用Seed Evolving+高德地图做城市旅行规划Agent

前言

作为一个经常写 Flask 后端的 Python 开发者，我平时习惯用高德 API 做一些位置相关的工具。前段时间看到 Seed Evolving 模型做了第二次升级，主打 Coding 工程能力、Agent 检索能力和幻觉控制三个方向的提升。正好手头有高德开放平台的 API Key，就想试试：能不能让 Evolving 模型当"大脑"，高德 API 当"眼睛"，搭一个能真正用的城市旅行规划 Agent？

答案是：能，而且效果比我想象中好。

本篇是一个 Python 开发者的真实搭建记录：让 AI 帮你规划一场完美的城市旅行。

想做什么

简单说，就是用户输入一个城市名和旅行偏好，Agent 自动帮你：

规划每天的行程（上午、下午、晚上分别去哪）
从高德 API 拉取真实景点信息（地址、评分、电话）
查当天天气，给出穿衣和出行建议
生成一篇有温度的旅行指南文案
还能继续追问，比如"杭州有什么好吃的"

核心思路是验证 Seed Evolving 的三个升级点：

Agent 能力：多步骤任务规划，调用外部工具，整合结果
检索能力：通过高德 API 搜索真实景点和美食
幻觉控制：基于真实 API 数据生成内容，不编造地址和评分

怎么搭的

技术栈

组件	选型	说明
模型	Doubao-Seed-Evolving	火山方舟平台调用
地图 API	高德开放平台	地理编码、POI 搜索、天气查询
后端	Flask + Python	轻量 Web 框架
前端	原生 HTML/CSS/JS	不依赖框架，一个文件搞定

接入 Seed Evolving

火山方舟的 API 完全兼容 OpenAI 格式，接入非常简单。先在控制台创建推理接入点，拿到 Endpoint ID，然后直接 HTTP 调用就行：

创建在线推理：

下一步开通授权模型，享受免费token，不错不错!

开通并授权。

代码如下：

python 复制代码

import requests

def call_evolving(messages):
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {ARK_API_KEY}",
    }
    payload = {
        "model": "ep-20260805083044-t5r5c",  # 你的 Endpoint ID
        "messages": messages,
        "temperature": 0.7,
        "max_tokens": 4096,
    }
    resp = requests.post(
        "https://ark.cn-beijing.volces.com/api/v3/chat/completions",
        headers=headers,
        json=payload,
        timeout=120,
    )
    resp.raise_for_status()
    return resp.json()["choices"][0]["message"]["content"]

这里有个小细节：文档说可以直接用模型名 doubao-seed-evolving 调用，但我实际测试时发现需要先在控制台开通模型，创建推理接入点后用 Endpoint ID 调用才行。如果直接用模型名会返回 404 提示模型未开通。

Agent 三步走架构

整个 Agent 的核心是三步调用：

第一步：分析需求，生成行程框架

让 Evolving 根据城市名、天数、偏好生成 JSON 格式的行程规划。这里我用 system prompt 约束输出格式，要求它给出每天上午/下午/晚上的景点安排和美食推荐。

python 复制代码

def agent_analyze_city(city, days, preferences):
    system_prompt = """你是一个专业的城市旅行规划助手。
    根据用户提供的城市、旅行天数和偏好，生成详细的旅行规划框架。
    输出 JSON 格式：包含每天的上下午晚行程、美食推荐、预算预估..."""
    
    user_msg = f"城市：{city}\n旅行天数：{days}天\n偏好：{preferences}"
    content = call_evolving([
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user_msg},
    ])
    return json.loads(content)

第二步：用高德 API 获取真实数据

这一步是整个 Agent 的关键------拿 Evolving 生成的景点名，去高德 POI 搜索接口查真实信息。这样做有两个好处：一是景点地址、电话都是真实的，不会被模型编造；二是高德返回的评分数据可以作为推荐参考。

python 复制代码

def agent_enrich_with_real_data(city, plan_json):
    spots = []
    for day in plan_json.get("days", []):
        for period in ["morning", "afternoon", "evening"]:
            spot = day.get(period, {}).get("spot", "")
            if spot:
                spots.append(spot)
    
    enriched_spots = {}
    for spot_name in spots:
        poi_data = amap_search_poi(spot_name, city)
        pois = poi_data.get("pois", [])
        if pois:
            poi = pois[0]
            enriched_spots[spot_name] = {
                "name": poi.get("name", spot_name),
                "address": poi.get("address", "暂无地址"),
                "tel": poi.get("tel", "暂无电话"),
                "rating": poi.get("biz_ext", {}).get("rating", "暂无评分"),
            }
    
    # 顺便查天气
    weather_data = amap_weather(city)
    return enriched_spots, weather_info

第三步：生成最终旅行指南

把前两步的结果------行程框架和真实景点数据------一起喂给 Evolving，让它生成一篇有温度的旅行文案。这一步最能体现模型的信息整合能力，它需要把行程安排、天气信息、真实景点地址融合成一篇流畅的文章。

python 复制代码

def agent_generate_guide(city, plan_json, enriched_spots, weather_info, preferences):
    spots_summary = "\n".join([
        f"- {info['name']}：{info['address']}（评分：{info.get('rating', '暂无')}）"
        for info in enriched_spots.values()
    ])
    
    return call_evolving([
        {"role": "system", "content": "你是一个旅行文案创作者..."},
        {"role": "user", "content": f"城市：{city}\n天气：{weather_info}\n..."},
    ])

高德 API 集成

高德的接口我用到了四个：

地理编码：城市名转坐标，验证城市是否有效
POI 搜索：搜景点、搜美食，返回名称、地址、评分
天气查询：查城市当天天气，用于出行建议
景点/美食分类搜索：用高德的类型码筛选（景点 110000，美食 050000）

python 复制代码

def amap_search_poi(keyword, city, types="", page=1):
    params = {
        "key": AMAP_KEY,
        "keywords": keyword,
        "city": city,
        "citylimit": "true",
        "offset": 10,
        "page": page,
        "extensions": "all",
    }
    if types:
        params["types"] = types
    resp = requests.get(f"https://restapi.amap.com/v3/place/text", params=params)
    return resp.json()

前端界面

前端就是一个 HTML 文件，用渐变色做背景，卡片式布局展示结果。交互上做了三步动画提示，让用户知道 Agent 正在做什么：

第一步显示"分析旅行需求"
第二步显示"调用高德 API 检索真实数据"
第三步显示"生成个性化旅行指南"

还加了一个对话功能，规划完行程后可以继续追问关于这个城市的任何问题。

实际效果

运行效果如下：

输入目标城市，分析需求，智能Agent就检索数据，开始搜索并生成指南。

输入"杭州，2天，历史文化、美食"，Agent 返回的结果让我挺惊喜的：

内容非常丰富，包括图文并茂，知识全面而且细腻：

天气感知：Evolving 注意到当天杭州中雨 26°C~36°C，主动给出了防滑、带伞、穿速干衣的建议。这不是模板话术，是真的看了天气数据后给的针对性建议。

行程合理性：Day 1 上午飞来峰+灵隐寺，下午岳王庙+孤山+西泠印社，晚上河坊街+南宋御街------这些景点在地理位置上确实是串联的，不是随机堆的。Day 2 去德寿宫遗址博物馆→胡雪岩故居→京杭大运河桥西街区，也是一条合理的路线。

真实数据校验：每个景点都从高德 API 拉到了真实地址。飞来峰的地址是"灵隐街道灵隐路法云弄1号"，胡雪岩故居是"元宝街18号"------我查过，都是对的。没有出现编造地址的情况。

文案质量：生成的旅行指南标题是"两天一夜杭州旅行指南：雨中东晋南宋，一口杭帮烟火"------这个标题有调性，不像 AI 味的"杭州两日游攻略"。

对 Seed Evolving 的真实感受

用完之后说几点切身感受：

Agent 能力确实强。整个流程是三步串行调用，每步的输出作为下一步的输入。Evolving 在每一步都能稳定输出结构化 JSON，没有出现格式错乱。第二步用高德 API 拿到的真实数据喂给它，它能正确地把这些信息整合到最终文案里，没有丢失或混淆。

幻觉控制有明显改善。我特意测试了：如果高德 API 没返回某个景点的评分，Evolving 在文案里会写"暂无评分"而不是编一个分数。在景点地址上，它完全使用了高德返回的真实地址，没有自己编。这个在实际项目中非常重要------用户按 AI 给的地址去导航，结果地址是假的，这种体验是灾难性的。

长文本生成质量不错。最终生成的旅行指南有 800-1200 字，结构清晰，有开头引入、天气建议、每天行程详情、结尾总结。语言风格不是干巴巴的列表，而是有叙事感的旅行散文。

Token 效率。三步调用加起来消耗的 token 不算多，个人开发者 50 万免费额度够用很久了。

写在最后

这个项目原本只是想验证一下 Seed Evolving 的 Agent 能力，没想到做出来效果还不错，已经可以实际用了。整个开发过程大概花了半天时间，大部分时间在调试 prompt 和前端样式。

Seed Evolving 在这个项目里扮演的角色很清晰：它是 Agent 的大脑，负责理解需求、规划行程、整合信息、生成文案。高德 API 是眼睛和手，负责获取真实数据和验证。两者配合，做出一个既聪明又靠谱的旅行助手。

如果你也有类似的需求------需要让 AI 调用外部 API、整合多源数据、生成有质量的内容------可以参考这个方案试试。Seed Evolving 的 Agent 能力和幻觉控制，确实能撑住真实业务场景。