西安市网站建设_网站建设公司_代码压缩_seo优化-牡丹江市网站建设公司

用AutoGen Studio做个旅游规划AI：完整项目实战教程

1. 引言

1.1 业务场景描述

在现代生活中，个性化旅游规划已成为高频需求。用户希望获得符合预算、时间安排和兴趣爱好的行程建议，但手动查找信息耗时费力。传统推荐系统往往缺乏灵活性，难以应对复杂多变的用户需求。

借助AI代理（Agent）技术，我们可以构建一个能够自主思考、调用工具、协同工作的智能系统，自动完成从目的地推荐到行程安排的全流程任务。本教程将带你使用AutoGen Studio实现一个完整的旅游规划AI助手。

1.2 痛点分析

当前旅游规划存在以下问题：

信息分散：需在多个平台查询交通、住宿、景点等数据
个性化不足：通用推荐无法满足特定偏好（如亲子游、徒步旅行）
动态调整困难：天气变化或突发情况难以实时响应
多目标权衡复杂：预算、时间、舒适度之间需要平衡

现有方案通常依赖规则引擎或单模型问答，缺乏“推理+执行”的闭环能力。

1.3 方案预告

本文将基于内置vLLM部署的Qwen3-4B-Instruct-2507模型服务的 AutoGen Studio 镜像环境，通过低代码方式搭建一个多智能体协作系统，包含：

规划师 Agent：负责整体行程设计
搜索 Agent：调用外部工具获取实时信息
评审 Agent：对生成方案进行评估与优化

最终实现一个可交互、可扩展、支持动态反馈的旅游规划AI工作流。

2. 环境准备与模型验证

2.1 检查本地大模型服务状态

本镜像已预装 vLLM 并启动 Qwen3-4B-Instruct-2507 模型服务。首先确认服务正常运行：

cat /root/workspace/llm.log

输出应包含类似如下内容，表示模型已加载成功并监听8000端口：

INFO: Started server process [12345] INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit) INFO: OpenAI API provider listening on http://0.0.0.0:8000/v1

若未看到日志，请检查容器资源分配是否充足（建议至少 8GB 显存）。

2.2 WebUI 访问与测试

打开浏览器访问 AutoGen Studio WebUI，默认端口为8080。进入主界面后，按照以下步骤配置模型连接。

2.3 配置 Assistant Agent 的模型参数

2.3.1 进入 Team Builder 页面

点击左侧菜单栏的Team Builder，选择默认的AssistantAgent进行编辑。

2.3.2 修改 Model Client 参数

在模型客户端设置中填写以下参数：

字段	值
Model	`Qwen3-4B-Instruct-2507`
Base URL	`http://localhost:8000/v1`
API Key	`EMPTY`（vLLM 默认无需密钥）

保存配置后，可通过内置聊天窗口发送测试消息，例如：

“你好，请介绍一下你自己。”

预期返回结果为模型的自我介绍，表明通信链路畅通。

3. 构建旅游规划智能体团队

3.1 设计多Agent协作架构

我们采用分层协作模式，定义三个核心角色：

Planner Agent：主导任务分解与流程控制
Searcher Agent：执行网络搜索、获取天气/票价等信息
Reviewer Agent：质量把关，提出改进建议

三者通过消息传递机制协同工作，形成“提出→执行→评审”循环。

3.2 创建 Planner Agent

3.2.1 新建 Agent

在 Team Builder 中点击 “Add New Agent”，命名为TravelPlanner。

3.2.2 设置行为描述（System Message）

你是一个专业的旅游规划师 AI。你的任务是根据用户的出行需求（如目的地、天数、预算、兴趣等），制定详细的每日行程计划。 你需要： 1. 分析用户需求，明确关键约束条件； 2. 将任务拆解为若干子任务（如查景点、排路线、定酒店）； 3. 协调其他 Agent 完成信息收集； 4. 整合并输出结构化行程表，包括时间、地点、交通方式、费用估算等。

3.2.3 配置模型与能力

使用相同的Qwen3-4B-Instruct-2507模型
启用Allow Delegation，允许其向其他 Agent 发送请求
开启Human Input Mode（可选），便于人工干预

3.3 创建 Searcher Agent

3.3.1 新建 Agent：`InfoSearcher`

该 Agent 负责调用工具获取外部信息。

3.3.2 系统提示词配置

你是 Travel Planning System 的信息检索专家。你的职责是根据 Planner 的请求，使用工具获取准确的实时信息。 你可以使用的工具有： - web_search(query): 执行网络搜索，返回前3条相关结果摘要 - get_weather(location): 查询指定城市的当前及未来三天天气 - get_flight_prices(origin, dest, date): 获取航班价格范围 - get_hotel_options(location, check_in, budget): 获取符合条件的酒店列表 请确保每次只调用最必要的工具，并以简洁格式返回结果。

3.3.3 工具注册说明

虽然 AutoGen Studio 当前版本不支持自定义 Python 函数注入，但我们可以通过 Playground 手动模拟工具调用逻辑。后续可通过导出代码并在本地项目中集成真实工具。

3.4 创建 Reviewer Agent

3.4.1 新建 Agent：`QualityReviewer`

3.4.2 系统提示词配置

你是旅游行程的质量审查官。你的任务是对 TravelPlanner 提交的初步方案进行审核，重点关注： - 时间安排是否合理（避免过于紧凑或空闲） - 地点分布是否集中（减少无效交通） - 是否符合用户预算 - 是否覆盖用户兴趣点 - 是否考虑天气因素 请以建设性语气提出修改建议，最多列出3条改进意见。如果方案优秀，直接回复“通过”。

4. 在Playground中测试旅游规划流程

4.1 新建 Session

进入Playground页面，点击 “New Session”，选择之前创建的团队（Team），添加TravelPlanner作为初始参与者。

4.2 输入用户需求示例

发送以下请求开始对话：

我想下个月带家人去杭州玩三天，预算每人3000元，喜欢自然风光和美食，不喜欢购物团。请帮我规划一下行程。

4.3 观察多Agent协作过程

系统将自动触发以下流程：

TravelPlanner接收请求，分析需求，生成任务清单：
- 查询杭州必游景点（西湖、灵隐寺、龙井村等）
- 获取近期天气预报
- 推荐适合家庭的餐厅
- 安排每日行程节奏
TravelPlanner向InfoSearcher发起委托请求：
请查询下周杭州的天气情况和西湖周边人均100元内的特色餐馆。

InfoSearcher返回模拟结果（实际环境中应由插件实现）：

天气：晴转多云，气温18~26°C，适宜户外活动。 餐厅推荐： - 楼外楼（西湖醋鱼）：人均90元 - 知味观·味庄：人均110元 - 西湖国宾馆·紫薇厅：人均150元

TravelPlanner整合信息，生成初版行程草案。
QualityReviewer审核后反馈：
建议：第二天下午安排稍显紧张，建议将龙井村采茶体验延后一小时；晚餐可优先推荐楼外楼。
TravelPlanner修正方案并输出最终行程。

4.4 输出样例（简化版）

### 杭州三日亲子游行程（预算：3000元/人） #### 第一天：西湖文化之旅 - 上午：断桥残雪 → 白堤 → 平湖秋月 - 午餐：楼外楼（西湖醋鱼、东坡肉） - 下午：乘船游湖（三潭印月）→ 雷峰塔 - 晚餐：知味观·味庄 - 住宿：西湖边精品民宿（¥600/晚） #### 第二天：茶乡体验日 - 上午：灵隐寺祈福 - 下午：龙井村参观茶园，体验手工炒茶 - 晚餐：农家乐（龙井虾仁、土鸡煲） #### 第三天：城市休闲 - 上午：中国丝绸博物馆 - 下午：河坊街自由活动（非购物导向，侧重民俗展示） - 返程

5. 关键实践问题与优化建议

5.1 常见问题及解决方案

问题现象	可能原因	解决方法
Agent 不响应或卡住	模型响应超时或上下文过长	调整`max_tokens`，限制历史消息长度
工具调用失败	缺少真实工具接口	导出至本地项目，集成真实 API
回复偏离主题	system message 不够明确	加强角色定义，增加约束条件
多轮对话混乱	缺乏状态管理	启用`GroupChat`模式，引入主持人 Agent

5.2 性能优化建议

启用缓存机制：对于频繁查询的信息（如景点介绍），可在本地建立轻量数据库避免重复搜索。
限制最大轮次：防止无限循环讨论，可在配置中设定max_round=10。
异步处理：在高级部署中，使用 Celery 或 Redis 实现非阻塞任务调度。
模型降级策略：当高负载时，可切换至更小模型处理简单任务。

5.3 扩展方向

接入真实工具链：结合 SerpAPI、WeatherAPI、Amadeus 等提供真实数据支持
持久化存储：将用户历史偏好存入数据库，实现个性化记忆
语音交互：集成 TTS/STT 模块，打造全模态助手
移动端适配：封装为微信小程序或 App 内嵌组件

6. 总结

6.1 实践经验总结

通过本次实战，我们验证了 AutoGen Studio 在快速构建多Agent系统方面的强大能力：

低代码优势显著：无需编写大量胶水代码即可完成 Agent 编排
角色分工清晰：通过 system message 精确控制每个 Agent 的行为边界
调试便捷：Playground 提供直观的消息追踪与交互测试功能
模型兼容性强：成功对接本地 vLLM 部署的 Qwen3 模型，摆脱云端依赖

同时也要认识到其局限性：目前工具扩展仍需依赖外部系统模拟，在生产环境中建议导出为标准 AutoGen 项目进行深度定制。

6.2 最佳实践建议

先原型后工程：利用 Studio 快速验证想法，再迁移到代码项目中完善
明确角色边界：每个 Agent 的职责应单一且互斥，避免责任重叠
重视提示词设计：system message 是 Agent 行为的“宪法”，必须严谨编写
逐步迭代优化：从单轮对话开始，逐步加入评审、反馈、修正机制

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

西安市网站建设_网站建设公司_代码压缩_seo优化