承接上文Helloagents-13.智能旅行助手学习笔记 _helloagents旅游项目-CSDN博客1.全链路架构梳理1. 订单接入用户输入 - 后端接收前端 (Vue)用户在网页上填好目的地如“悉尼”、天数、出发日期等点击“生成”。数据打包成一个 HTTP POST 请求发给后端。后端的看门大爷 (Pydantic)FastAPI 接收到请求后第一时间交给Pydantic。它会检查数据格式对不对比如天数必须是整数目的地不能为空。如果不符合直接打回符合则放行进入核心车间。2. 原材料采购绕过 LLMPython 强行“截胡”调 API这是我改的原本的开源设计是让大模型自己去看工具说明书Function Calling调高德地图。但因为 MCP 工具链传参丢失空字典{}问题大模型不会用工具了。重构了架构Python 后端直接接管了“采购权”。修改amap_service用硬编码直接去请求高德 API稳定地拿到了最真实的目的地天气、POI兴趣点和路线原生 JSON 数据。3.图片素材补充Serper 搜图引擎有了高德的文字数据还不够由于 Unsplash 对中文景点支持极差改用serper替代unsplash搜图。新建了serper_service.py根据高德给出的景点名称通过 Serper API 精准抓取真实的景点图片 URL。4.翻译官与排版员调度大模型 LLMPython 后端把从高德拿到的真实地理数据、从 Serper 拿到的景点图片链接以及用户的输入打包塞进设定好的 Prompt 里。大模型根据这些原材料生成一份标准的长 JSON。里面包含了每日的行程安排、交通推荐和基础的费用估算。5. 结构质检JSON 解析与响应组装后端用 Pydantic 校验大模型吐出的中文行程 JSON。检查它是否严格包含前端所需的字段如days,attractions,location等。如果解析成功就把这串标准的 JSON 响应发送给前端。6. 页面渲染前端展示Vue 页面接单前端拿到数据后进行解析。地图联动提取出 JSON 里的经纬度或地点信息传给高德地图前端组件Map.vue在右侧渲染出真实的交互式地图路线。图文排版在左侧将每日行程、Serper 抓取到的真实景点图片、以及基础的预算信息渲染成网页列表。2.Bug总结1.MCP 工具链瘫痪bug:在让大模型生成旅行计划时系统直接报错大模型回复“抱歉工具不可用”。深层根本原因是LLM的依赖性:底层的amap-mcp-server存在 Bug在向大模型注册工具时传递的参数说明书是个空字典{}。大模型虽然聪明但它没有参数说明它根本不知道怎么构造高德地图的 API 请求导致 Function Calling 整个流程直接断裂。解决方案放弃了让 LLM 自主调度工具。用 Python 代码做拦截直接硬编码去调用高德 API 获取真实的 JSON 气象和地理数据然后将这些数据作为“上下文知识”拼接在 Prompt 里喂给大模型。大模型从“手握方向盘的司机”降级成了“专业的翻译官和排版员”从架构上消除了工具调度的不稳定性。2.Unsplash 的“语言隔离”与翻译拦截bug:在前端页面上行程列表渲染出来了高德地图也显示了但是像“夫子庙”、“玄武湖”这样的景点配图要么完全空白要么显示默认的错误图片。深层根本原因是API 语境偏差:系统原本调用的是国外的 Unsplash 免费图库。这个图库的检索引擎是纯英文语境的。当系统傻乎乎地把高德地图返回的中文景点名如“夫子庙”直接当作参数塞给 Unsplash API 时对方根本无法解析直接返回空结果0 hits。解决方案在poi.py调用图片 API 之前强行插入了一个翻译层数据预处理。先调用大模型或翻译工具将中文 POI 翻译成准确的英文地名然后再去请求 Unsplash。这体现了在对接第三方跨国 API 时必须做的数据标准化处理。3.图库“幻觉”与 Serper 引擎的彻底替换bug翻译层加上之后图片确实出来了。但是当搜索南京“水游城”时前端显示了一张北京“水立方”的照片搜索某些小众景点时出来的全是风马牛不相及的风景图。深层根本原因是数据源覆盖率缺陷这是第三方数据源先天不足。Unsplash 作为一个海外的无版权图库它对中国本土化垂直场景尤其是具体的地理 POI的覆盖率极低。当它找不到精确匹配时它的底层搜索算法会进行“宽泛匹配”比如看到“水”就推水立方导致前端出现幻觉。解决方案改用了Serper。新建了serper_service.py并在config.py中重构了环境变量。在poi.py中切断了旧图库的引用实现了业务代码的无缝切换。3.核心代码-伪代码总结逻辑1.Prompt 的动态编排层backend/app/agents/trip_planner_agent.py拦截llm硬编码调用高德api# 提取自 _search_attractions 等工具调用函数 # 我们不再把工具丢给 agent.run而是直接用 self.amap_tool.run 传死参数 result self.amap_tool.run({ action: call_tool, tool_name: maps_text_search, arguments: { keywords: keywords, city: request.city, citylimit: true } })prompt拼装# 提取自 _generate_plan_with_llm # Python 用 f-string 把真实的高德 JSON 强行嵌入到了用户的上下文中 query f请根据以下真实数据生成{request.city}的{request.travel_days}天旅行计划: ... **景点数据 (JSON):** {json.dumps(attraction_data, ensure_asciiFalse, indent2)} **天气数据 (JSON):** {json.dumps(weather_data, ensure_asciiFalse, indent2)} ... # 最后直接 invoke 裸调大模型没有 agent 调度只有最纯粹的对话 messages [ {role: system, content: PLANNER_PROMPT}, {role: user, content: query} ] response self.llm.invoke(messages)planner_prompt1少样本提示代码体现 直接给了大模型一个完整的带缩进的 JSON 结构模板如 location: {longitude: 116.397128, latitude: 39.916527}。架构意义 相比于用自然语言说“请输出包含经纬度的地点信息”直接给一个模板能让大模型的 JSON 输出准确率提升 90% 以上。2防御性边界指令代码体现 温度必须是纯数字(不要带°C等单位)架构意义 因为后端的 Pydantic Schema 里温度的类型大概率定义成了 int。如果大模型输出 25°C后端就会直接报格式验证错误。这句 Prompt 从源头上掐断了解析崩溃的风险。3密集的显式约束代码体现 每天安排2-3个景点、每天必须包含早中晚三餐架构意义 防止大模型“偷懒”或“产生幻觉”。大模型经常会省略输出通过明确的数量限制逼迫大模型进行充分的上下文推理保证行程内容的饱满度。trip_planner_agent.py的架构trip_planner_agent.py (多智能体旅行规划器核心逻辑) │ ├── 顶层常量与配置 │ └── PLANNER_PROMPT (全局常量定义系统级人设与极严谨的 JSON 模板约束) │ ├── class MultiAgentTripPlanner (核心业务类) │ │ │ ├── 1. 初始化层 │ │ └── __init__ (加载大模型 llm并注册绑定 amap_mcp_server) │ │ │ ├── 2. 核心调度主流程 (Facade 模式) │ │ └── plan_trip (对外唯一公开的方法像指挥官一样调度下面的私有方法) │ │ ├── 调用 _search_attractions (抓取景点) │ │ ├── 调用 _get_weather (抓取天气) │ │ ├── 调用 _search_hotels (抓取酒店) │ │ ├── 调用 _generate_plan_with_llm (丢给大模型翻译) │ │ └── 调用 _parse_response (解析返回结果) │ │ │ ├── 3. 工具拦截调用层 (硬编码拿数据) │ │ ├── _search_attractions (调高德地点搜索) │ │ ├── _get_weather (调高德天气 API) │ │ └── _search_hotels (调高德搜酒店) │ │ │ ├── 4. 数据预处理层 │ │ └── _parse_mcp_result (剥离工具返回的无效字符只提取 JSON) │ │ │ ├── 5. 核心推理层 │ │ └── _generate_plan_with_llm (组装 System 模板 User 真实数据调 LLM) │ │ │ └── 6. 兜底与容错层 │ ├── _parse_response (正则剥离大模型返回的 json 等脏数据) │ └── _create_fallback_plan (如果大模型罢工强行用 Python 写死一个兜底行程) │ └── 全局单例实例化 ├── _multi_agent_planner (全局缓存变量) └── get_trip_planner_agent() (单例模式入口确保全局只初始化一次高德工具)2.外部API的调度与清洗层backend/app/services/amap_service.py清洗烂字符串修复 Pydantic 报错在服务层做了一层正则拦截。利用 re.search(r\{.*\}) 配合 re.DOTALL允许匹配换行符把中间真正的 JSON 块抠了出来再用 json.loads 转成标准的 Python 字典。import json import re # 核心清洗逻辑使用正则表达式强行提取大括号包裹的内容 json_match re.search(r\{.*\}, result, re.DOTALL) if json_match: # 提取纯净的 JSON 字符串并转化为 Python 字典 data json.loads(json_match.group()) return data # 如果怎么都提不出来返回一个带 raw 标记的字典兜底 return {raw: result}只初始化一次高德地图MCP工具global _amap_mcp_tool if _amap_mcp_tool is None: _amap_mcp_tool MCPTool(...)backend/app/services/serper_service.py和backend/app/api/routes/poi.py多级搜索策略。通过动态追加 Context如‘景点’、‘landmark’进行多轮重试。如果三轮都查不到程序会果断返回 None# 策略1: 原名直搜 photos self.search_photos(name, num3) # 策略2: 加 景点 限定词Query Expansion photos self.search_photos(f{name} 景点, num3) # 策略3: 跨语言限定词 photos self.search_photos(f{name} landmark China, num3) # 终极防御宁缺毋滥 return None路由与服务解耦poi.py 里面只有 router.get它自己绝对不去发 HTTP 请求而是老老实实调用 serper_service.get_photo_url(name)。这叫职责分离。poi.pyController 层只负责接客和参数校验serper_service.pyService 层专心干苦力查数据。以后如果要换百度识图只需要改 Service 层完全不需要动 API 路由层。数据清洗# 没有直接 return response.json() for photo in results: photos.append({ url: photo.get(imageUrl), title: photo.get(title) })标准化的统一响应结构poi.py中。所有的 API 接口都必须遵守{success: bool, message: str, data: Any}的结构。这样前端在写 Axios 拦截器时就能非常轻松地全局处理成功和失败的弹窗不用每个接口都去猜数据在哪一层。return { success: True, message: 获取图片成功, data: { ... } }3.大模型输出的兜底与解析层backend/app/api/routes/trip.py控制器lan_trip 函数内部几乎没有写任何具体的 if-else 业务逻辑它只是打印了日志然后直接把请求扔给了 agent.plan_trip(request)拿到结果后立马包装返回。真正的“炒菜”全在后面的 Agent 和 Service 层。这样写代码清爽维护时一目了然。GET /health接口它不仅返回了 status: healthy还主动去试探了一下底层的 agent 能不能正常获取len(agent.agent.list_tools())。如果底层 MCP 工具挂了这个接口会立刻抛出503 (Service Unavailable)。backend/app/model/schemas.py之前在 Prompt 里嘱咐大模型“温度必须是纯数字”。但是 它还是可能由于幻觉输出了 day_temp: 25°C。如果不用 field_validatorPydantic 看到字符串 25°C 而不是整数会当场抛出 ValidationError整个行程规划直接崩溃。modebefore在 Pydantic 原生类型检查之前拦截相当于在海关门口放了一个“自动清洗机”不管大模型吐出来带什么单位全给你扒干净转成整数。柔性容错机制field_validator(day_temp, night_temp, modebefore) classmethod def parse_temperature(cls, v): 解析温度,移除°C等单位 if isinstance(v, str): v v.replace(°C, ).replace(℃, ).replace(°, ).strip() try: return int(v) except ValueError: return 0 return v自定义数据清洗器大模型在生成超长 JSON 时极度容易**“丢三落四”。如果没有Optional和default缺少一个字段就会导致整体验证失败。使用了这些特性后系统实现了优雅降级—— 核心字段带...的必填项比如名字、日期必须有非核心字段没有就塞个默认值0或者None绝不影响主流程。前端拿不到rating大不了就不显示星星但绝不会白屏。rating: Optional[float] Field(defaultNone, description评分) photos: Optional[List[str]] Field(default_factorylist, description景点图片URL列表) ticket_price: int Field(default0, description门票价格(元))嵌套树状契约 代码体现从下往上组装Location - Attraction/Hotel/Meal - DayPlan - TripPlan - TripPlanResponse。架构意义不要企图用一个几百行的巨大字典去约束复杂的返回值。这种一层套一层的组合模式不仅让代码可读性极强更重要的是当大模型的某一行 JSON 出错时Pydantic 报错堆栈会极其精准地告诉你“是 TripPlan 里的第 2 个 DayPlan 里的第 1 个 Attraction 的 Location 格式错了”。这极大地降低了后期的 Debug 成本。API 的“自说明”与 Swagger 集成这是标准的大厂 API 规范。加上example和详细的description之后FastAPI 会在/docs路径下自动生成一个可以直接进行调试、并且自带样例数据的炫酷 Swagger 接口文档。前后端联调时前端只需要看这个自动生成的文档根本不用问“这个字段是干嘛的”。class Config: json_schema_extra { example: { city: 北京, travel_days: 3, # ... } }