Die Entwicklung von KI-Agenten ist ein wichtiger Meilenstein in der Softwareentwicklung. Sie ermöglicht es Systemen, komplexe Schlussfolgerungen zu ziehen und autonomer zu agieren. Die Foundation Models, auf denen diese Systeme basieren, sind jedoch durch ihre Trainingsdaten eingeschränkt. Ohne externen Kontext fehlen ihnen Informationen zu Echtzeitbedingungen, z. B. zum aktuellen Wetter, ob ein lokales Geschäft in Echtzeit geöffnet ist oder welche Route zu einem Ziel am effizientesten ist.
In diesem Dokument wird beschrieben, wie Sie die Lücke zwischen statischem Reasoning und dynamischer Realität schließen können, indem Sie Ihre KI-Agenten mit vertrauenswürdigen Geodaten von Google Maps fundieren. Sie erfahren, warum die räumliche Fundierung für reale Aufgaben entscheidend ist, wie das Model Context Protocol (MCP) die Toolintegration vereinfacht und wie Sie mit Google Maps Grounding Lite MCP einen KI-Agenten für die Reiseplanung erstellen.
Warum benötigen KI-Agenten eine Fundierung mit Kartendaten?
Der Übergang von herkömmlicher Software zu agentischen Workflows ist ein Wechsel von deterministischem Engineering zu probabilistischer Orchestrierung. Wir bewegen uns weg von Systemen, die nur Dinge wissen, hin zu proaktiven Ausführungs-Engines, die tatsächlich Dinge tun. Wenn eine Anwendung diese Grenze überschreitet und in der physischen Welt agiert, ändern sich die Anforderungen an die Genauigkeit vollständig.
Large Language Models (LLMs) verstehen Logik, aber ihr interner Speicher ist ein historischer Snapshot. Wenn ein Agent beispielsweise eine Lieferkette verwaltet und fälschlicherweise die Verfügbarkeit eines Lieferanten oder eine Route bestätigt, führt das zu Kraftstoffverschwendung, verpassten SLAs und echten Geschäftsunterbrechungen. In Multi-Agenten-Architekturen kann es zu kaskadierenden Halluzinationen kommen. Wenn ein Agent in der Kette halluziniert und falsche Daten an einen zweiten Agenten weitergibt, geht das gesamte System Verpflichtungen ein, die auf einer Lüge basieren. Autonomie ohne Wahrheit wird zu einer enormen Belastung.
Die Fundierung erfordert, dass der Agent über seine Trainingsgewichtungen hinausgeht. Wenn Sie die KI zwingen, überprüfbare Live-Fakten wie Orts- und Routingdaten abzurufen, geben Sie dem Agenten Echtzeit-Augen und -Ohren und verwandeln eine statistische Schätzung in eine fundierte operative Entscheidung.
Warum MCP?
Das Model Context Protocol (MCP) ist ein offener Standard, der die Integration von Tools und Daten per Plug-and-Play ermöglichen soll.
Bisher war es erforderlich, starre, maßgeschneiderte Wrapper zu schreiben, um ein KI-Modell mit einer externen API zu verbinden. Sie mussten die Formatierung, das Parsen von Fehlern und die Übersetzungen von Toolaufrufen für jede einzelne Funktion manuell verwalten.
Das MCP standardisiert diese Integrationsebene. Durch die Implementierung eines MCP-Clients kann Ihre Anwendung vom Server bereitgestellte Tools dynamisch über ein einheitliches Protokoll erkennen und ausführen. So können sich Entwickler auf das Entwerfen von übergeordneten agentischen Netzwerken konzentrieren, anstatt sich mit dem Schreiben von sich wiederholender API-Integrationslogik zu beschäftigen.
Google Maps Grounding Lite MCP
Google Maps Grounding Lite MCP ist ein vollständig verwalteter, von Google gehosteter MCP-Server, der direkt in jedes kompatible agentische Framework eingebunden werden kann.
Derzeit bietet der Server drei Haupttools für die Fundierung:
- Orte suchen: Sie können Informationen zu Orten anfordern und erhalten KI-generierte Zusammenfassungen von Ortsdaten sowie Orts-IDs, Breiten- und Längengrade und Google Maps-URLs für jeden Ort in der Zusammenfassung. Sie können die zurückgegebenen Orts-IDs und die Koordinaten für Längen- und Breitengrad mit anderen Google Maps Platform APIs verwenden, um Orte auf einer Karte anzuzeigen.
- Wetter abrufen: Informationen zum Wetter anfordern und aktuelle Bedingungen, stündliche Vorhersagen und tägliche Vorhersagen erhalten.
- Routen berechnen: Informationen zu Auto- oder Fußgängerrouten zwischen zwei Orten anfordern und Informationen zur Routenlänge und ‑dauer zurückgeben.
Für den Zugriff auf den Dienst können Sie entweder einen API-Schlüssel oder OAuth verwenden. Die Google Maps Platform bietet einen kostenlosen Demo-API-Schlüssel, mit dem Entwickler sofort mit dem Prototyping beginnen können.
Best Practices für die Einbindung des MCP für die Fundierung mit Google Maps
Um die Datenrelevanz zu maximieren und strukturelle Halluzinationen zu vermeiden, sollten Sie die Systemanweisungen Ihres Agenten auf diese Kernstrategien ausrichten: * Seien Sie explizit und spezifisch: Weisen Sie den Agenten an, genaue Standorte zu verwenden. „Central Park, New York“ liefert bessere Ergebnisse als „New York“. Ebenso verhindert „Paris, Frankreich“ Verwechslungen mit Paris, Texas.
Allgemeine Anfragen aufschlüsseln: Bei vagen Anfragen wie „Ideen für ein Date“ können Sie den Agenten auffordern, die Aufgabe in spezifische Teilsuchen wie „romantische Restaurants“, „Kinos“ oder „Cocktailbars“ aufzuschlüsseln.
Zuerst entdecken, dann erkunden: Führen Sie zuerst eine allgemeine Suche durch (z.B. „Japanische Restaurants mit barrierefreien Eingängen, die sonntags geöffnet sind“). Dem Nutzer werden Optionen präsentiert und dann wird eine Folgeabfrage ausgeführt, um bestimmte Details wie eine Telefonnummer für den ausgewählten Veranstaltungsort abzurufen.
Orts-IDs niemals halluzinieren: Orts-IDs sind das entscheidende Bindeglied zwischen den Google Maps Platform-Diensten. Achten Sie darauf, dass Ihr Agent nur Orts-IDs verwendet, die explizit vom Tool „search_places“ zurückgegeben werden, und nicht versucht, eigene zu generieren.
KI-Agenten für die Reiseplanung mit dem Google ADK implementieren
In diesem Abschnitt wird gezeigt, wie Sie mit dem Google Agent Development Kit (ADK) einen Agenten für die Reiseplanung erstellen. Wenn das ADK nicht installiert ist, finden Sie weitere Informationen im Google ADK-Entwicklerdokument.
Die Einbindung des Maps-MCP-Servers in ein Agenten-Framework wie das ADK ist unkompliziert. Das ADK übernimmt die komplexe Kontextverwaltung, sodass Sie sich auf das Verhalten des KI-Agenten konzentrieren können.
Das Beispielprojekt hat die folgende Struktur:
travel-concierge-google-maps-mcp/
├── travel_planner_agent/
├── agent.py # main agent code
├── .env # API keys
├── __init__.py
├── skills/travel-concierge/
├── SKILL.md # Agent skill
Beispiel für agent.py. Bearbeiten Sie sie entsprechend Ihren Anwendungsfällen.
import os
import pathlib
import logging
from datetime import date
from dotenv import load_dotenv
from google.adk.agents.llm_agent import Agent
from google.adk.skills import load_skill_from_dir
from google.adk.tools import skill_toolset
from google.adk.tools.mcp_tool import McpToolset
from google.adk.planners import BuiltInPlanner
from google.genai import types
from google.adk.tools.mcp_tool.mcp_session_manager
import StreamableHTTPConnectionParams
load_dotenv()
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
GOOGLE_MAPS_API_KEY = os.getenv("GOOGLE_MAPS_API_KEY")
if not GOOGLE_MAPS_API_KEY:
raise ValueError("Missing GOOGLE_MAPS_API_KEY environment variable.")
current_date = date.today().strftime("%A, %B %d, %Y")
# AGENT & TOOL SETUP
BASE_SYSTEM_INSTRUCTION = f"""
You are a Premium Travel Orchestrator. Your sole purpose is to assist users with travel planning, location discovery, route mapping, weather checks, and culinary/cultural recommendations. The current system date is {current_date}.
# 1. OUT-OF-DOMAIN PROTOCOL (Strict Refusal)
You are strictly forbidden from answering queries unrelated to travel, geography, food, hospitality, or local experiences.
If a user asks about coding (e.g., Python bugs), math, writing essays, or general non-travel trivia:
- Politely decline.
- Explicitly state that your expertise is limited to travel and local discovery.
- Pivot by asking if they need help planning a trip or finding a great local spot.
# 2. TANGENTIAL KNOWLEDGE PROTOCOL (The "Tiramisu" Rule)
If a user asks a factual question about food, a cultural item, or a historical concept that *can* be tied to a physical location (e.g., "What is tiramisu?", "What is Gothic architecture?"):
- Provide a brief, helpful 1-2 sentence explanation of the concept.
- IMMEDIATELY pivot to your primary domain. Ask the user for their current location or target city so you can search for the best places to experience or eat that item.
# 3. TOOL EXECUTION BOUNDARIES
- NEVER call `lookup_weather` for general history, trivia, or factual questions.
- ONLY call `lookup_weather` if the user explicitly asks for the forecast, OR if they have confirmed they are actively planning an itinerary/trip for a specific date and destination.
"""
travel_skill = load_skill_from_dir(
pathlib.Path(__file__).parent / "skills" / "travel-concierge"
)
maps_mcp_toolset = McpToolset(
connection_params=StreamableHTTPConnectionParams(
url="https://mapstools.googleapis.com/mcp",
headers={
"X-Goog-Api-Key": GOOGLE_MAPS_API_KEY,
"Content-Type": "application/json",
"Accept": "application/json, text/event-stream"
}
)
)
my_skill_toolset = skill_toolset.SkillToolset(
skills=[travel_skill],
additional_tools=[maps_mcp_toolset]
)
root_agent = Agent(
model='gemini-flash-latest',
name='travel_planner_agent',
description="A highly capable assistant leveraging specialized modular skills and spatial tools.",
instruction=BASE_SYSTEM_INSTRUCTION,
planner=BuiltInPlanner(
thinking_config=types.ThinkingConfig(
include_thoughts=True
)
),
tools=[my_skill_toolset]
)
Beispiel für SKILL.md. Bearbeiten Sie die Datei entsprechend Ihren Anwendungsfällen.
name: travel-concierge
description:
Accesses real-time spatial data, weather, and traffic routing to design accurate itineraries and provide location-based information.
Use when: A user is planning a trip, creating a travel itinerary, mapping a route, asking about a city's history, discovering local foods, exploring basic geography trivia, or inquiring about the weather.
Dont use for: Tasks completely unrelated to travel, locations, geography, or weather, such as coding assistance, mathematical calculations, or personal finance.
metadata:
adk_additional_tools:
- search_places
- lookup_weather
- compute_routes
---
# Travel Concierge Workflow
You act as an elite, deeply consultative travel planner. You are responsible for designing logistically sound travel plans by strictly prioritizing your toolset over pre-trained memory.
To deliver a premium experience, you must manage the interaction in two distinct phases: Discovery and Execution.
## Phase 1: Discovery Dialogue & Briefing (First Turn)
When a user initiates a request but leaves critical logistical variables open, **do NOT generate a complete multi-stop itinerary or directions link immediately.** Instead, build a warm, conversational dialogue to lock in the baseline parameters.
1. **Conditional Weather Context Hook:** ONLY call `lookup_weather` if the user is actively planning a trip to a specific location on a specific date, OR if they explicitly ask for the weather. DO NOT check the weather for general questions about a city's history or local foods. If you do check the weather for a trip, share a brief summary of the conditions to justify your upcoming line of questioning.
2. **Targeted Consultation (Ask 2-3 Friendly Questions):**
- **Verify Arrival Point & Terminal:** Never assume an airport arrival. If they state an arrival time but no explicit location, set an internal baseline but explicitly ask them to confirm their exact station or airport terminal. **If they confirm an airport arrival, strictly verify whether it is a Domestic or International flight**, as clearing international customs and immigration requires adding a 60-to-90-minute buffer to the initial travel time before scheduling the first venue.
- **Verify User Preferences:** If food or activity interests are ambiguous or partial (e.g., "coffee and seafood"), acknowledge these directly and ask about their preferred style or pacing (e.g., casual local markets vs. seated upscale dining).
- **Anchor Point Checking:** Always ask if there is a specific bucket-list venue or seasonal sight they absolutely must visit so you can build the fixed timeline around it.
## Phase 2: Location Extraction & Validation
- Use `search_places` to verify destinations, opening hours, and location accuracy.
- **CRITICAL INPUT RULE:** You must ensure the `text_query` parameter contains explicit location keywords. If the user mentions "boutique hotels" or "seafood dinner", you must modify the query to include the city (e.g., text_query="boutique hotels in Sydney, Australia").
## Phase 3: Tool Execution & Itinerary Reveal (Subsequent Turns)
Once the user responds with their specific logistics, construct the definitive itinerary using your spatial grounding tools. When preferences remain broad, default to highly rated venues that match the verified weather conditions and current seasonality.
### 1. Location Validation (`search_places`)
- Verify all destinations, opening hours, and exact addresses.
- **CRITICAL INPUT RULE:** You must ensure the `text_query` parameter contains explicit location keywords. If the user requests "boutique hotels" or "seafood lunch", modify the query to append the target city/region (e.g., `text_query="seafood lunch in Sydney, Australia"`).
### 2. Logistical Reality (`compute_routes`)
- Ensure consecutive stops are logically possible by checking travel times and distances.
- Pass both `origin` and `destination` using verified addresses or Place IDs. If either is missing, halt and ask for clarification.
- Do NOT hallucinate Place ID. You must use the Place ID provided by `search_places`.
### 3. Itinerary Output Formatting
- **Route to Next Stop:** Between every single consecutive itinerary stop, you MUST output a dedicated sub-bullet detailing the transit path.
- This bullet must explicitly state the suggested travel mode (Walk, Transit, or Drive), the exact travel time in minutes verified by `compute_routes`, and a brief path description (e.g., *"Route to Next Stop: 12-minute walk via Market St"*).
- **Attribution:** Include inline or bracketed Google Maps URLs for recommended venues using data derived from the tool's attribution payloads. Do not guess links.
### 4. Multi-Stop Directions Link Generation
At the absolute end of your finalized itinerary response, compile all planned locations into a single, functional Google Maps Directions URL.
- **Format Constraint:** Build the URL using the base string: `https://www.google.com/maps/dir/`
- Append each venue name and full address sequentially, separated by a forward slash `/`, replacing spaces with `+` and encoding URL parameters where necessary.
- Example format: `https://www.google.com/maps/dir/Venue+One,+Address/Venue+Two,+Address/Venue+Three,+Address/`
- Present this link prominently with clear anchor text.
## Phase 4: Output Formatting & Source Attribution (CRITICAL)
- You must comply strictly with Google Maps Platform display guidelines.
- Every grounded piece of information (Places, Weather, Routes) must be immediately followed by its supporting source.
- For place details extracted via `search_places`, always map and output the exact URL provided in the `places.googleMapsLinks.placeUrl` payload. Do not invent links.
init.py
from . import agent
„adk web“ ausführen und interagieren
Führen Sie den folgenden Befehl im Projektverzeichnis travel-concierge-google-maps-mcp aus, um die Standard-ADK-Web-UI zu starten:
adk web
In der Benutzeroberfläche interagieren:
- Laden Sie die Benutzeroberfläche unter http://127.0.0.1:8000 im Browser.
- Probieren Sie Prompts wie die folgenden aus:
- „Ich bin am Samstag in San Francisco. Plane einen Tagesausflug für mich.“
- „Finde Cafés in der Nähe des Golden Gate Park und zeige mir die Highlights auf der Speisekarte.“
- „Route vom Googleplex zum SFO“
Wenn der KI-Agent den Prompt empfängt, wertet der Planer die Absicht des Nutzers aus. Er erkennt, dass räumliche und Wetterdaten erforderlich sind, und löst über den MCP-Server automatisch die Tools „lookup_weather“, „search_places“ und „compute_routes“ aus. Der Agent erstellt dann einen faktenbasierten Reiseplan für den Nutzer.
Fazit
Der Trend hin zu agentischer KI eröffnet völlig neue Möglichkeiten in den Bereichen Logistik, Reisen und Einzelhandel. Echte Autonomie erfordert jedoch eine absolut zuverlässige Informationsquelle.
Durch die Nutzung des Model Context Protocol zusammen mit Google Maps Grounding Lite entfällt der Aufwand für maßgeschneiderte API-Integrationen und Ihre Agenten erhalten die Echtzeitdaten, die sie benötigen. Wenn Sie Ihre Modelle in räumlichen Live-Daten verankern, können sie operative Entscheidungen auf Grundlage dessen treffen, was gerade in der physischen Welt passiert, und nicht auf Grundlage eines eingefrorenen Snapshots aus ihren Trainingsdaten.
Nächste Aktionen
- Entwicklerdokumentation zum Maps Grounding MCP lesen
- Demo-API-Schlüssel abrufen
- Informationen zum Bereitstellen des KI-Agenten
Hauptautoren:
Teresa Qin | Google Maps Platform DevX Engineer