Plan Trip

import asyncio
import json
from agentscope.message import Msg
from agentscope.model import OpenAIChatModel
from config_agentscope import init_agentscope
from config import LLM_CONFIG
from agents.intention_agent import IntentionAgent
from agents.event_collection_agent import EventCollectionAgent
from agents.itinerary_planning_agent import ItineraryPlanningAgent

async def plan_trip(user_query: str):
    init_agentscope()
    model = OpenAIChatModel(
        model_name=LLM_CONFIG["model_name"],
        api_key=LLM_CONFIG["api_key"],
        client_kwargs={"base_url": LLM_CONFIG["base_url"], "timeout": 60},
        temperature=LLM_CONFIG.get("temperature", 0.7),
        max_tokens=LLM_CONFIG.get("max_tokens", 2000),
    )
    user_msg = Msg(name="user", content=user_query, role="user")

    # 1. 意图识别
    intention_agent = IntentionAgent(name="IntentionAgent", model=model)
    intention_result = await intention_agent.reply(user_msg)
    intention_data = json.loads(intention_result.content)
    rewritten_query = intention_data.get("rewritten_query", user_query)

    # 2. 事项收集（传入 context 格式，与 OrchestrationAgent 一致）
    context = {"rewritten_query": rewritten_query, "user_preferences": {}}
    event_input = Msg(name="Orchestrator", content=json.dumps({"context": context}), role="user")
    event_agent = EventCollectionAgent(name="EventCollectionAgent", model=model)
    event_result = await event_agent.reply(event_input)
    event_data = json.loads(event_result.content) if isinstance(event_result.content, str) else event_result.content

    # 3. 行程规划（传入 previous_results，包含 event_collection 结果）
    previous_results = [{"agent_name": "event_collection", "data": event_data}]
    plan_input = Msg(
        name="Orchestrator",
        content=json.dumps({"context": context, "previous_results": previous_results}, ensure_ascii=False),
        role="user",
    )
    plan_agent = ItineraryPlanningAgent(name="ItineraryPlanningAgent", model=model)
    plan_result = await plan_agent.reply(plan_input)
    plan_data = json.loads(plan_result.content) if isinstance(plan_result.content, str) else plan_result.content
    return plan_data

# 使用
result = asyncio.run(plan_trip("规划一下2月27日从上海到北京的路程"))
# result: {"itinerary": {"title", "duration", "route", "daily_plans", "notes", ...}, "planning_complete": bool}

EventCollectionAgent 输出字段（示例）

• origin, destination, start_date, end_date, duration_days, trip_purpose, missing_info 等

ItineraryPlanningAgent 输出字段（示例）

• itinerary: title, duration, route, daily_plans, notes, estimated_budget 等
• planning_complete: bool

错误与缺失信息

• 若意图解析非 JSON，可提示用户重新描述。
• 若 event_data 含 missing_info，可提示用户补全再继续。

行程规划 Prompt 指南

【核心原则】

1. 永远提供有价值的行程规划，即使信息不完整
2. 不要因为缺少天气、交通等细节信息就拒绝规划
3. 基于目的地和日期给出合理的景点推荐和行程安排
4. 缺失的信息可以在注意事项中提醒用户补充，但不影响主体规划
5. 不要虚构机场、高铁站、火车站、航班号、车次、酒店名称或景点开放信息
6. 当出发城市本身缺少明确的大型机场、高铁站或交通枢纽不明确时，必须使用保守表述 例如可写“建议从附近主要机场出发（如上海虹桥/浦东等）”“建议从附近主要高铁站出发”或“建议确认周边可达交通枢纽”，不要直接编造不存在的机场或车站

【规划策略】

• 如果有目的地和日期：给出该地标志性景点的游览路线
• 如果缺少出发地：假设从目的地市内出发，规划市内一日游
• 如果缺少天气信息：根据当前季节给出建议（如冬季建议室内+室外结合）
• 如果缺少开放信息：推荐常规开放的景点，提醒提前确认
• 如果交通枢纽信息不确定：优先给出“附近主要枢纽/建议确认”的保守建议，而不是编造具体机场、车站、航班或车次

【行程规划要点】

1. 根据时间合理安排景点数量（一日游通常2-3个主要景点）
2. 考虑景点之间的交通时间和距离
3. 安排午餐、晚餐时间和推荐地点
4. 给出大致的时间安排（如9:00-12:00, 13:00-17:00等）
5. 提供交通方式建议（地铁、打车、步行等）
6. 若用户偏好飞机但出发城市并非典型航空枢纽，应明确说明需要前往附近机场，不要写成“从该城市机场直飞”
7. 若用户偏好高铁或火车，但出发城市的具体车站不明确，不要凭空指定站名；应写成“建议从附近主要高铁站/火车站出发，并提前确认车次”

【任务】 基于已有信息生成实用的行程规划：

1. 必须给出具体的景点和活动安排，不能只说"需要补充信息"
2. 在daily_plans中给出详细的时间表和景点
3. 在notes中补充注意事项和需要确认的信息
4. 在missing_info中列出建议用户补充的信息（但不影响规划）

【输出格式】(严格JSON) {{ "itinerary": {{ "title": "北京3日游", "duration": "3天", "route": "北京 -> 北京", "daily_plans": [ {{ "day": 1, "date": "2024-02-27", "city": "北京", "theme": "历史文化之旅", "activities": [ {{ "time": "09:00-12:00", "location": "故宫博物院", "description": "游览故宫，感受皇家建筑群的宏伟...", "transport": "地铁1号线天安门东站" }} ], "meals": {{ "lunch": "...", "dinner": "..." }} }} ], "notes": ["建议提前7天预约故宫门票..."], "estimated_budget": "约2000元" }}, "planning_complete": true }}