Hacktoberfest 2026: die Issues, die Maintainer für den Oktober markiert haben – offen und einsteigerfreundlich. Hacktoberfest-Issues durchsuchen

【2026飞猪AI旅行创新大赛】住哪好 · 攻略看完之后，选酒店交给AI裁决

Offen
  • Stimmt etwas nicht?
#186 4 Kommentare 0 Reaktionen 0 zugewiesene Personen Auf GitHub ansehen

Dieses Issue hat noch niemand übernommen.

Bewertung

Schwierigkeit
5/5
Geschätzter Aufwand
Über eine Woche
Anfängerfreundlichkeit
25/100
Issue-Typ
Feature
Klarheit
Größtenteils klar
Aktivitätsstatus
Aktiv
Tech-Stack
html, javascript, node.js
Bereich
ai, web-dev

Rechercherichtung

Start with the project at https://github.com/luyao-bangbang/zhunahao and read system-prompt.md, then review the product demos linked in the issue. The submission describes an AI hotel comparison and decision agent using flyai MCP and a Managed Agent; its listed features and reproduction steps define the intended behavior. Done means the described hotel search, eight-dimension comparison, personalized verdict, and booking link can be reproduced.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Beschreibung

2026飞猪AI旅行创新大赛 showcase

🏨 住哪好 · AI 酒店裁决引擎

攻略你看完，选酒店交给 AI 裁决

在线演示

3 个真实裁决场景 · 8 维加权雷达图 · 差评解码引擎 · AI 预言卡愿景

🎤 演唱会散场模式 · 👨‍👩‍👧 亲子三选一模式 · 💑 情侣氛围 vs 性价比模式

参赛项目名称

住哪好 —— 攻略做完之后，选酒店交给AI裁决

团队 / 作者与奖品领取人

  • 团队名称：住哪好
  • 主要提交人 GitHub ID（仅 1 位，必填）：luyao-bangbang
  • 其他成员（可选，仅用于署名）：无

旅行场景与目标用户

面向所有做完旅行攻略、即将出发的人。

决策链的最后一公里：机票已订（价格时刻固定没得选）→ 攻略已做（小红书/马蜂窝/AI都能做）→ 选哪家酒店？卡在这里 → 看美食。

攻略只说“住西湖附近”，但“附近”有300家酒店民宿。住宿是旅行中唯一值得精挑细选的决策——同价位几百个选择、评价信息庞杂（装修年份/评分/差评关键词/位置通勤）、连住多晚影响全程体验。

我做了什么

「住哪好」是基于飞猪 flyai skill（MCP直连，非爬虫套壳）的酒店裁决Agent。用户一句话：“我25号去杭州，玩灵隐和西湖，住哪好？”——AI搜索候选、发起PK、给出裁决，附飞猪预订链接直接下单。

核心功能：

  1. 酒店PK擂台：价格/位置通勤/装修年份/评分+评价条数/差评关键词/卫生/隔音/早餐八维度对决，按用户特征动态加维度（亲子+儿童设施、自驾+停车）
  2. AI裁决（灵魂）：PK完必须给结论——“选杭东东¥255。差价112元÷2天=56元/天，买到通勤省60分钟+舒适型休息，值。省钱省错了地方。”裁决逻辑跟随旅行人格：花得值算性价比、特种兵选便宜的——同一个PK，不同人不同答案
  3. 差评关键词解读：好评都是模板，差评才是真相。AI提炼“隔音差(23条)、热水不稳(15条)”，评价分析三原则：分数要带条数（4.8分12条<4.6分2300条）、差评比好评信息量大、差评要具体
  4. 决策顺序感知：带着攻略来→位置权重拉满；酒店就是目的地（度假党）→反转验证值不值+反推周边行程；看演唱会→场馆半径成硬约束。三种用户三种裁决视角
  5. 行程上下文（辅助）：轻量行程骨架为裁决提供依据（“你明天去灵隐，所以住这边省60分钟通勤”），时间/体力双校验

解决的问题：选酒店要从8个网页翻几千条评价、人脑对比十几个维度——AI一句话完成，且给出立场明确的裁决而非数据罗列。

百炼使用说明（必填）

  • 百炼能力 / 模型：百炼 Managed Agent + 千问大模型
  • 调用方式（百炼 API / DashScope SDK / 百炼 CLI bl / OpenWork）：百炼平台 Managed Agent 智能体（运行时链路）
  • 使用环节与输入输出：用户自然语言输入（目的地+行程+预算+偏好）→ Agent调用flyai skill搜索酒店（结构化JSON：价格/装修年份/预订链接）→ 大模型完成八维度PK与人格化裁决 → 输出Markdown对比表+裁决+飞猪预订链接
  • Skill 名称（如有）：flyai skill（飞猪官方，npx skills add alibaba-flyai/flyai-skill 安装）
  • 其他工具 / 技术栈：flyai MCP直连飞猪实时数据；飞猪FlyAI开放平台API Key；自研system prompt（八维度PK引擎+裁决逻辑+决策顺序感知，见仓库system-prompt.md）

效果展示

🆕 全新沉浸式裁决演示（推荐先看这个）

👉 https://luyao-bangbang.github.io/zhunahao/

包含：

  • 3 个可切换的真实裁决场景：演唱会散场（节点驱动） / 亲子三亚三选一（酒店驱动） / 情侣纪念日（行程驱动）
  • 场景敏感加权雷达图：每个维度的权重随场景动态变化（如亲子模式下"隔音"权重 25%，情侣模式下"氛围"权重 25%）
  • 差评解码可视化：逐条高亮"模板好评" vs "信号差评"，输出好评模板率 / 差评具体度 / 真实槽点数
  • AI 预言卡（产品愿景）：入住后回来验证 AI 的预测，校准下一次判断
产品信条（Product Creed）

我们不信的四件事：

  1. 不信"好评" — 好评都是模板，差评才是真相
  2. 不信"我觉得" — 每条推荐都要有价格、距离、差评事实做证据
  3. 不信"都能选" — AI 不是罗列 10 家让你自己挑，是帮你"杀掉" 9 家
  4. 不信"通用排序" — 看完演唱会和带娃出游的排序逻辑完全不同
待补充

（运行截图/录屏：百炼平台实际运行对话——追问三要素→flyai实时搜索→地理圈筛选→八维度PK→AI裁决→飞猪预订链接）

项目链接与复现方式

GitHub仓库：https://github.com/luyao-bangbang/zhunahao

复现步骤：

  1. 进入阿里云百炼平台，创建 Managed Agent 智能体
  2. 会话中执行 npx skills add alibaba-flyai/flyai-skill
  3. 前往飞猪FlyAI开放平台申请API Key，配置环境变量 FLYAI_API_KEY
  4. 将仓库中 system-prompt.md 设为智能体系统提示词
  5. 测试：“我25号去杭州，玩灵隐和西湖，住哪好？”

踩坑记录（可选）

  1. flyai数据字段局限：search-train无票价、search-hotel无评分、景点仅约25%有票价。应对：有价格用具体数字，无价格标注“需查看实际票价”，评分缺失用AI评估补位并明确标注——数据诚实比数据好看重要
  2. Node版本坑：skills CLI要求Node≥22.20.0，Mac自带v20会报styleText错误，需nvm升级
  3. 合并多页HTML的样式污染：多个单页HTML合并成一个自包含文件时，通用选择器（/body/.container）互相打架导致页面“裸奔”，需CSS命名空间隔离（#page-xxx前缀）
Vorherrschende Sprache
HTML
Sterne
11
Forks
3
Keine gemergten PRs in 30 T.

Entwicklungsumgebung

Dieses Projekt bietet weder Dev-Container noch Dockerfile noch Beitragsleitfaden – die Einrichtung liegt bei Ihnen. Beginnen Sie mit der README; die allgemeinen Schritte stehen in unserem Leitfaden für den ersten Beitrag.

Erste Schritte

  1. Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
  2. Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
  3. Forken Sie das Repository und arbeiten Sie in einem Branch.
  4. Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.

Mehr aus modelstudioai/modelstudioai.github.io

Alle Issues in modelstudioai/modelstudioai.github.io

Ähnliche Issues

Weitere Issues zu AI Infra & Agents

Neue Issues direkt in Ihr Postfach

Eine kurze Übersicht über anfängerfreundliche GitHub-Issues.