Voyago：龙虾（OpenClaw）驱动的一站式旅行规划套件

📝 本文首发于我的博客：Voyago：龙虾（OpenClaw）驱动的一站式旅行规划套件

一句话说清楚

你说「帮我规划西安7日游」，AI 自动跑遍 12306、途牛、高德、小红书，20 分钟交付一份包含交通全量数据、三档酒店、逐日行程、每段导航、预算明细的完整旅行规划。

为什么需要 Voyago

旅行规划的真实痛点

想订个周末游，你要在 12306 查票、途牛搜机票、各平台比酒店、高德查路线、小红书翻攻略------5 个 App 来回跳，自己当人肉整合器。光是收集信息就花大半天，行程还没排好。

这不是某一个平台做得不好，而是平台之间天然存在数据裂缝。12306 只管卖票，不告诉你酒店离火车站多远；酒店平台不知道你第二天要去的景点在哪个方向；小红书的攻略很鲜活，但价格可能是去年的。

为什么是高价值场景

旅行规划是生活服务中决策链最长、信息最分散、整合需求最强烈的场景。一次旅行涉及交通 + 住宿 + 游玩 + 餐饮 + 路线 + 预算 6 个维度，分布在 5+ 个平台。谁能打通这条链，谁就是用户的超级入口。

而同样的模式可以复制到外卖点餐、就医挂号、演出购票------任何需要跨平台整合的生活服务场景。

Voyago 的核心价值

打通多平台，一个入口连接一切。 用户不需要知道数据从哪来，AI 替你跑遍全网，你只看结论。

从查数据到做决策。 单独查票谁都能做，Voyago 的价值在于跨平台融合后的智能编排 ------自动对比火车 vs 飞机的时间和价格、根据行程选距离所有景点最近的酒店、在景点之间插入精确到地铁出口的导航路线、计算三档预算明细。这些不是任何单一平台能做的事，这是把多平台数据打通后才能产生的高阶能力。

真实数据 + 真实口碑。 价格、余票、时间全部来自官方 API 实时查询，不是 AI 编造的。同时融入小红书达人的真实体验------拍照打卡点、排队时长、必点菜品------弥补了纯 API 数据缺乏「人味」的短板。

AI 要做的是为用户真实世界的复杂需求和数字世界的分散信息架起桥梁，打破平台之间的数据裂缝和信息差，降低用户的决策复杂度。

整体架构

Voyago 采用 1 个 Ability + 5 个 Skill 的插件化架构，基于 OpenClaw 平台构建。

Voyago Ability（编排层） 是整个套件的「大脑」，负责编排和调度 5 个专业 Skill，按预定义的工作流自动完成旅行规划的全部步骤。

5 个 Skill 各司其职

Skill	能力	数据源	数据类型
trains-12306	火车票余票、票价、换乘、经停站查询	12306 官方 API 直连	实时余票 + 实时票价
tuniu	机票、酒店、景点门票、邮轮、度假产品	途牛开放平台	实时价格 + 库存
hotel	全球酒店搜索（71 个标签精确筛选）	RollingGo	实时房价 + 房型
amap-lbs	POI 搜索、路线规划、周边查询、导航链接	高德地图 API	坐标 + 路线 + 导航
xiaohongshu-search	旅行攻略、美食推荐、避坑指南	小红书（Chrome 自动化）	UGC 口碑内容

为什么不是一个大 Skill

拆成 5 个独立 Skill 的好处是可插拔：

只想查火车票？单独装 trains-12306 就行
公司有自己的酒店数据源？替换 hotel Skill 即可
想加上租车服务？写一个新 Skill 插入编排流程
每个 Skill 可以独立迭代，不影响其他组件

五阶段多 Agent 执行流程

为什么用多 Agent 而不是单 Agent

如果让一个 AI Agent 从头跑完 20 个子任务，到后半段（路线导航、最终组装）时，前面步骤产生的海量数据------100+ 趟火车车次、15+ 家酒店详情、20+ 段路线规划的 API 返回------会逐渐撑满 AI 的上下文窗口。后续步骤的指令被「挤出」，表现为跳步或草率执行，这是 LLM 长上下文的固有瓶颈。

Voyago 采用 5 Phase 串行子 Agent 架构解决这一问题：每个阶段由一个独立的 AI 子进程执行，通过 JSON 中间文件传递数据。每个阶段启动时上下文是全新的，只读取自己需要的数据，彻底规避上下文膨胀。

复制代码

主 Agent（编排层）
  ├─ Phase 1 子Agent → 需求+攻略       → phase1.json
  ├─ Phase 2 子Agent → 交通/门票/POI   → phase2.json
  ├─ Phase 3 子Agent → 酒店+路线导航   → phase3.json
  ├─ Phase 4 子Agent → 小红书深度      → phase4.json
  └─ Phase 5 子Agent → 组装+渲染       → final.json + final.md

TODO 驱动的进度追踪

为了确保每一步都严格执行、不跳不漏，Voyago 引入了 TODO 文件机制。规划启动时，系统会自动创建一个 TODO 文件，把所有步骤以 checklist 形式写入，按 Phase 分组：

复制代码

# 西安 旅行规划 TODO

## Phase 1: 需求确认 + 攻略 (S1-S2)
- [x] S1-1 明确需求：目的地=西安 出发地=上海 日期=4.13~4.19 人数=2 预算=标准型
- [x] S2-1 xiaohongshu-search → 搜索「西安 旅行攻略」→ 提取灵感：景点8个 美食6个 避坑5条
→ 输出: phase1.json

## Phase 2: 多维数据查询 (S3)
- [x] S3-1 火车票：trains-12306 → 去程52趟 返程48趟（全量+票价）
- [x] S3-2 机票：tuniu → 去程12班 返程15班（至少 2-3 页）
- [x] S3-3 门票：tuniu → 逐景点查询（兵马俑/华清宫/... 共6个）
- [ ] S3-4 POI 验证：amap-lbs → 每景点查坐标+开放时间（共___个）
- [ ] S3-5 美食 POI：amap-lbs → 核心景点周边餐厅 radius=3000（共___家）
→ 输出: phase2.json

...（后续 Phase 同理）

每个子 Agent 执行完一条就立即勾选（[ ] → [x]），填入实际数字（___ → 52）。执行下一条前先回读 TODO 确认上一条已完成。这保证了：

不跳步：未勾选的步骤不会被绕过
可观测：随时打开 TODO 文件就能看到当前进度
可恢复：如果某个 Phase 中断，从 TODO 就能看到断在哪里

Phase 1：需求确认 + 攻略搜索

明确目的地、日期、人数、预算等信息，然后调用小红书搜索获取旅行灵感（热门景点、必吃美食、避坑提醒）。攻略仅作为灵感来源，所有价格和地址以后续 API 查询为准。

Phase 2：多维数据查询

这是数据量最大的阶段。AI 会依次完成 5 项查询：

12306 火车票：查去程 + 返程全部车次余票，再逐个车次查票价（12306 余票和票价是两个独立接口）
途牛机票：查去程 + 返程航班，至少翻 2-3 页确保覆盖全
途牛门票：逐个景点查询所有票型和价格，无结果时智能换关键词重试
高德 POI 验证：验证每个景点的精确坐标、地址、开放时间（坐标数据是后续路线规划的基础）
高德美食搜索：搜索核心景点周边 3km 内的餐厅，获取地址、坐标、营业时间

Phase 3：酒店 + 路线导航

酒店：同时调用 RollingGo 和途牛两个渠道搜索酒店，按经济/舒适/豪华三档分类。最终推荐的酒店会综合考虑与行程中所有景点的距离，选择地理位置最便利、出行动线最合理的选项------比如优先推荐步行可达多个核心景点或紧邻地铁站的酒店，让你每天出门不走回头路。

路线导航 （工作量最大的环节）：基于 Phase 2 获取的坐标数据，为行程中每两个相邻地点规划交通方案：

火车站/机场 → 酒店
酒店 → 当日第一个景点
景点 → 景点
景点 ↔ 餐厅
最后景点 → 酒店
酒店 → 火车站/机场

每段至少提供 2 种交通方案 （按距离自动选择：< 1km 步行+骑行、1-5km 公交+打车、> 5km 公交+打车），每个方案都包含逐步导航步骤和可点击的高德导航链接。

Phase 4：小红书深度补充

逐个景点和餐厅搜索小红书达人的真实体验：

景点：拍照打卡点、最佳游览路线、隐藏玩法、真实排队时长
餐厅：必点菜品、真实人均消费、排队技巧
避坑指南：搜索「{目的地} 避坑/踩雷」，提取真实踩坑经验

Phase 5：组装输出

将前 4 个阶段收集的所有数据，按照预定义的 JSON Schema（10 个标准化模块）组装为结构化数据，再按 Markdown 渲染模板生成排版精美的最终文档。组装过程有 20+ 项自检清单确保数据完整。

输出成果：10 大模块

最终产出的旅行规划文档包含以下 10 个模块，信息覆盖出行的方方面面：

行程概览 --- 目的地、日期、人数、预算、行程亮点速览
往返交通 --- 火车票和机票全量数据表格 + 推荐方案（不是只给 3-5 个选项，而是 API 返回的所有结果）
住宿推荐 --- 经济/舒适/豪华三档酒店，含价格、星级、位置、特色
Day-by-Day 行程 --- 每日时间线，景点之间插入精确导航路线 + 可点击高德链接
景点门票汇总 --- 各景点票型、价格、购买渠道
美食地图 --- 推荐餐厅、必点菜品、人均消费、营业时间 + 小红书达人点评
费用预算明细 --- 按经济/标准/豪华三档列出交通、住宿、门票、餐饮的详细开支
天气和穿搭建议 --- 目的地天气预报 + 穿衣参考
注意事项和避坑指南 --- 来自小红书达人的真实避坑经验，按分类整理
预订提醒和准备清单 --- 出发前的待办事项 checklist

技术亮点

多阶段隔离，确保执行质量

5 个独立子 Agent 各自拥有干净的上下文窗口，通过 JSON 文件传递数据。这不仅解决了上下文膨胀问题，还带来了可恢复性------如果某个 Phase 失败，可以从该 Phase 重跑，不需要从头来过。

全量数据，不缩水

火车票展示 12306 返回的全部车次（通常 50-100+ 趟），机票展示途牛多页全部航班。酒店覆盖 RollingGo + 途牛双源搜索。路线导航覆盖行程中每一段路程，每段至少 2 种方案。用户自己做选择，AI 不替你砍选项。

结构化 JSON，可扩展

中间数据和最终产出全部以标准 JSON 格式存储。最终的 final.json 可以：

渲染为 Markdown 文档（默认输出）
通过 voyago-web 服务转换为精美的 HTML 可视化页面
对接其他系统（比如导入日历、分享给同行人）

插件化可插拔

每个 Skill 独立安装、独立使用、独立迭代。想加一个新的数据源？写一个新 Skill 挂到编排流程即可，不需要改动其他任何组件。

为什么现在做

现有平台都是孤岛：各平台只卖自家产品，平台间一直存在裂缝。没有谁能给你一个「从出发到回家」的完整方案
基础设施刚好到位：Agent 的资源整合能力在垂域上已得到验证，OpenClaw + Skill 在「连接一切」上的能力开始显现
AI 能做更高层的事：不只是查数据，而是跨平台融合后的智能编排------这是把多平台数据打通后才能产生的高阶能力

GitHub 开源地址

所有组件均已开源到 GitHub，一键获取即可使用：

组件	类型	版本	安装地址
Voyago 旅行规划编排	Ability	v4.0	github.com/pydaxing/voyago
trains-12306 火车票查询	Skill	v1.0	github.com/pydaxing/voyago/skills/trains-12306
tuniu 途牛旅行助手	Skill	v2.0	github.com/pydaxing/voyago/skills/tuniu
hotel 酒店搜索	Skill	v2.0	github.com/pydaxing/voyago/skills/hotel
amap-lbs 高德地图服务	Skill	v2.0	github.com/pydaxing/voyago/skills/amap-lbs
xiaohongshu-search 小红书搜索	Skill	v1.0	github.com/pydaxing/voyago/skills/xiaohongshu-search

实际案例：西藏 7 日深度游

以下是 Voyago 生成的一份完整旅行规划，可以直观感受输出质量：

行程概要：

Day1(4/13): 上海飞拉萨，适应高原，药王山观景台
Day2(4/14): 布达拉宫 → 大昭寺 → 八廓街
Day3(4/15): 色拉寺辩经 → 西藏博物馆 → 扎基寺
Day4(4/16): 羊卓雍措半日游（含日托寺）
Day5(4/17): 拉萨 → 林芝 · 巴松措
Day6(4/18): 索松村 · 南迦巴瓦峰桃花季 → 返回拉萨
Day7(4/19): 返程飞上海

费用预估（标准型推荐）：约 ¥7,350/人

机票：去程 ¥1,650 + 返程 ¥3,360
住宿：拉萨亚朵 5 晚 ¥356/晚 + 林芝维也纳 1 晚 ¥261
门票：约 ¥340/人

文档包含：

全部机票/火车票实时查询数据
34 家酒店（经济/舒适/豪华 3 档）
每两个景点间的导航路线 + 高德链接
24 家餐厅推荐 + 小红书达人攻略
16 条避坑提醒
完整预订清单

快速开始

安装 Voyago Ability 和 5 个 Skill 后，只需对 AI 说：

帮我规划一下杭州两日游，4月15号出发，从北京走，2个人，标准预算，喜欢自然风光和美食

AI 会自动开始 5 阶段规划流程，最终产出一份完整的旅行规划文档。整个过程无需人工干预，约 20-30 分钟即可获得一份专业级的行程方案。

实际案例

想看 Voyago 的实际输出效果？这里有一份完整的西藏 7 日游规划案例：

👉 让 AI 帮我规划西藏7日游，这份攻略我给满分

从机票火车票全量数据、三档酒店对比、到逐日行程导航和避坑指南，全部由 Voyago 自动生成。

📝 本文首发于我的博客：Voyago：龙虾（OpenClaw）驱动的一站式旅行规划套件