AI智能体 | 扣子Coze实战教程：搭建一个旅行规划助手

本文链接：https://blog.csdn.net/2501_91810672/article/details/147567057

AI智能体 | 扣子Coze实战教程：搭建一个旅行规划助手

案例价值

旅游业面临个性化需求与信息碎片化的矛盾，传统服务难以满足灵活行程规划。AI技术逐渐成熟，为智能解决方案提供基础，对用户：通过动态路线定制、实时优化和一站式服务，提升旅行自由度和容错率。对行业：降低人工成本，利用用户数据优化资源分配，串联小众服务商拓展商业生态，推动从“被动预订”到“主动服务”的模式转型。

效果演示

自然语言输入

在这里插入图片描述

快捷指令输入

在这里插入图片描述

思路梳理

想清楚要做哪些事情，挑战是什么

信息检索

从哪获取旅行相关的信息？比如天气情况、旅行攻略

信息收集

生成一份旅行规划方案，至少需要包含哪些信息？哪些信息为可选项？如果可选项为空，如何处理？

用户体验

有些用户喜欢一次性提供所有信息，有些用户喜欢填表，如何同时支持两种方式？

内容截断

旅行规划方案包含的文字内容可能会非常多，超出模型最大输出tokens，如何处理？

想都是问题，做才有答案，跟着我的思路走。

工作流设计

开始节点

在这里插入图片描述

生成标题（大模型节点）

在这里插入图片描述

系统提示词

## 设定
你是一个旅游方案制定专家，可以根据用户需求帮助用户起一个合理且好听旅游方案标题。
模板：<目的地><人数>人<天数>(日/天/晚)<从主题总结>(之旅/游)

### 示例
- 杭州4人3晚悠闲赏景之旅
- 东京5天浪漫情侣双人游
- 西安3人4日亲子游
- 巴黎4人7日艺术人文之旅


## 基本信息
出发地：{{departure}}
目的地：{{destination}}
人数：{{people_num}}人
天数：{{days_num}}天
主题：{{travel_theme}}
关系：<朋友/父母/亲子/情侣/搭子>

## 限制
仅返回标题内容，不要返回任何其他格式信息！

计算出发日期和返程日期（代码节点）

在这里插入图片描述

代码内容

import datetime
asyncdefmain(args: Args) -> Output:
    params = args.params
    # 获取开始日期和间隔天数
    start_date = params.get('start_date', "")
    days_num = params.get('days_num', 0)
    # 如果为空，默认为当天
    ifnot start_date:
        start_date = datetime.date.today().isoformat()
    # 计算结束日期，含出发当天，需减一
    end_date = datetime.date.fromisoformat(start_date) + datetime.timedelta(days=days_num-1)
    # 返回日期字符串
    ret: Output = {
        "start_date": start_date,
        "end_date": end_date.strftime('%Y-%m-%d'),
    }
    return ret

查询天气信息（墨迹天气插件）

在这里插入图片描述

格式化天气信息（代码节点）

在这里插入图片描述

代码内容

async defmain(args: Args) -> Output:
    params = args.params
    weather_list = params.get("weather_list", [])
    weathers = []

    for weather in weather_list:
        weather_info = {}
        weather_info["predict_date"], weather_info["weather_day"], weather_info["temp_low"], weather_info["temp_high"] = weather["predict_date"], weather["weather_day"], weather["temp_low"], weather["temp_high"]
        weathers.append(weather_info)

    # 构建输出对象
    ret: Output = {
        "weathers": weathers
    }
    return ret

生成攻略查询条件（文本处理节点）

在这里插入图片描述

联网搜索攻略（必应搜索插件）

在这里插入图片描述

读取网页链接内容（链接读取插件）

在这里插入图片描述

提取旅游攻略（代码节点）

在这里插入图片描述

代码内容

async defmain(args: Args) -> Output:
    params = args.params
    input_list = params.get("input_list", [])
    plans_info = []

    for item in input_list:
        if item.get("data") and item.get("data").get("content"):
            content = item.get("data").get("content")
            plans_info.append(content)

    # 构建输出对象
    ret: Output = {
        "plans": plans_info
    }
    return ret

合并搜索信息（代码节点）

在这里插入图片描述

代码内容

import json

async def main(args: Args) -> Output:
    params = args.params

    query_info = {
        "weathers": params.get("weathers"),
        "plans": params.get("plans")
    }
    # 构建输出对象
    ret: Output = {
        "query_info": json.dumps(query_info, ensure_ascii=False),
    }
    return ret

生成旅游方案（大模型节点）

在这里插入图片描述

模型参数配置

在这里插入图片描述

说明：这里如果不修改，模型输出的旅游方案可能不完整。

结束节点

在这里插入图片描述

工作流试运行，符合预期，直接发布，如果有问题，根据报错情况，调试工作流。

智能体设计

运行模式

在这里插入图片描述

模型配置

在这里插入图片描述

人设与回复逻辑

在这里插入图片描述

工具配置

在这里插入图片描述

快捷指令配置

在这里插入图片描述

指令内容

出发地：{{出发地}}
目的地：{{目的地}}
天数：{{天数}}
人数：{{人数}}
出发日期：{{出发日期}}
旅游主题：{{旅游主题}}

配置完成后，在预览与调试页面分别测试自然语言输入和快捷指令输入，验证结果是否符合预期。

发布智能体

根据自己的需求，选择对应的发布渠道，这里不做赘述。

在这里插入图片描述

大模型目前在人工智能领域可以说正处于一种“炙手可热”的状态，吸引了很多人的关注和兴趣，也有很多新人小白想要学习入门大模型，那么，如何入门大模型呢？

下面给大家分享一份2025最新版的大模型学习路线，帮助新人小白更系统、更快速的学习大模型！

*有需要完整版学习路线*，可以微信扫描下方二维码，立即免费领取!

在这里插入图片描述

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

在这里插入图片描述

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

在这里插入图片描述

****如果这篇文章对你有所帮助，还请花费2秒的时间**点个赞+在看+分享，**让更多的人看到这篇文章，帮助他们走出误区。