# HelloAgents旅行规划助手：多智能体协作的完整工程实践 > 基于HelloAgents构建的多智能体旅行规划系统，采用Vue3+FastAPI架构，集成高德地图MCP服务，展示从Agent编排到前端可视化的完整链路。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-17T15:16:54.000Z - 最近活动: 2026-04-17T15:24:10.483Z - 热度: 157.9 - 关键词: 多智能体, HelloAgents, MCP, 旅行规划, FastAPI, Vue3, 智能体编排 - 页面链接: https://www.zingnex.cn/forum/thread/helloagents - Canonical: https://www.zingnex.cn/forum/thread/helloagents - Markdown 来源: ingested_event --- ## 引言：当多智能体遇上旅行规划 旅行规划是一个典型的多步骤决策问题：需要搜索景点、查询天气、推荐住宿、规划路线，最终整合成可执行的行程方案。传统的单一AI助手往往难以在单次交互中完成如此复杂的任务，而多智能体（Multi-Agent）架构通过角色分工和协作，能够更好地应对这类场景。 HelloAgents旅行规划助手是一个完整的多智能体应用示例，展示了如何将大模型的推理能力与外部工具服务相结合，构建出实用的智能应用。本文将深入解析该项目的架构设计、实现细节和技术亮点。 ## 项目概述：从需求到架构 该项目的目标是构建一个能够根据用户输入自动生成完整旅行方案的系统。用户只需提供目的地、出行日期、交通方式、住宿偏好和兴趣标签，系统就能输出包含景点、酒店、天气、预算的多日行程计划。 为实现这一目标，项目采用了前后端分离的架构： - **前端**：Vue 3 + TypeScript + Vite，负责用户交互和结果展示 - **后端**：FastAPI + HelloAgents，负责多智能体编排和工具调用 - **外部服务**：高德地图API提供地图、天气、POI搜索能力 ## 多智能体协作设计 系统的核心在于四个专门化的智能体角色，每个负责特定的任务领域： ### 景点搜索Agent 该Agent负责调用地图搜索工具，根据用户输入的目的地和偏好标签（如自然风光、历史文化、美食购物等），筛选并返回符合条件的景点列表。它会综合考虑景点的评分、热度、与用户兴趣的匹配度等因素。 ### 天气查询Agent 旅行计划必须考虑天气因素。该Agent负责获取目的地在出行期间的天气预报，包括温度、降水、风力等信息，为行程安排提供参考依据。例如，雨天更适合室内活动，晴天则适合户外景点。 ### 酒店推荐Agent 根据用户指定的住宿偏好（如经济型、舒适型、豪华型）和预算范围，该Agent搜索并推荐合适的酒店选项。它会考虑酒店的位置便利性（距离景点的远近）、用户评分、价格区间等因素。 ### 行程规划Agent 这是系统的"大脑"，负责综合前三类Agent的输出结果，生成结构化的完整旅行计划。它需要解决复杂的约束满足问题： - 将景点合理分配到每一天，考虑地理位置的邻近性 - 根据天气安排室内/室外活动 - 确保住宿位置便于游览当日景点 - 计算交通时间和预算分配 ## MCP工具集成：共享服务实例设计 项目的一大亮点是对MCP（Model Context Protocol）工具的高效集成。高德地图的能力通过MCP Server以标准化方式暴露，后端使用MCPTool进行连接。 ### 共享实例机制 为了避免资源浪费，项目采用了共享MCP实例的设计。多个Agent复用同一个服务进程，而非每个Agent独立启动连接。这种设计带来以下优势： - 减少外部API调用的重复开销 - 便于统一控制API调用频率，避免触发限流 - 降低系统资源占用，提高响应速度 ### 接入的能力范围 通过高德地图MCP Server，系统可以访问： - **POI搜索**：查找景点、餐厅、商场等地点 - **天气查询**：获取目的地实时及预报天气 - **路线规划**：计算不同交通方式下的出行时间和路径 - **地理编码**：将地址转换为坐标进行地图展示 ## 后处理与数据兜底机制 大语言模型的输出存在不确定性，字段可能缺失或格式不稳定。项目在后端实现了统一的后处理流程，确保前端能够稳定消费数据： ### 字段补齐 - 自动补全每日行程中的日期、景点、酒店、三餐字段 - 对齐天气信息与旅行天数 - 确保输出符合预定义的数据结构 ### 预算估算 当模型输出中缺少预算信息时，系统会基于以下维度进行自动估算： - 景点门票费用（根据景点类型和知名度估算） - 住宿费用（根据酒店档次和天数计算） - 餐饮费用（按城市消费水平和天数估算） - 交通费用（根据交通方式和距离估算） 这种兜底机制大大提升了系统的鲁棒性，即使模型输出不完整，用户仍能获得可用的结果。 ## 前端交互与可视化 前端采用Vue 3 + TypeScript + Vite技术栈，使用Ant Design Vue组件库构建界面，主要功能包括： ### 表单输入 用户可以通过表单输入旅行的基本信息： - 目的地城市 - 出行日期范围 - 交通方式偏好（飞机、高铁、自驾等） - 住宿档次选择 - 兴趣标签多选 表单支持草稿恢复功能，避免意外刷新导致数据丢失。 ### 结果展示 生成的旅行计划以卡片形式展示，包含： - 行程概览：每日安排的总览视图 - 预算汇总：各项费用的明细和总计 - 地图可视化：使用AMap JS API展示景点位置标注和日内路线连线 ### 编辑与导出 用户可以对生成的行程进行编辑调整，包括： - 修改每日的景点安排 - 调整酒店选择 - 编辑备注信息 编辑后的结果支持导出为图片或PDF格式，便于分享和打印。 ## 技术栈与项目结构 ### 后端技术栈 - **FastAPI**：高性能异步Web框架，提供API服务和数据模型校验 - **HelloAgents**：多智能体编排框架，负责任务分发和Agent协作 - **Pydantic**：数据验证和序列化 - **MCPTool**：MCP工具客户端 ### 前端技术栈 - **Vue 3**：渐进式JavaScript框架 - **TypeScript**：类型安全的JavaScript超集 - **Vite**：下一代前端构建工具 - **Ant Design Vue**：企业级UI组件库 - **AMap JS API**：高德地图JavaScript API ### 项目目录结构 ``` ├── backend │ ├── app │ │ ├── agents/ # 智能体定义 │ │ ├── api/ # API路由 │ │ ├── models/ # 数据模型 │ │ └── services/ # 业务逻辑 │ ├── requirements.txt │ └── run.py ├── frontend │ ├── src │ │ ├── services/ # API服务封装 │ │ ├── types/ # TypeScript类型定义 │ │ └── views/ # 页面组件 │ ├── package.json │ └── vite.config.ts └── README.md ``` ## 快速开始指南 ### 后端启动 ```bash cd backend python -m venv .venv source .venv/bin/activate pip install -r requirements.txt cp .env.example .env # 配置API密钥 python run.py ``` ### 前端启动 ```bash cd frontend npm install cp .env.example .env # 配置API地址 npm run dev ``` ### 访问地址 - 前端界面：http://localhost:5173 - 后端API：http://localhost:8000 - API文档：http://localhost:8000/docs ### 环境变量配置 项目需要配置以下关键环境变量： - `LLM_MODEL_ID` / `LLM_API_KEY` / `LLM_BASE_URL`：大模型服务配置 - `AMAP_API_KEY`：高德地图API密钥 - `UNSPLASH_ACCESS_KEY` / `UNSPLASH_SECRET_KEY`：Unsplash图片服务（可选） ## 应用场景与学习价值 该项目适合作为以下场景的学习参考： ### 多智能体应用开发 展示了如何定义多个专门化Agent，设计它们之间的协作流程，以及处理任务分发和结果聚合。 ### MCP工具集成实践 提供了MCP Server接入的完整示例，包括共享实例设计、工具调用封装和错误处理。 ### 智能体产品原型 前后端分离的架构设计，可作为智能体应用从原型到产品的参考模板。 ### 地图服务集成 高德地图API的集成示例，包括POI搜索、天气查询、路线规划和地图可视化。 ## 结语 HelloAgents旅行规划助手是一个功能完整、架构清晰的多智能体应用示例。它不仅展示了当前大模型应用开发的最佳实践，也为开发者提供了一个可运行的参考实现。随着多智能体技术的不断发展，类似的项目将越来越多地出现在各个领域，从旅行规划到企业自动化，从教育辅导到医疗咨询，多智能体协作模式正在开启AI应用的新篇章。