返回项目列表 周建波

PROJECT CASE STUDY

旅迹AI规划助手

旅迹 AI 是基于 Spring AI 构建的多智能体旅行规划系统,通过分层智能体、Java 工作流、ReAct、Tool Calling 与 MCP,实现需求收集、信息查询、个性化行程规划和 PDF 生成,并支持 SSE 实时反馈及 PostgreSQL 会话持久化。

Spring AIFunction CallMCPMemory会话管理PGSQLMulti-AgentReAct
旅迹AI规划助手 项目截图

PROJECT DETAILS

项目详情

围绕项目背景、个人职责与项目亮点,清晰呈现完整实践过程。

01 / CONTEXT

项目背景

旅迹 AI 是基于 Spring AI 构建的多智能体旅行规划系统,通过分层智能体、Java 工作流、ReAct、Tool Calling 与 MCP,实现需求收集、信息查询、个性化行程规划和 PDF 生成,并支持 SSE 实时反馈及 PostgreSQL 会话持久化。

02 / RESPONSIBILITY

个人职责

智能体编排: 设计融合 ReAct 范式的 Multi-Agent 协作框架,由 Java 工作流内核负责路由校验、状态迁移与任务交接。

会话管理: 设计状态机与 Requirement Patch 机制,完成多轮需求合并,并通过 PostgreSQL 持久化会话数据。

工具调用: 封装地图、天气及搜索等工具,基于 Tool Calling 与 MCP 实现 ReAct 自主调用与异常降级。

可观测性: 构建基于 Prometheus + Grafana 的监控体系,对Agent 耗时、模型调用量及工具成功率等指标可视化分析。

03 / HIGHLIGHTS

项目亮点

效果提升: 构建基于确定性状态机的多 Agent Workflow,使端到端任务成功率从 74.3% 提升至 94.7%。

记忆优化: 采用“结构化需求 + 固定窗口上下文”的分层记忆机制,将长对话平均 Token 消耗降低 40%

智能体架构: 实现支持Human-in-the-Loop 的分层智能体架构,通过步骤限制、状态管理和死循环检测保障稳定运行。

流式交互: 使用 SseEmitter + CompletableFuture 实现异步 SSE 接口,实时推送 Agent 规划状态与工具执行进度,用户等待感知时间降低约 60%;并通过自定义SSE数据封装格式,解决流式传输中换行符和特殊字符丢失问题