实战演练：如何设计一个“智能旅行规划 Agent”？从架构选型到动态决策

202321336049杨云佳 · 2026-07-31 14:53:05 发布

在之前的文章中，我们深入探讨了 ReAct、Plan-and-Execute、Reflexion 和 LLMCompiler 四种主流 AI Agent 架构。但理论终归是理论，真正的挑战在于：当面对一个具体的业务场景时，我们该如何组合使用这些武器？

今天，我们就通过一个经典的实战案例——“智能旅行规划 Agent”，来一场架构设计的深度演习。

假设我们要开发一个智能旅行助手。用户输入的需求非常模糊且约束众多：

“我想去五天旅行，总预算一万元，偏好自然风光。”

为了完成这个任务，Agent 需要拆解并执行四个核心子任务：

这就引出了我们在系统设计中必须解决的三个灵魂拷问。

不同的任务特性决定了我们需要不同的“大脑”来处理。我们不能用一把锤子敲所有的钉子。

理由：这是一个探索性极强的任务。“喜欢自然风光”是一个主观概念。Agent 可能需要先搜索“适合5天的自然景点”，发现结果太多，然后决定反问用户“您更喜欢高山还是大海？”，或者结合当前的季节天气进行动态推理。这种需要与环境高频交互、根据反馈实时调整策略的场景，ReAct 的灵活性是无可替代的。

理由：一旦目的地确定（例如锁定“云南”），查询“北京飞昆明”、“北京飞丽江”、“北京飞大理”的票价，这三个动作是完全独立的。如果使用串行架构，耗时将是三倍。而 LLMCompiler 擅长识别这种依赖关系，将独立任务分发出去同时执行，最后汇总结果，效率最高。

理由：这是一个高精度、强约束的任务。酒店涉及位置、价格、评分、库存等多维因素。如果第一次推荐的酒店用户不满意（比如“太偏了”或“超预算”），Agent 不能只是机械地换一家，而是需要“反思”：为什么刚才的推荐失败了？是不是我对“市中心”的理解有偏差？Reflexion 的“试错-反思”机制能确保最终方案的高质量。

理由：这是一个逻辑严密的任务。行程必须遵循时间线性逻辑（第一天上午 -> 第一天下午 -> 第二天上午）。它不需要太多的发散思维，而是需要将确定的景点、交通、餐饮填入时间轴。Plan-and-Execute 模式能保证输出结构的稳定性，避免逻辑混乱。

这是系统性能优化的关键。在这个场景中，任务之间存在复杂的DAG（有向无环图）依赖关系：

必须串行的链路：
- 目的地筛选 → 机票/酒店查询。你必须先知道去哪，才能查票。
- 机票+酒店确认 → 行程编排。只有确定了大交通和住宿地点，才能安排具体的游玩路线。
可以并行的链路：
- 在目的地确定后，机票比价 和 酒店初筛 是可以同时进行的。
- 在 机票比价 内部，查询不同航司、不同时段的价格也是并行的。

架构启示：我们需要一个强大的 Planner（规划器） 来构建这个 DAG 图。它不仅要生成任务列表，还要标记出哪些节点是“阻塞”的，哪些节点是“自由”的，从而调度 LLMCompiler 进行并行处理。

这是最棘手的问题。用户说“预算一万”，但这不仅仅是一个数字，而是一个全局约束。

这就引入了全局状态管理的需求。单纯的 Plan-and-Execute 往往是一次性的，很难处理这种“牵一发而动全身”的动态调整。

我们需要对架构做两个关键调整：

建立全局预算账本 (Global Budget State)：
不再让每个子任务孤立运行。我们需要一个共享的内存空间（Memory），实时记录：总预算 - 已花费（机票+酒店） = 剩余可用预算。
增加“财务审计”环节 (Financial Auditor)：
在 机票 和 酒店 任务完成后，插入一个检查点。
- 场景模拟：Agent 查到了心仪的酒店，但发现加上机票后总价 1.2 万，超标 20%。
- 触发 Reflexion：此时触发反思机制。Agent 不会直接报错，而是分析：“机票是刚性的，很难降价；所以必须降低酒店标准，或者更换性价比更高的民宿。”
- 自动修正：Agent 带着“降低住宿预算”的新指令，重新执行酒店预订任务，直到总价落入 1 万元的安全区。