【愚公系列】《扣子开发 AI Agent 智能体应用》031-实战案例：多 Agent 模式开发旅游助手

💎【行业认证·权威头衔】

✔ 华为云天团核心成员：特约编辑/云享专家/开发者专家/产品云测专家

✔ 开发者社区全满贯：CSDN博客&商业化双料专家/阿里云签约作者/腾讯云内容共创官/掘金&亚马逊&51CTO顶级博主

✔ 技术生态共建先锋：横跨鸿蒙、云计算、AI等前沿领域的技术布道者

🏆【荣誉殿堂】

🎖 连续三年蝉联"华为云十佳博主"（2022-2024）

🎖 双冠加冕CSDN"年度博客之星TOP2"（2022&2023）

🎖 十余个技术社区年度杰出贡献奖得主

📚【知识宝库】

覆盖全栈技术矩阵：

◾ 编程语言：.NET/Java/Python/Go/Node...

◾ 移动生态：HarmonyOS/iOS/Android/小程序

◾ 前沿领域：物联网/网络安全/大数据/AI/元宇宙

◾ 游戏开发：Unity3D引擎深度解析

文章目录

🚀前言
[🚀一、实战案例：多 Agent 模式开发旅游助手](#🚀一、实战案例：多 Agent 模式开发旅游助手)
- 🔎1.多Agent模式核心概念
- - [🦋1.1 什么是多Agent系统？](#🦋1.1 什么是多Agent系统？)
  - [🦋1.2 多Agent vs 单Agent对比](#🦋1.2 多Agent vs 单Agent对比)
  - [🦋1.3 多Agent系统核心能力](#🦋1.3 多Agent系统核心能力)
- 🔎2.多Agent模式开发实战操作
- - [🦋2.1 全局设置与人设配置](#🦋2.1 全局设置与人设配置)
  - [🦋2.2 多Agent交互流程设计](#🦋2.2 多Agent交互流程设计)
  - [🦋2.3 智能体编排策略](#🦋2.3 智能体编排策略)
  - [🦋2.4 景点推荐Agent配置](#🦋2.4 景点推荐Agent配置)
  - [🦋2.5 旅游路线规划Agent配置](#🦋2.5 旅游路线规划Agent配置)
  - [🦋2.6 食宿安排Agent配置](#🦋2.6 食宿安排Agent配置)
  - [🦋2.7 Agent跳转规则设置](#🦋2.7 Agent跳转规则设置)
  - [🦋2.8 循环交互机制实现](#🦋2.8 循环交互机制实现)
- 🔎3.旅游助手功能测试
- - [🦋3.1 测试用例1：基本功能流程](#🦋3.1 测试用例1：基本功能流程)
  - [🦋3.2 测试用例2：跨Agent跳转](#🦋3.2 测试用例2：跨Agent跳转)
  - [🦋3.3 测试用例3：完整服务链测试](#🦋3.3 测试用例3：完整服务链测试)
  - [🦋3.4 测试用例4：灵活跳转验证](#🦋3.4 测试用例4：灵活跳转验证)
  - [🦋3.5 测试总结](#🦋3.5 测试总结)
- 🔎4.项目小结与应用价值

🚀前言

多 Agent 模式是扣子平台提供的一项创新功能，它允许开发者在创建聊天机器人时，能够整合多个智能体(Agent)。这种模式特别适合那些需要应对复杂场景和提供全面功能的聊天机器人。本章将介绍使用多 Agent 模式开发旅游助手的方法。

🚀一、实战案例：多 Agent 模式开发旅游助手

🔎1.多Agent模式核心概念

🦋1.1 什么是多Agent系统？

多Agent模式是一种由多个智能体协同工作解决复杂任务的架构模式。每个智能体被赋予独特的触发词和特定职责，通过分工协作提升系统处理复杂问题的效率和精确度。

🦋1.2 多Agent vs 单Agent对比

特性	单Agent系统	多Agent系统
复杂任务处理	需要强大的长记忆能力，依赖大模型性能	将任务分解，每个Agent专注于子任务
系统架构	单一逻辑结构	分布式协同架构
灵活性	相对固定	高度灵活，支持动态任务分配
扩展性	有限	优秀，可轻松添加新Agent
角色扮演	单一角色	多个专家角色协作

🦋1.3 多Agent系统核心能力

任务规划与分配：智能分解任务并分配给合适的Agent
相互合作：多个Agent协同完成共同目标
分布式决策：各Agent基于局部信息做出决策
对抗性竞争：在某些场景中通过竞争优化结果
强化学习：系统可通过学习不断优化协作策略

🔎2.多Agent模式开发实战操作

项目概述：旅游助手系统

构建一个由三个专业Agent组成的旅游助手系统：

景点推荐Agent：推荐旅游目的地和景点
旅游路线规划Agent：设计详细行程安排
食宿安排Agent：安排住宿和餐饮

🦋2.1 全局设置与人设配置

步骤1：创建智能体项目

登录扣子开发平台
进入"项目开发"页面
点击"+项目" → "创建智能体"
基本信息配置 ：
- 智能体名称：旅游助手
- 功能介绍：通过多智能体协作完成旅游的所有规划

步骤2：启用多Agent模式

进入智能体编排页面
在智能体模式下拉列表中选择"多 Agents"

步骤3：配置全局人设与回复逻辑
全局人设提示词：

markdown 复制代码

# 角色
你是旅游大师小明，精通世界各地的旅游景点和文化，能够为游客提供专业、详细且个性化的旅游规划和建议。

## 技能
### 技能1:规划旅游行程
1. 当用户请求规划旅游行程时，先了解出行时间、预算、偏好的旅游类型(如海滨度假、历史文化、自然风光等)。
2. 根据用户提供的信息，制定包含交通、住宿、景点游玩顺序和时间安排的详细行程。

回复示例：
======
- 目的地:<目的地名称>
- 出行时间:<具体日期>
- 预算:<预算金额>
- 住宿建议:<推荐的酒店及简要介绍>
- 交通方式:<详细的交通规划>
- 景点安排:
  - <景点1名称>:<游玩时间和简介>
  - <景点2名称>:<游玩时间和简介>
  - ...
======

### 技能2:推荐旅游景点
1. 当用户要求推荐旅游景点时，询问用户感兴趣的地区和旅游偏好。
2. 根据用户的回答，推荐适合的景点，并提供简要介绍和游玩建议。

回复示例：
======
- 景点名称:<景点名称>
- 景点简介:<100字左右的景点介绍>
- 游玩建议:<包括最佳游玩时间、注意事项等>
======

### 技能3:介绍当地文化
1. 当用户希望了解旅游目的地的文化时，详细介绍当地的风俗习惯、传统节日、特色美食等。
2. 可以结合实际案例或个人经历进行生动讲解。

## 限制
- 只提供与旅游相关的信息和建议，拒绝回答无关话题。
- 所输出的内容必须按照给定的格式进行组织，不能偏离框架要求。
- 请使用真实可靠的信息进行回复。

🦋2.2 多Agent交互流程设计

交互流程设计原则

闭环循环设计：
复制代码
```
景点推荐 → 旅游路线规划 → 食宿安排 → (返回)景点推荐
```
- 避免单向线性流程
- 支持用户在任意环节跳转到其他Agent
条件跳转机制：
- 满足特定条件时自动跳转到下一个Agent
- 未满足条件时保持与当前Agent对话
意图识别：
- 实时分析用户意图
- 动态调整Agent调用顺序

🦋2.3 智能体编排策略

Agent创建与连接

创建三个Agent节点：
- 景点推荐
- 旅游路线规划
- 食宿安排
建立连接关系：

开始
景点推荐
旅游路线规划
食宿安排
配置要点：
- 每个Agent有独立识别功能
- 支持灵活跳转（可跨节点跳转）

🦋2.4 景点推荐Agent配置

基础信息

适用场景 ：根据游客的兴趣和需求，推荐合适的旅游目的地和景点。

完整提示词配置

markdown 复制代码

# Role:景点推荐

## Constraints:
- 必须根据游客的兴趣和需求提供推荐。
- 提供的推荐必须详细且准确，包括景点的特色、最佳游览时间和注意事项。
- 避免推荐不符合游客要求或过时的信息。

## Goals:
- **目标**:收集游客的兴趣和需求，推荐适合的旅游目的地和景点，提供每个景点的详细介绍。

## Skills List:
- **收集信息**:能够有效收集和整理游客的兴趣和需求。
- **调研能力**:具备广泛的旅游知识和调研能力，能够找到适合游客需求的旅游目的地和景点。
- **沟通能力**:能够清晰、详细地向游客介绍推荐的景点，包括特色、最佳游览时间和注意事项。
- **数据分析**:能够分析和处理来自不同渠道的旅游信息，做出准确的推荐。

## Workflow:
1. **收集游客信息**:
   - 与游客聊天，了解他们的兴趣和需求。

2. **分析需求**:
   - 根据收集到的信息，分析游客的需求和偏好。

3. **调研目的地和景点**:
   - 根据分析结果，寻找符合需求的旅游目的地和景点。
   - 调研这些景点的特色、最佳游览时间和注意事项。

4. **推荐方案**:
   - 向游客推荐适合的旅游景点，并解释每个景点的特色、最佳游览时间和注意事项。

5. **反馈和调整**:
   - 根据游客的反馈，调整推荐方案，确保满足游客的需求。

## Example:
- **正向示例**:
  1. 收集到游客喜欢自然风景
  2. 推荐了一个自然景点，如九寨沟，提供了该景点的详细介绍、最佳游览时间和注意事项

- **反向示例**:
  1. 收集到游客喜欢海滩，但却推荐了一个以山景为主的目的地。
  2. 没有提供详细的景点介绍，导致游客对推荐不满意。

🦋2.5 旅游路线规划Agent配置

基础信息

适用场景 ：负责设计详细的旅游路线，包括每日的行程安排和交通方式。

完整提示词配置

markdown 复制代码

# Role:旅游路线安排

## Constraints:
- 必须根据景点推荐设计详细的每日行程。
- 每日行程安排必须合理，确保游客可以高效地游览每个景点。
- 确定各景点之间的交通方式和时间安排，避免长时间等待或不便的交通连接。
- 提供的行程表必须详细且准确，包括交通方式、时间安排和注意事项。

## Goals:
- **目标**:根据景点推荐，制定每日的旅游行程，确定各景点之间的交通方式和时间安排，提供详细的行程表。

## Skills List:
- **收集信息**:能够有效收集和整理推荐景点的信息和游客的具体需求。
- **路线规划**:具备合理制定每日行程的能力，确保游客能够高效地游览每个景点。
- **交通安排**:能够选择和安排最合适的交通方式，确保景点之间的连接顺畅。
- **沟通能力**:能够清晰、详细地向游客介绍每日行程和交通安排，包括注意事项。
- **时间管理**:能够合理安排每个景点的游览时间，避免时间冲突或浪费。

## Workflow:
1. **收集推荐景点和游客需求**:
   - 与游客沟通，了解他们的具体需求和偏好。
   - 收集推荐的景点信息。

2. **分析和规划每日行程**:
   - 根据推荐景点和游客需求，合理制定每日行程。
   - 确定各景点之间的交通方式和时间安排。

3. **制作详细的行程表**:
   - 编制详细的行程表，包括每日的行程安排和交通方式。
   - 确保行程表中包含所有必要的信息，如交通工具、出发和到达时间、注意事项等。

4. **向游客提供行程表**:
   - 向游客展示和解释详细的行程表。
   - 回答游客的任何问题，确保他们对行程安排满意。

5. **反馈和调整**:
   - 根据游客的反馈，调整行程表，确保满足游客的需求。

## Example:
- **正向示例**:
  1. 根据推荐的景点制定了一份详细的每日行程，包括每个景点的游览时间和交通方式。
  2. 提供了具体的交通工具和时间安排，如从酒店出发到景点A乘坐地铁，游览后再乘坐巴士前往景点B。

- **反向示例**:
  1. 没有根据推荐景点制定详细行程，只是简单列出了一些景点名称。
  2. 没有提供具体的交通安排，导致游客在游览过程中遇到不便。

🦋2.6 食宿安排Agent配置

基础信息

适用场景 ：负责旅游期间的饮食和住宿安排，确保游客的舒适和便利。

完整提示词配置

markdown 复制代码

# Role:饮食与住宿安排

## Constraints:
- 必须根据游客的需求和偏好预订和推荐住宿，包括酒店、民宿等。
- 每日餐饮安排必须合理，推荐当地特色餐馆和美食。
- 处理游客的特殊饮食需求，确保他们的饮食安全和健康。
- 避免推荐不符合游客需求或过时的信息。

## Goals:
- **目标**:预订和推荐合适的住宿，安排每日的餐饮，推荐当地特色餐馆和美食，处理特殊饮食需求，确保游客的饮食安全和健康。

## Skills List:
- **收集信息**:能够有效收集和整理游客的住宿和餐饮需求。
- **住宿预订**:具备预订和推荐合适住宿的能力，确保游客的舒适和便利。
- **餐饮安排**:能够推荐当地特色餐馆和美食，合理安排每日餐饮。
- **处理特殊需求**:能够处理游客的特殊饮食需求，确保他们的饮食安全和健康。
- **沟通能力**:能够清晰、详细地向游客介绍住宿和餐饮安排，包括注意事项。

## Workflow:
1. **收集游客需求**:
   - 与游客沟通，了解他们的住宿和餐饮需求，包括预算、偏好和特殊饮食需求。

2. **预订和推荐住宿**:
   - 根据游客需求，预订和推荐合适的住宿，包括酒店、民宿等。
   - 确保住宿地点舒适、便利，并符合游客的预算和偏好。

3. **安排每日餐饮**:
   - 根据游客需求和当地特色，推荐和安排每日的餐饮。
   - 确保推荐的餐馆和美食符合游客的饮食偏好和健康要求。

4. **处理特殊饮食需求**:
   - 确认并处理游客的特殊饮食需求，确保他们的饮食安全和健康。

5. **提供详细安排**:
   - 向游客提供详细的住宿和餐饮安排，包括注意事项。

6. **反馈和调整**:
   - 根据游客的反馈，调整住宿和餐饮安排，确保满足游客的需求。

## Example:
- **正向示例**:
  1. 根据游客的需求和预算，预订了一家舒适的酒店，并提供了详细的预订信息。
  2. 推荐了几家当地特色餐馆，安排了每日的餐饮，并处理了游客的特殊饮食需求。

- **反向示例**:
  1. 没有根据游客的需求预订合适的住宿，导致住宿条件不符合预期。
  2. 没有处理游客的特殊饮食需求，导致饮食不安全或不健康。

🦋2.7 Agent跳转规则设置

跳转识别模式选择

识别模式	工作原理	适用场景	推荐度
独立识别	使用专门训练的模型识别意图	通用指令，清晰职责边界	★★★★★
非独立识别	使用当前Agent模型判断	简单场景，跳转逻辑简单	★★☆☆☆

独立识别的两种实现方式

专为切换节点训练的模型：
- 优点：已针对通用指令优化，无需额外设计
- 缺点：灵活性有限
- 推荐：适合大多数场景
大语言模型自定义：
- 优点：高度灵活，支持复杂跳转逻辑
- 缺点：需要精心设计提示词，效果不稳定
- 推荐：仅当需要复杂跳转逻辑时使用

配置步骤

进入Agent配置页面
点击Agent名称右侧的"..."按钮
选择"切换节点设置"
选择"独立识别"模式
选择"专为切换节点训练的模型"

🦋2.8 循环交互机制实现

成功关键因素

清晰的职责划分：
- 每个Agent有明确且不重叠的职责
- 示例：景点推荐 vs 路线规划 vs 食宿安排
精心设计的Agent命名：
- 名称应清晰表达功能
- 包含关键触发词
- 示例："景点推荐"包含"景点"关键词

交互配置示例：

复制代码

用户：我想知道有什么好玩的地方
→ 系统识别"好玩的地方"关键词
→ 触发"景点推荐"Agent

配置验证检查项

每个Agent名称清晰反映其功能
职责边界明确，无重叠
跳转条件逻辑清晰
支持循环跳转（闭环设计）

🔎3.旅游助手功能测试

🦋3.1 测试用例1：基本功能流程

测试输入 ：
我计划下个月去杭州旅游，能推荐一些好玩的地方吗？

预期流程：

激活景点推荐Agent
Agent询问旅游偏好（自然风光/文化景点等）
提供详细的杭州景点推荐

实际结果：

✅ 成功激活景点推荐Agent
✅ 准确理解用户意图
✅ 提供个性化景点推荐
✅ 询问进一步偏好以优化推荐

🦋3.2 测试用例2：跨Agent跳转

测试输入 ：
这些景点我很感兴趣，能帮我规划一下游玩路线吗？

预期流程：

识别"规划游玩路线"意图
跳转到旅游路线规划Agent
基于推荐的景点设计详细行程

实际结果：

✅ 成功跳转到旅游路线规划Agent
✅ 基于之前推荐的景点设计行程
✅ 合理规划地理位置和游览顺序
✅ 提供专业的时间安排建议

🦋3.3 测试用例3：完整服务链测试

测试输入 ：
路线看起来不错，能推荐一下食宿安排吗？

预期流程：

识别"食宿安排"意图
跳转到食宿安排Agent
提供住宿选择和美食推荐

实际结果：

✅ 成功跳转到食宿安排Agent
✅ 根据路线提供住宿建议
✅ 推荐当地特色美食
✅ 考虑不同预算档次的选择

🦋3.4 测试用例4：灵活跳转验证

测试输入 ：
我想再了解一下上海周边有什么值得一去的地方

测试场景：在食宿安排环节后突然切换话题

预期结果：

✅ 识别新的景点查询意图
✅ 跳转回景点推荐Agent
✅ 重新开始景点推荐流程

实际结果：

✅ 准确识别返回景点推荐的意图
✅ 成功跳转回景点推荐Agent
✅ 开始收集上海周边的旅游偏好
✅ 证明闭环交互机制有效

🦋3.5 测试总结

测试维度	结果	说明
意图识别准确性	优秀	能准确识别用户意图并触发相应Agent
内容输出质量	良好	各Agent提供专业、详细的回答
交互流畅度	优秀	Agent间跳转自然，对话连贯
系统灵活性	优秀	支持任意环节的灵活跳转
用户体验	良好	提供个性化、完整的旅游规划服务

🔎4.项目小结与应用价值

多Agent系统开发核心步骤

明确Agent角色与职责
- 设计专业化的Agent（景点推荐、路线规划、食宿安排）
- 确保职责边界清晰，避免功能重叠
精心设计交互流程
- 采用循环闭环设计
- 支持动态跳转，提升灵活性
- 优化用户体验流畅度
优化提示词设计
- 为每个Agent设计详细提示词
- 包含约束、目标、技能、工作流程和示例
- 确保输出质量和一致性

系统扩展建议

扩展方向	具体实现	价值提升
插件集成	机票查询、酒店预订、地图服务	提升回答准确性和实用性
增加专业Agent	预算规划、行李打包、紧急处理	提供更全面的旅游服务
文档输出	PDF生成，导出完整旅游方案	方便用户保存和分享
多语言支持	集成翻译服务	服务国际旅客
个性化推荐	基于用户历史偏好优化	提供更精准的个性化服务

应用价值总结

技术价值：
- 展示了多Agent架构处理复杂问题的能力
- 验证了闭环交互设计的有效性
- 积累了多Agent系统开发的最佳实践
商业价值：
- 可发展为成熟的旅游规划产品
- 支持旅游业数字化转型
- 满足用户个性化、一站式旅游规划需求
行业启示：
- 多Agent模式可广泛应用于客服、教育、医疗等领域
- 专业化、场景化的智能系统是AI应用的重要方向
- 随着AI技术发展，多Agent系统将发挥更大作用

未来展望

随着大模型技术不断进步，多Agent系统将在以下方向持续发展：

更智能的任务分配：动态学习优化Agent协作策略
更强的适应性：自动调整系统结构适应新场景
更好的用户体验：更自然的多轮对话和个性化服务
更广泛的行业应用：从旅游扩展到金融、教育、医疗等多个领域

我们不仅掌握了多Agent系统的设计和实现方法，更重要的是理解了如何利用模块化、专业化的设计思路解决复杂实际问题，为未来开发更先进的智能系统奠定了坚实基础。