివ్లు ఉన్నాయి, ఇవే MCP సర్వర్ యొక్క సామర్థ్యాలు:
• Tools: ఇవి AI ఏజెంట్ ఒక చర్యను ఏర్పడేందుకు కాల్ చేయగల విడివిడిగా కార్యాచరణలు లేదా ఫంక్షన్లు. ఉదాహరణకి, వాతావరణ సేవ ఒక “get weather” టూల్ను ఎక్స్పోజ్ చేయవచ్చు, లేదా ఈ-కామర్స్ సర్వర్ ఒక “purchase product” టూల్ను అందించవచ్చు. MCP సర్వర్లు ప్రతీ టూల్ యొక్క పేరు, వివరణ, మరియు ఇన్పుట్/ఔట్పుట్ స్కీమాను వారి సామర్థ్యాల జాబితాలో ప్రకటన చేస్తాయి.
• Resources: ఇవి MCP సర్వర్ అందించగల రీడ్-ఓన్లీ డేటా ఐటెమ్స్ లేదా డాక్యుమెంట్లు; క్లయింట్లు అవి డిమాండ్ ప్రకారం పొందగలుగుతుంటారు. ఉదాహరణలకు ఫైల్ కంటెంట్లు, డేటాబేస్ రికార్డ్లు, లేదా లాగ్ ఫైళ్ళు వస్తాయి. రిసోర్సులు టెక్స్ట్ (కోడ్ లేదా JSON వంటి) లేదా బైనరీ (ఇమేజ్లు లేదా PDFs వంటి) కావచ్చు.
• Prompts: ఇవి ముందుగా నిర్వచించిన టెంప్లేట్స్, సజెస్టెడ్ ప్రాంప్ట్లను అందిస్తూ మరింత సంక్లిష్ట వర్క్ఫ్లోలను సులభతరం చేస్తాయి.
MCP యొక్క లాభాలు
MCP AI ఏజెంట్స్ కోసం అనేక ప్రయోజనాలు అందిస్తుంది:
• డైనమిక్ టూల్ డిస్కవరీ: ఏజెంట్స్ సర్వర్ నుండి అందుబాటులో ఉన్న టూల్స్ జాబితాను వివరణలతో కలిసి డైనమిక్గా పొందగలవు. ఇది బహుళకాలంలో ఇన్టిగ్రేషన్ల కోసం స్థిర కోడింగ్ అవసరంలేని సంప్రదాయ APIs తో భేదపడి ఉంటుంది; ఏదైనా API మార్పు కోడ్ అప్డేట్లను అవసరం చేస్తుంది. MCP ఒక “ఒక్కసారి ఇంటిగ్రేట్ చేయండి” దృష్టికోణాన్ని అందిస్తుంది, దీంతో అధిక అనుకూలత ఏర్పడుతుంది.
• వివిధ LLMs తో అంతర్గత పరస్పర క్రియాశీలత: MCP వివిధ LLMs మధ్య పని చేస్తుంది, మెరుగైన పనితీరు కోసం కోర్ మోడల్స్ను మార్చుకోవడానికి ఫ్లెక్సిబిలిటీ అందిస్తుంది.
• ప్రామాణీకృత భద్రత: MCP ఒక స్టాండర్డ్ ఆటెంతోకరణ పద్ధతిని కలిగి ఉంటుంది, అదనపు MCP సర్వర్లకు యాక్సెస్ జోడించినప్పుడు స్కేలబిలిటీని మెరుగుపరుస్తుంది. ఇది విభిన్న కీలు మరియు సంప్రదాయ APIల కోసం వేర్వేరు ఆటెంతోకరణ రకాలను నిర్వహించడం కన్నా సులభమే.
MCP ఉదాహరణ
ఒక వినియోగదారు MCP ద్వారా శక్తిచెందిన AI సహాయకుడు ఉపయోగించి ఫ్లైట్ బుక్ చేయాలనుకుంటున్నట్లు ఊహించండి.
-
కనెక్షన్: AI సహాయకుడు (MCP క్లయింట్) ఒక ఎయిర్లైన్ అందించిన MCP సర్వర్కు కనెక్ట్ అవుతుంది.
-
టూల్ డిస్కవరీ: క్లయింట్ ఎయిర్లైన్ యొక్క MCP సర్వర్ను అడుగుతుంది, “మీ వద్ద ఎలాంటి టూల్స్ ఉన్నాయి?” సర్వర్ “search flights” మరియు “book flights” లాంటి టూల్స్తో ప్రతిస్పందిస్తుంది.
-
టూల్ కళ్ చేయడం: మీరు AI సహాయకుడు ను అడుగుతారు, “దయచేసి పోర్ట్లాండ్ నుండి హోనోలూలుకు ఫ్లైట్ కోసం శోధించండి.” AI సహాయకుడు, దాని LLM ఉపయోగించి, “search flights” టూల్ని కాల్ చేయాల్సిన అవసరం ఉందనే నిర్ణయం తీసుకొని సంబంధిత పారామీటర్లను (origin, destination) MCP సర్వర్కు పంపిస్తుంది.
-
నిర్వహణ మరియు సమాధానం: MCP సర్వర్ ఒక రాపర్గా వ్యవహరించి, వాస్తవంలో ఎయిర్లైన్ యొక్క అంతర్గత బుకింగ్ APIకి కాల్ చేస్తుంది. అది ఫ్లైట్ సమాచారం (ఉదాహరణకు JSON డేటా) అందుకొని AI సహాయకుడికి తిరిగి పంపిస్తుంది.
-
తదుపరి ఇంటరాక్షన్: AI సహాయకుడు ఫ్లైట్ ఎంపికలను ప్రదర్శిస్తుంది. మీరు ఒక ఫ్లైట్ను ఎంచుకున్న తర్వాత, సహాయకుడు అదే MCP సర్వర్పై “book flight” టూల్ని invoke చేసి బుకింగ్ను పూర్తి చేస్తుంది.
Agent-to-Agent Protocol (A2A)
MCP LLMsని టూల్స్కు కనెక్ట్ చేయడంపై దృష్టి పెడితే, Agent-to-Agent (A2A) ప్రోటోకాల్ అది ఒక దశముఖంగా తీసుకెళుతూ వేర్వేరు AI ఏజెంట్ల మధ్య కమ్యూనికేషన్ మరియు సహకారాన్ని సాధ్యమవ్విస్తుంది. A2A విభిన్న సంస్థలు, పరిసరాలు మరియు టెక్ స్ట్యాక్స్కు చెందుతున్న AI ఏజెంట్లను ఒకే రోజు పనిని పూర్తి చేయడానికి కనెక్ట్ చేస్తుంది.
మనం A2A యొక్క భాగాలు మరియు లాభాలు మరియు మన ప్రయాణ అప్లికేషన్లో దానిని ఎలా వర్తింపచేసుకోగలనో ఒక ఉదాహరణను పరిశీలిస్తాము.
A2A మౌలిక భాగాలు
A2A ఏజెంట్ల మధ్య కమ్యూనికేషన్ను సాధ్యమవ్వించడంపై మరియు వారు కలిసి వినియోగదారు ఉపరికారాన్ని పూర్తి చేయటంపై కేంద్రీకృతమవుతుంది. ప్రోటోకాల్ యొక్క ప్రతి భాగం దీనికి సహాయం చేస్తుంది:
Agent Card
MCP సర్వర్ ఒక టూల్స్ లిస్ట్ను పంచుకునే విధంగా, ఒక Agent Card లో ఉంటాయి:
- Agent యొక్క పేరు .
- ఇది పూర్తి చేసే సాధారణ పనుల యొక్క వివరణ.
- ఇతర ఏజెంట్లు (కాని మానవ వినియోగదారులు కూడా) ఎప్పుడు మరియు ఎందుకు ఆ ఏజెంట్ను కాల్ చేయాలని అర్థం చేసుకునేందుకు సహాయపడే వివరణలతో కూడిన ప్రత్యేక నైపుణ్యాల జాబితా.
- ఏజెంట్ యొక్క ప్రస్తుత Endpoint URL
- ఏజెంట్ యొక్క వర్షన్ మరియు సామర్థ్యాలు (ఉదాహరణకు స్ట్రీమింగ్ రెస్పాన్స్లు మరియు పుష్ నోటిఫికేషన్స్).
Agent Executor
Agent Executor బాధ్యత ఏమిటంటే వినియోగదారుడి చాట్ యొక్క కాన్టెక్స్ట్ను రిమోట్ ఏజెంట్కు పంపడం, రిమోట్ ఏజెంట్కు ఈ విషయం కావాలి ఎటువంటి పని చేయాలో అర్థం చేసుకోవడానికి. A2A సర్వర్లో, ఏజెంట్ తానుదే Large Language Model (LLM) ఉపయోగించి ఇన్కమింగ్ రిక్వెస్ట్లను పార్స్ చేసి తనలోని టూల్స్ ఉపయోగించి పనులను నిర్వర్తిస్తుంది.
Artifact
ఒక రిమోట్ ఏజెంట్ కోరిన పని పూర్తి చేసిన తర్వాత, దాని వర్క్ ప్రొడక్ట్ను ఒక ఆర్టిఫాక్ట్గా సృష్టిస్తారు. ఆ ఆర్టిఫాక్ట్లో ఏజెంట్ చేసిన పనికి సంబంధించిన ఫలితం, ఏది పూర్తయిందనే వర్ణన, మరియు ప్రోటోకాల్ ద్వారా పంపిన టెక్స్ట్ కాన్టెక్స్ట్ ఉంటాయి. ఆ ఆర్టిఫాక్ట్ పంపిన తర్వాత, అవసరం రావటప్పటి వరకు రిమోట్ ఏజెంట్తో కనెక్షన్ మూసివేయబడుతుంది.
Event Queue
ఈ భాగం అప్డేట్స్ని హ్యాండిల్ చేయడానికి మరియు సందేశాలను పంపడానికి ఉపయోగిస్తారు. ఇవి ప్రొడక్షన్లో ఏజెంటిక్ సిస్టమ్స్లో ముఖ్యంగా అవసరం అవుతుంది, ఎందుకంటే పని పూర్తి అయ్యే వరకు ఏజెంట్ల మధ్య కనెక్షన్ మూసిపోకుండా ఉండేందుకు ఇది ముఖ్యంగా ముఖ్యం, ముఖ్యంగా పనులు పూర్తి అవ్వడానికి ఎక్కువ సమయం పట్టే సందర్భాల్లో.
A2A యొక్క లాభాలు
• బెట్టర్ కలబరేషన్: ఇది వివిధ వర్కింగ్ ప్లాట్ఫారమ్లు మరియు వెండర్ల నుండి ఏజెంట్లు పరస్పర చర్య చేయడానికి, కాన్టెక్స్ట్ను పంచుకోవడానికి, మరియు కలిసి పని చేయడానికి అవకాశం కల్పిస్తుంది, సాధారణంగా విడిపోయిన సిస్టమ్స్ మధ్య స్మూత్ ఆటోమేషన్ సులభతరం చేస్తుంది.
• మోడల్ ఎంపికలో స్వేచ్ఛ: ప్రతి A2A ఏజెంట్ తనకు అవసరమయ్యే LLM ఏదో నిర్ణయించుకోగలదు, తద్వారా ప్రతి ఏజెంట్కు ఆప్టిమైజ్ చేయబడిన లేదా ఫైన్-ట్యూన్ చేయబడ్డ మోడళ్లను ఉపయోగించడం సాధ్యం అవుతుంది, కొన్ని MCP పరిస్ధితులలో ఒకే LLM కనెక్షన్ ఉండటం కన్నా వ్యత్యాసంగా.
• ఇన్బిల్ట్ ఆటెంతోకరణ: A2A ప్రోటోకాల్లో ఆటెంతోకరణ నేరుగా ఏజెంట్ అంతరాక్షణలకు దృఢ భద్రతా ఫ్రేమ్వర్క్ ని అందిస్తుంది.
A2A ఉదాహరణ
మన ట్రావెల్ బుకింగ్ సన్నివేశాన్ని ఇంకా విస్తరిద్దాం, కానీ ఈసారి A2A ఉపయోగించి.
-
వినియోగదారు బహుళ ఏజెంట్కు అభ్యర్థన: వినియోగదారు “ట్రావల్ ఏజెంట్” A2A క్లయింట్/ఏజెంట్తో ఇంటరాక్ట్ చేసి ఉండవచ్చు, ఉదాహరణకి, “దయచేసి వచ్చే వారంలో హోనోలూలుకు మొత్తం ప్రయాణాన్ని బుక్ చేయండి—ఫ్లైట్లు, హోటల్, మరియు రెంటల్ కార్ లు కూడా” అని చెప్పడం.
-
ట్రావెల్ ఏజెంట్ ఆర్కెస్ట్రేషన్: ట్రావెల్ ఏజెంట్ ఈ సంక్లిష్ట అభ్యర్థనను పొందుతుంది. అది దాని LLM ద్వారా ఆ టాస్క్ను రీజనింగ్ చేసి, ఇతర ప్రత్యేక ఏజెంట్లతో పరస్పర చర్య అవసరమని నిర్ణయిస్తుంది.
-
ఏజెంట్ల మధ్య కమ్యూనికేషన్: ట్రావెల్ ఏజెంట్ A2A ప్రోటోకాల్ ఉపయోగించి డౌన్స్ట్రీమ్ ఏజెంట్లకు కనెక్ట్ అవుతుంది, ఉదాహరణకు వేరే కంపెనీలు సృష్టించిన “Airline Agent”, “Hotel Agent”, మరియు “Car Rental Agent” వంటి ఏజెంట్లకు.
-
పక్రమైన విధంగా పనుల అప్పగింత: ట్రావెల్ ఏజెంట్ ఈ ప్రత్యేక ఏజెంట్లకు నిర్దిష్ట పనులను పంపుతుంది (ఉదాహరణకు, “Find flights to Honolulu”, “Book a hotel”, “Rent a car”). వీటిలో ప్రతి ప్రత్యేక ఏజెంట్ తమ స్వంత LLMs నడుపుతూ తమ స్వంత టూల్స్ (ఇవి తానుతానే MCP సర్వర్లు కూడా కావచ్చు) ఉపయోగించి బుకింగ్ యొక్క కొంత భాగాన్ని నిర్వహిస్తాయి.
-
ఒక్క చోట సంకలితం సమాధానం: అన్ని డౌన్స్ట్రీమ్ ఏజెంట్లు తమ పనులను పూర్తి చేస్తున్న తర్వాత, ట్రావెల్ ఏజెంట్ ఫ్లైట్ వివరాలు, హోటల్ కన్ఫర్మేషన్, కారు రెంటల్ బుకింగ్ వంటి ఫలితాలను ఒకచోట చేర్చి వినియోగదారునికి చాట్-శైలి సమగ్ర సమాధానంగా పంపిస్తుంది.
Natural Language Web (NLWeb)
వెబ్సైట్లు చాలా కాలంగా ఇంటర్నెట్పై వినియోగదారులు సమాచారం మరియు డేటాను యాక్సెస్ చేయడానికి ప్రధాన మార్గం.
ఇప్పుడు మనం NLWeb యొక్క వివిధ భాగాలు, లాభాలు మరియు మన ట్రావెల్ అప్లికేషన్ ద్వారా NLWeb ఎలా పని చేస్తుందో ఉదాహరణగా చూద్దాం.
NLWeb యొక్క భాగాలు
-
NLWeb Application (Core Service Code): సహజ భాషా ప్రశ్నలను ప్రాసెస్ చేసే సిస్టమ్. ఇది ప్లాట్ఫారమ్ యొక్క వివిధ భాగాలను పొందుపరచి సమాదానాలను సృష్టిస్తుంది. దీన్ని వెబ్సైట్ యొక్క సహజ భాషా ఫీచర్లను శక్తివంతం చేసే ఇంజన్గా భావించవచ్చు.
-
NLWeb Protocol: ఇది వెబ్సైట్తో సహజ భాషా ఇన్టరాక్షన్కు సంబంధించిన మూలభూతమైన నియమాల శెట్. ఇది JSON ఫార్మాట్లో (సాధారణంగా Schema.org ఉపయోగించి) సమాధానాలను తిరిగి పంపిస్తుంది. దీని ఉద్దేశ్యం “AI వెబ్” కోసం ఒక సులభమైన పునాదిని సృష్టించడం, ఇది HTML ఆన్లైన్లో డాక్యుమెంటులను షేర్ చేయడానికి సాధ్యమైన విధంగా చేసింది.
-
MCP Server (Model Context Protocol Endpoint): ప్రతి NLWeb సెటప్ కూడా ఒక MCP సర్వర్ గా పని చేస్తుంది. అంటే ఇది ఇతర AI సిస్టమ్స్తో టూల్స్ (ఉదాహరణకు “ask” మెథడ్) మరియు డేటాను పంచుకోవచ్చు. వాస్తవానికి, ఇది వెబ్సైట్ యొక్క కంటెంట్ మరియు సామర్థ్యాలను AI ఏజెంట్స్ ద్వారా ఉపయోగించదగినవి చేస్తుంది, సైట్ను విస్తృత “ఏజెంట్ ఎకోసిస్టమ్” యొక్క భాగంగా మార్చి.
-
Embedding Models: ఈ మోడళ్లను వెబ్సైట్ కంటెంట్ను సంఖ్యాత్మక ప్రాతినిధ్యాలైన వెక్టర్లు (ఎంబెడ్డింగ్స్)గా మార్చడానికి ఉపయోగిస్తారు. ఈ వెక్టర్లు కంప్యూటర్లు సరిపోల్చి శోధించగలిగే విధంగా అర్థాన్ని పట్టుకొంటాయి. అవి ప్రత్యేక డేటాబేస్లో నిల్వ చేయబడతాయి, మరియు వినియోగదారులు ఏ embedding మోడల్ ఉపయోగించాలనుకుంటారో ఎంపిక చేయవచ్చు.
-
Vector Database (Retrieval Mechanism): ఈ డేటాబేస్ వెబ్సైట్ కంటెంట్ యొక్క ఎంబెడ్డింగ్స్ను నిల్వ చేస్తుంది. ఎవరో ఒకరు ప్రశ్న అడిగే సమయంలో, NLWeb సంబంధిత సమాచారాన్ని త్వరగా కనుగొనడానికి వెక్టర్ డేటాబేస్ను చెక్ చేస్తుంది. ఇది సమానత్వం ఆధారంగా ర్యాంక్ చేసిన వేగంగా పొందగల 가능한 సమాధానాల జాబితాను ఇస్తుంది. NLWeb Qdrant, Snowflake, Milvus, Azure AI Search, మరియు Elasticsearch వంటి వివిధ వెక్టర్ స్టోరేజ్ సిస్టమ్స్తో పని చేస్తుంది.
NLWeb ద్వారా ఉదాహరణ
మళ్లీ మన ట్రావెల్ బుకింగ్ వెబ్సైట్ను పరిగణనలోకి తీయండి, కానీ ఈసారి అది NLWeb ద్వారా శక్తివంతం చేయబడింది.
-
డేటా ఇంజెక్షన్: ట్రావెల్ వెబ్సైట్ యొక్క ఉన్న ప్రొడక్ట్ కాటలాగ్లు (ఉదాహరణకు ఫ్లైట్ లిస్టింగ్స్, హోటల్ వివరణలు, టూర్ ప్యాకేజీలు) Schema.org ఉపయోగించి ఫార్మాట్ చేయబడతాయి లేదా RSS ఫీడ్స్ ద్వారా లోడ్ చేయబడతాయి. NLWeb యొక్క టూల్స్ ఈ నిర్మిత డేటాను ఇన్జెస్ట్ చేసి, ఎంబెడ్డింగ్స్ తయారు చేసి, స్థానిక లేదా రిమోట్ వెక్టర్ డేటాబేస్లో నిల్వ చేస్తాయి.
-
సహజ భాషా ప్రశ్న (మానవుడు): వినియోగదారు వెబ్సైట్ సందర్శించి, మెనూలను నావిగేట్ చేయకుండా చాట్ ఇంటర్ఫేస్లో టైప్ చేస్తాడు: “ఆగోస్టులో వచ్చే వారం హోనోలూలులో బాణ పేర్కొన్న పరామర్శ భద్రతతో, పూల్ ఉన్న ఫ్యామిలీ-ఫ్రెండ్లీ హోటల్ కనుగొనండి” — (translate to appropriate Telugu: “రాబోయే వారానికి హోనోలూలులో, పూల్ ఉన్న కుటుంబాలకు అనుకూలమైన హోటల్ నాకు కనుగొనండి”).
-
NLWeb ప్రాసెసింగ్: NLWeb అప్లికేషన్ ఈ ప్రశ్నను అందుకుంటుంది. ఇది ప్రశ్నను అర్థం చేసుకోవడానికి ఒక LLM కు పంపి, సమకాలీనంగా తన వెక్టర్ డేటాబేస్ను కూడా సంబంధిత హోటల్ లిస్టింగ్స్ కోసం శోధిస్తుంది.
-
ఖచ్చితమైన ఫలితాలు: LLM డేటాబేస్ నుండి వచ్చిన శోధన ఫలితాలను అర్థం చేసుకోవడంలో సహాయపడుతుంది, “family-friendly”, “pool”, మరియు “Honolulu” ప్రమాణాల ఆధారంగా ఉత్తమ మ్యాచ్లను గుర్తించి సహజ భాషలో సమాధానాన్ని ఫార్మాట్ చేస్తుంది. ముఖ్యంగా, సమాధానం వెబ్సైట్ యొక్క క్యాటలాగ్లోని వాస్తవ హోటల్స్ను సూచిస్తుంది, కల్పిత సమాచారం ఇవ్వకుండా.
-
AI ఏజెంట్ ఇంటరాక్షన్: NLWeb ఒక MCP సర్వర్ గా పనిచేయడంతో, బయటి AI ట్రావెల్ ఏజెంట్ కూడా ఈ వెబ్సైట్ యొక్క NLWeb ఇన్స్టెన్స్కు కనెక్ట్ అవ్వగలదు. AI ఏజెంట్ ఆపై
ask("Are there any vegan-friendly restaurants in the Honolulu area recommended by the hotel?")MCP మెథడ్ను ఉపయోగించి వెబ్సైట్ను నేరుగా క్వేరి చేయవచ్చు. NLWeb ఇన్స్టెన్స్ ఇది ప్రాసెస్ చేసి, దాని రెస్టారెంట్ సమాచారం డేటాబేస్ (ఒకసారి లోడ్ చేయబడినట్లయితే) ఉపయోగించి సరుచేసిన నిర్మిత JSON సమాధానాన్ని తిరిగి ఇచ్చేది.
MCP/A2A/NLWeb గురించి ఇంకా ప్రశ్నలు ఉన్నాయా?
ఇతర అభ్యాసకులతో కలుసుకోవడానికి, ఆఫీస్ అవర్స్లో పాల్గొనడానికి మరియు మీ AI ఏజెంట్ల ప్రశ్నలకు సమాధానాలు పొందేందుకు Microsoft Foundry Discord జాయిన్ అవ్వండి.
వనరులు
బాధ్యత నిరాకరణ: ఈ పత్రాన్ని AI అనువాద సేవ Co-op Translator (https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడ్డది. మేము ఖచ్చితతపై శ్రద్ధ వహించినప్పటికీ, స్వయంచాలక అనువాదాల్లో పొరపాట్లు లేదా లోపాలున్నట్టై ఉండవచ్చును అని దయచేసి గమనించండి. కీలకమైన సమాచారానికి, వృత్తిపరమైన మానవ అనువాదం సూచించబడుతుంది. ఈ అనువాదాన్ని ఉపయోగించటం వల్ల ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుల కోసం మేము బాధ్యత వహించము.