【AI智能体】Coze 搭建个人旅游规划助手实战详解

目录

一、前言

二、Coze 工作流介绍

2.1 什么是工作流

2.2 Coze 工作流作用

2.3 Coze 工作流节点介绍

2.3.1 开始节点

2.3.2 大模型节点

2.3.3 插件节点

2.3.4 知识库节点

2.3.5 条件节点

三、基于Coze 搭建旅游规划助手操作过程

3.1 创建应用

3.2 创建工作流

3.2.1 创建工作流

3.2.2 配置工作流

3.2.2.1 配置开始节点

3.2.2.2 增加第一个大模型节点

3.2.2.3 增加第二个大模型节点

3.2.2.4 增加第三个大模型节点

3.2.2.5 增加图片插件节点

3.2.2.6 增加第四个大模型节点

3.2.2.7 增加天气查询插件

3.2.2.8 增加第五个大模型节点

3.2.2.9 增加2个消息节点

3.2.2.10 配置介绍节点

3.2.2.11 发布工作流

3.3 配置应用

3.3.1 引用工作流

3.3.2 绑定卡片

3.4 效果测试

四、写在文末


一、前言

在当下各类AI大模型应用异常火爆的今天,AI智能体也随之诞生,借助AI智能体,上到公司下到个体使用者,均可以借助智能体完成一些之前很难一个人完成的事项,比如在过往想要做一个智能客服系统,你需要一个完整的团队,而且设计复杂的架构、数据存储系等,而且需要耗费较长的时间才能完成,而今,有了各类AI智能体和智能体的编排平台,即便是普通用户,也可以很快的做出一个在线使用的智能体应用,本文以一个实际生活案例进行说明,详细分享如何借助Coze平台完成一个旅游规划助手的制作。

二、Coze 工作流介绍

2.1 什么是工作

### 使用扣子工作流实现多景点游玩路线及餐饮住宿推荐 #### 创建基础框架 为了构建一个多景点游玩路线以及餐饮和住宿推荐的工作流程,首先需要定义一个清晰的任务结构。这通常涉及多个模块之间的协作,包括但不限于地理位置服务、数据检索接口和服务集成。 ```python from workflow import Workflow, web wf = Workflow() ``` #### 获取用户当前位置 任何个性化建议的基础都是理解用户的当前状态——特别是对于旅行规划而言,知道用户的位置至关重要。可以通过调用API来获取设备的地理坐标[^1]。 ```python def get_user_location(): url = 'https://api.example.com/location' response = web.get(url).json() lat = response['latitude'] lon = response['longitude'] return (lat, lon) ``` #### 查询并筛选景点列表 基于获得的经纬度信息,下一步是从数据库或第三方API中提取附近的热门旅游景点,并允许按类别或其他标准进一步过滤这些选项。 ```python def fetch_attractions(lat, lon): attractions_url = f'https://api.example.com/attractions?lat={lat}&lon={lon}' data = web.get(attractions_url).json()['results'] filtered_data = [item for item in data if item['rating'] >= 4.0] # 只保留评分较高的景点 return filtered_data[:5] # 返回前五个最佳选择 ``` #### 整合餐厅与酒店推荐功能 除了主要活动外,在行程安排里加入合适的用餐时间和休息场所同样重要。为此可以利用之前提到的生活服务类插件特性,针对每一个选定的目的地分别请求相邻区域内的优质餐馆和旅馆资源。 ```python def recommend_restaurants_and_hotels(locations): recommendations = [] for location in locations: restaurants_url = f"https://api.example.com/restaurants?near={location['name']}" hotels_url = f"https://api.example.com/hotels?near={location['name']}" restaurant_results = web.get(restaurants_url).json()['restaurants'] hotel_results = web.get(hotels_url).json()['hotels'] top_restaurant = max(restaurant_results, key=lambda r: r['average_rating']) best_value_hotel = min([hotel for hotel in hotel_results], key=lambda h: float(h['price'])) recommendations.append({ "destination": location, "top_restaurant": top_restaurant, "best_value_hotel": best_value_hotel }) return recommendations ``` #### 组织最终输出结果 最后一步就是整理所有收集到的信息,形成易于阅读的日程表形式展示给用户查看。确保每个条目都包含了足够的细节描述以便做出明智的选择。 ```python if __name__ == '__main__': user_pos = get_user_location() selected_attractions = fetch_attractions(*user_pos) full_itinerary = recommend_restaurants_and_hotels(selected_attractions) wf.send_feedback(full_itinerary) ```
评论 63
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小码农叔叔

谢谢鼓励

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值