Создание ИИ-агентов – это значительный шаг вперед в разработке ПО. Такие системы способны выполнять сложные логические рассуждения и действовать более автономно. Однако базовые модели, на которых работают эти системы, по своей природе ограничены данными для обучения. Без внешнего контекста они не знают о том, что происходит в реальном времени, например о погоде на улице, о том, открыт ли прямо сейчас местный магазин, или о самом эффективном маршруте до пункта назначения.
В этом документе подробно рассказывается, как преодолеть разрыв между статическими рассуждениями и динамической реальностью, заземлив своих ИИ-агентов с помощью надежных геопространственных данных из Google Карт. Вы узнаете, почему пространственное заземление критически важно для реальных задач, как протокол Model Context Protocol (MCP) упрощает интеграцию инструментов и как создать агента для планирования путешествий с помощью Google Maps Grounding Lite MCP.
Зачем агентам нужно заземление на данных карт
Переход от традиционного ПО к рабочим процессам на основе агентов – это переход от детерминированного проектирования к вероятностной оркестрации. Мы переходим от систем, которые просто знают что-то, к проактивным исполнительным механизмам, которые действительно что-то делают. Когда приложение пересекает эту черту и начинает действовать в физическом мире, ставки на точность полностью меняются.
Большие языковые модели (LLM) понимают логику, но их внутренняя память – это исторический снимок. Например, если агент управляет цепочкой поставок и неправильно подтверждает доступность поставщика или маршрут, вы столкнетесь с потерей топлива, нарушением соглашения об уровне обслуживания и реальным сбоем в бизнесе. А в мультиагентных архитектурах вы столкнетесь с проблемой каскадных галлюцинаций. Если один агент в цепочке галлюцинирует и передает неверные данные второму агенту, вся система начинает принимать реальные обязательства на основе лжи. Автономия без правды становится огромной ответственностью.
Обоснование требует, чтобы агент вышел за рамки своих весов обучения. Заставляя ИИ получать проверяемые факты в реальном времени, например данные Places и данные прокладки маршрута, вы даете агенту глаза и уши, превращая статистическое предположение в обоснованное операционное решение.
Преимущества MCP
Model Context Protocol (MCP) – это открытый стандарт, который позволяет легко интегрировать инструменты и данные.
Раньше для подключения ИИ-модели к внешним API требовалось писать жесткие, индивидуальные обертки. Вам приходилось вручную обрабатывать форматирование, синтаксический анализ ошибок и переводы вызовов инструментов для каждой отдельной возможности.
MCP стандартизирует этот уровень интеграции. Реализовав MCP-клиент, ваше приложение сможет динамически обнаруживать и выполнять инструменты, предоставляемые сервером, через единый протокол. Это позволяет разработчикам сосредоточиться на проектировании высокоуровневых агентных сетей, а не на написании повторяющейся логики интеграции API.
Google Maps Grounding Lite MCP
Google Maps Grounding Lite MCP – это полностью управляемый сервер MCP, размещенный в Google, который можно интегрировать непосредственно в любой совместимый фреймворк агентов.
В настоящее время сервер предоставляет три основных инструмента для обоснования:
- Поиск мест. Запрашивайте информацию о местах и получайте созданные ИИ сводки данных о них, а также идентификаторы мест, координаты широты и долготы и ссылки на Google Карты для каждого места, включенного в сводку. Полученные идентификаторы мест и координаты можно использовать с другими API платформы Google Карт, чтобы показывать места на карте.
- Погода. Запрашивайте информацию о погоде и получайте данные о текущих условиях, а также почасовые и ежедневные прогнозы.
- Расчет маршрутов. Запрос информации о пеших и автомобильных маршрутах между двумя точками и получение данных о расстоянии и продолжительности маршрута.
Для доступа к сервису можно использовать ключ API или OAuth. Платформа Google Карт предоставляет бесплатный демоключ API, который позволяет разработчикам сразу же начать прототипирование.
Рекомендации по интеграции MCP-сервера заземления Карт
Чтобы повысить релевантность данных и устранить структурные галлюцинации, используйте в системных инструкциях агента следующие основные стратегии: * Будьте точны и конкретны. Поручите агенту использовать точные местоположения. Например, запрос "Центральный парк, Нью-Йорк" даст более точные результаты, чем просто "Нью-Йорк", а запрос "Париж, Франция" позволит избежать путаницы с Парижем в штате Техас.
Разбивайте общие запросы. Если запрос слишком общий, например "идеи для свидания", попросите агента разбить его на более конкретные подзапросы, такие как "романтические рестораны", "кинотеатры" или "коктейль-бары".
Сначала поиск, потом изучение. Сначала выполните широкий поиск (например, "японские рестораны с доступными входами, открытые в воскресенье"). Покажите пользователю варианты, а затем выполните дополнительный запрос, чтобы получить конкретные сведения, например номер телефона выбранного заведения.
Никогда не выдумывайте идентификаторы мест. Идентификаторы мест – это критически важный связующий элемент между сервисами платформы Google Карт. Убедитесь, что агент знает, что он должен использовать только идентификаторы мест, явно возвращенные инструментом search_places, а не пытаться генерировать свои собственные.
Как создать агента для планирования путешествий с помощью Google ADK
В этом разделе показано, как создать агента для планирования путешествий с помощью фреймворка Google Agent Development Kit (ADK). Если у вас не установлен ADK, ознакомьтесь с документацией для разработчиков.
Интегрировать сервер Maps MCP в фреймворк агента, например ADK, несложно. ADK берет на себя управление контекстом, позволяя вам сосредоточиться на поведении агента.
Пример проекта имеет следующую структуру:
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
Пример файла agent.py. Измените его в соответствии со своими потребностями.
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]
)
Пример файла SKILL.md. Измените его в соответствии со своими потребностями.
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
Запуск веб-версии ADK и взаимодействие с ней
Чтобы запустить веб-интерфейс ADK по умолчанию, выполните следующую команду в каталоге проекта travel-concierge-google-maps-mcp:
adk web
В интерфейсе:
- Откройте в браузере страницу http://127.0.0.1:8000.
- Попробуйте такие запросы:
- "В субботу я буду в Сан-Франциско. Спланируй для меня однодневную поездку".
- "Найди кофейни рядом с парком "Золотые ворота" и покажи мне основные блюда в меню".
- "Проложи маршрут от GooglePlex до аэропорта Сан-Франциско".
Когда агент получает запрос, планировщик оценивает намерение пользователя. Он распознает необходимость в пространственных и погодных данных и автономно запускает инструменты lookup_weather, search_places и compute_routes с помощью сервера MCP. Затем агент составляет для пользователя маршрут на основе фактов.
Заключение
Переход к агентному ИИ открывает совершенно новые возможности в логистике, туризме и розничной торговле. Однако для настоящей автономности требуется надежная основа.
Используя Model Context Protocol вместе с Google Maps Grounding Lite, вы устраняете сложности, связанные с интеграцией пользовательских API, и даете своим агентам возможность получать информацию в реальном времени. Привязка моделей к пространственным данным в реальном времени позволяет принимать операционные решения на основе того, что происходит в физическом мире прямо сейчас, а не на основе замороженного снимка из данных для обучения.
Следующие действия
- Ознакомьтесь с документацией для разработчиков по Maps Grounding MCP.
- Получите демоключ API.
- Подробнее о том, как развернуть агент…
Основные авторы:
Тереза Цинь (Teresa Qin) | инженер DevX, платформа Google Карт