Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

【2026飞猪AI旅行创新大赛】

Đang mở
  • Có gì không ổn?
#192 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
5/5
Thời gian dự kiến
Hơn một tuần
Mức phù hợp với người mới
15/100
Loại issue
Tính năng
Độ rõ ràng
Cần làm rõ
Mức độ hoạt động
Sôi nổi
Công nghệ
html, json, markdown, python
Lĩnh vực
ai, documentation

Hướng nghiên cứu

This issue is a Chinese language competition entry describing a travel Agent prototype and its current capabilities; it does not request a specific change to this repository. Read the linked project materials and the repository contribution guidance to identify whether any concrete follow-up work exists. Done would require a clearly scoped change with an observable result, which this issue does not define.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

2026飞猪AI旅行创新大赛 showcase

参赛项目名称

沿途｜计划之外，也有人搭把手。

沿途是你的行中旅行伙伴：结合行程、同行人、时间地点和现场变化，帮你发现值得的体验、选择符合预算的餐馆，在遇到困难时找到可靠资料和求助方式，让下一步更清楚。

团队 / 作者与奖品领取人

  • 团队名称：lvmate
  • 主要提交人 GitHub ID（仅 1 位，必填）：timetellu

旅行场景与目标用户

面向自由行、自驾和多人结伴旅行用户，尤其是已经做过攻略、到了现场仍需要不断做决定的人。

这个想法来自真实的旅行经历。青甘大环线五个人、十一天，出发前已经排好了每天的路线、景点和住宿，真正上路后仍遇到许多计划覆盖不到的情况；城市返程前，也会有带着行李、受航班时间约束的临时安排需求：

真实经历 用户真正需要解决的问题
刚到西宁，临时想出去看夜景，后来发现了浦宁之珠 今晚有限的时间里，什么体验值得去，能否少走路、早点回来？
早起去青海湖看日出，遇到阴天和云层，没有看到预期景色 要不要早起？到了现场还要不要等？怎样衔接后面的行程？
从黑独山下来，在冷湖美食城连看几家都觉得贵，最后在周边找到合适的店 五个人想吃好、控制预算，怎样减少反复找店的折腾？
德令哈琉璃湖附近自驾爆胎，山区没有信号，又不熟悉租来的 GL8 出发前该准备什么？遇到问题时，怎样获得匹配车辆的资料和人工帮助？
在成都春熙路吃饭，预计13:00吃完，18:30从双流机场T1乘机，还带着行李箱 下午还能去哪里转转？行李如何安置、步行是否方便，以及几点结束游玩去机场，才能留足值机和安检时间？

沿途围绕这些现场决策展开，也将偏好、当地时间和境外准备纳入设计，例如酒店需求、乘车耐受、活动强度，以及入境、通信和用电信息。

我做了什么

我在阿里云百炼 Managed Agents 上搭建了一个对话式旅行 Agent，接入搜索、地图 POI、路线和天气等工具，配套五个旅行 Skill，并通过真实 API 多轮对话检验建议能否落到行动。当前配置为 v18，模型 GLM-5.3。

核心设计是一条连续的服务路径：理解旅程 → 探索不同体验 → 按条件筛选 → 核实关键事实 → 提供可执行的下一步。

1. 理解“这趟旅行”和“现在的你”

复用对话里已经确认的人数、住宿、交通、预算和后续安排，按任务自然了解偏好。酒店是否安静、能接受多久车程、愿不愿意爬坡和早起，都会影响建议；用户临时说累了、吃过饭或预算变了，也应随之调整。

偏好管理区分“本人长期偏好”“本次团队条件”和“当前临时状态”，保留适用成员、来源和有效期。例如父母不适合连续步行，不等于年轻人也不能多走；今天累了，也不应永久覆盖用户平时喜欢徒步的偏好。配套程序支持读取、更正和按范围遗忘，长期保存仍需宿主提供可信身份、授权存储和真实写回。

2. 先发现体验，再做选择

面对“今晚去哪儿”，先探索观景、人文建筑、本地街区、活动等不同方向，再按完整时间成本、步行、费用、天气与开放条件筛选。“少走路、明天早起”作为约束参与比较，避免搜索一开始就只剩夜市或商圈。

3. 把推荐接到实际行动上

推荐景点时查找官方购票或预约入口，推荐地点时提供准确导航入口，涉及境外政策时提供官方正文链接。能自行查清的信息尽量在当前对话内完成，不把“建议去官网查”作为最终交付；暂时查不到的内容明确保留未知。用户需要的交付包括怎么去、怎么买、需要注意什么，减少拿到推荐后继续逐项追问。

4. 接住现场变化

餐馆太贵、排队太久、天气影响观景或临时缩短时间时，保留其他有效条件，重新比较。餐饮按实际菜单、数量和附加费计算，避免把历史人均消费当作当前报价。

5. 主动做有用的准备提示

在当前交互中，结合行程提前提示相关准备：例如进入弱网路段前保存必要资料、确认租车行联系方式；境外出发前核查适用的入境政策、当地时差、通信与用电条件。安全提示结合具体地点、时段和实际行为，不用笼统的国家印象代替核查。主动服务围绕用户当下能采取的行动展开，已有提示没有变化时避免重复打扰。

6. 用技能和程序承担具体工作

Skill 负责的工作
yantu-discover 探索不同体验，比较候选及其时间、交通、费用和开放条件
yantu-budget 按实际菜品、数量和附加费核算，生成账单明细
yantu-trip-brief 将已确认资料整理为行程、出发准备单或弱网前资料卡
yantu-verify 辅助检查金额、时间、证据适用性及动作状态，提示缺失和冲突
yantu-profile 管理个人偏好、团队条件、临时状态及更正、遗忘

五个技能均已挂载云端。金额核算和偏好处理有可执行程序；核验程序是辅助检查，不能凭脚本通过就认定资料真实，也不能保证模型每次都遵守检查结果。信息密集时可用对比表、账单或准备单展示；图片和视频使用实际取得、与场景相关的来源及链接。

与普通旅行问答相比，沿途把回答的终点设为：结合我现在的情况，下一步该怎么做，依据是什么，从哪里开始。

当前作品为对话式原型。已实现偏好处理程序并挂载技能，但跨会话存储与复用尚未完成端到端验证；精确设备定位、后台自动推送和真正断网后的服务也未作为已实现能力展示。生成准备单不等于已经下载到游客手机。车辆操作不能仅凭“GL8”车型名称给出确定步骤，需要匹配年款、配置、现场条件与可靠资料；条件不足时优先衔接租车行或道路救援。

百炼使用说明（必填）

  • 百炼能力 / 模型：阿里云百炼 Managed Agents，当前 Agent 配置为 v18 / glm-5.3（GLM-5.3），配置读取日期为2026年10月20日。官方模型配置说明
  • 调用方式：百炼控制台交互，以及自行编写的 Python 客户端调用 Managed Agents REST API 与 SSE 事件流。客户端创建独立会话、发送游客消息并采集实际回答、工具调用和执行结果。另已通过 Qwen Code 接入 Token Plan 模型，完成本地交互式运行验证。
  • 使用环节与输入输出：百炼位于运行时链路，承载 Agent 会话、模型推理和工具执行。输入包括用户自然语言、已确认的旅程信息，以及搜索、地图和天气工具返回；输出为候选比较、推荐安排、费用明细、准备清单与行动链接。官方控制台运行说明
  • Skill 名称：yantu-discover、yantu-budget、yantu-trip-brief、yantu-verify、yantu-profile，当前均挂载1.0版本。
  • 其他工具 / 技术栈：联网搜索增强版、网页读取、垂类搜索、高德地图 MCP 的 POI 搜索、地点详情、路线和天气查询；Python 标准库实现的账单、资料整理、辅助核验与偏好处理程序；JSON/JSONL 留痕及 HTML/Markdown 展示。按实际任务使用相关工具，挂载不等于每轮全部调用。

百炼位于作品的实际运行链路。当前参赛主路径为托管版 Agent；另已调通基于 Qwen Code 的 Token Plan 本地交互版，复用v18完整提示词和五个技能，模型同为GLM-5.3，已验证真实生成、账单脚本执行和搜索MCP调用。该接入供兼容Agent工具内交互使用，不作为应用后台或批量服务；地图及其他原MCP尚未完成本地迁移验收。套餐模型与搜索工具独立核算，原云端托管Agent未改为套餐模型入口。

效果展示

以下为西宁夜游早期测试中的实际工具调用截图：Agent 发起地点搜索、查询西宁站的地图位置，并查询候选地点的驾车路线。截图展示真实调用过程，不作为当前v18完整效果或手机实时定位的证明。

[沿途实际运行：西宁夜游中的 POI 搜索与路线规划]
Image

![沿途实际工具配置]
Image

演示围绕真实经历展开，重点展示以下过程：

演示片段 观察重点
西宁临时夜游 是否探索不同体验，并按住宿位置、可用时间和体力筛选，而非直接给出固定地点清单
青海湖日出决策 是否区分预报、现场观测和推断，并尊重“看不到就宁愿多睡”的偏好
冷湖餐饮与菜单计算 是否保留五人和预算条件，计入新增费用，并提供清楚的最终账单
琉璃湖弱网出发准备 是否提前整理资料和联系人，并明确车辆资料、下载状态及离线能力的边界

其中，菜单计算测试使用演示价格：烤鱼 168 元、番茄炒蛋两份共 56 元、青菜 22 元、米饭 15 元，合计 261 元；补充 30 元锅底费后为 291 元，减少一份 28 元的番茄炒蛋后为 263 元。此片段仅展示费用计算，不代表真实商家报价，也不据此保证五个人的分量足够。

本地交互版另完成两项接入验证：实际执行yantu-budget原账单脚本，生成合计263元、预算差额17元的明细；通过EnhancedSearch实际发起搜索并取得返回。已保存实际对话、模型及工具调用记录和账单产物。接入成功仅证明这两条执行链路可用，不代表全部旅行事实已核实或8场评测已通过。

此外，已构建8个典型多轮场景，覆盖西宁夜游、青海湖日出、冷湖餐饮、带父母游杭州、弱网出发准备、山路爆胎、巴西行前准备和抵达里约后的主动服务。判据同时检查条件是否保留、来源是否适用、费用与时间是否一致、入口是否可执行，以及是否虚报完成状态。

已通过真实API完成过8场25轮基线采集，并保留后续定向测试的实际对话、工具事件、配置快照、逐轮输入输出和文件校验记录。历史测试暴露的问题用于完善当前设计；当前v18尚未完成全量回归，不提供未经验证的当前版本通过率。偏好处理程序的34项本地测试通过，只证明该程序的本地规则，不代表百炼跨会话记忆或旅行场景整体通过。

真实旅行经历用于说明问题来源；Agent 的效果以实际对话和工具返回展示，不将旅途中他人的帮助记作 Agent 完成的动作。

项目链接与复现方式

上述本地文件为当前版本的打包源材料，不是公开下载地址。早期公开的提示词与复现压缩包不作为v18复现依据；公开截图仅用于展示已发生的实际运行过程。

体验时可依次输入：

我们五个人刚到西宁，今晚想出去看看，明天还要早起，不想走太多路。

我们今晚住黑马河，本来打算明早看日出。要是看不到，我宁愿多睡一会儿，后面还得赶路。

我们五个人刚从黑独山下来，现在在冷湖找晚饭，想吃米饭和炒菜，总共三百以内，不想再一家家绕了。

我们五个人准备从德令哈自驾去琉璃湖附近，租的 GL8，听说途中有些地方没信号。出发前你能帮我准备什么？

每段不同旅行场景可以新开会话，并自然补充住宿位置、日期、实际菜单或时间变化。天气、营业、价格和政策会变化，体验时应重新查询，不要求复现固定的推荐地点或数字。

自行配置时，在百炼 Managed Agents 中新建智能体，选择 glm-5.3，填入当前完整系统提示词；上传上述五个Skill包，扫描通过后挂载对应版本，连接搜索、地图与天气服务。准备可用运行环境后新建会话，逐轮输入游客话术即可体验。仅上传Skill不等于已配置长期记忆；跨会话偏好还需要可信用户身份、存储读写权限和独立验证。修改Agent配置后需要新建会话，已有会话保持创建时的配置快照。官方会话说明

复现者需自行开通百炼和相关 MCP 服务，配置个人账号下的合法访问凭证。材料不包含 API Key、密码或作者的工作空间访问权限。

踩坑记录（可选）

  • 地图查到地点，并不等于体验已经可执行：停车、步行、停止入场、返程和休息时间都可能影响选择。
  • 日级天气不能直接说明某个观景点清晨的能见度；历史帖子、搜索摘要和当前事实需要区分。
  • “建议提前买票”还没有解决用户的问题，查清对应官方入口和票种，才能减少后续操作。
  • 提示词可以约束服务方式，但不能凭空增加定位、通知、存储或离线能力，相关功能需要工具接入与实际验证。
  • 技能程序通过检查，不代表上游资料真实或最终回答可靠；评测需要同时查看真实工具返回、程序输出和游客最终看到的建议。
  • 偏好不能只存成一张标签表：同行人的限制、临时疲劳和长期兴趣需要分开处理，更正和遗忘也要保留明确作用范围。
Ngôn ngữ chính
HTML
Star
11
Fork
3
Không có pull request nào được merge trong 30 ngày

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của modelstudioai/modelstudioai.github.io

Tất cả issue của modelstudioai/modelstudioai.github.io

Issue tương tự

Thêm issue về AI Infra & Agents

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.