实战：基于 LangChain 与通义千问构建旅行规划 AI Agent

在 AI 应用开发的浪潮中，大语言模型（LLM）展现出了惊人的理解与生成能力，但其本身缺乏与真实世界交互的“手脚”。为了赋予 AI 自主规划与执行任务的能力，AI Agent（智能体）应运而生。本文将带你从零开始，利用 LangChain 框架与阿里通义千问（Qwen）大模型，构建一个具备工具调用与上下文记忆能力的“旅行规划 Agent”。

一、 核心组件与架构设计

一个标准的 ReAct（Reasoning + Acting）Agent 通常由以下四个核心组件构成：

1. LLM（大脑）：负责理解用户意图、进行逻辑推理并生成最终回复。本文选用通义千问（Qwen），其强大的中文理解能力非常适合处理国内旅行场景。
2. Tools（工具）：Agent 的“手脚”。通过定义函数并赋予描述，Agent 能够根据需求自主决定何时调用外部 API（如查询机票、搜索景点）。
3. Memory（记忆）：维持多轮对话的上下文。在旅行规划场景中，Agent 需要记住用户之前提到的目的地，避免用户反复输入。
4. AgentExecutor（执行引擎）：串联上述组件的调度器。它驱动“思考(Thought) -> 行动(Action) -> 观察(Observation)”的循环，直到得出最终答案。

二、 环境准备与模型接入

pip install langchain langchain-community

在代码中，我们通过环境变量安全地读取 API Key，并利用 LangChain 提供的 ChatOpenAI 类来接入通义千问。由于阿里云 DashScope 提供了兼容 OpenAI 的接口，我们可以无缝切换：

import os
from langchain_community.chat_models import ChatOpenAI

# 从环境变量获取 Qwen API Key
qwen_key = os.environ.get("QWEN_API_KEY")

# 初始化通义千问模型
llm = ChatOpenAI(
    model="qwen-max",  
    openai_api_key=qwen_key,
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
    temperature=0.7
)

三、 定义工具与记忆机制

为了让 Agent 能够查询旅行信息，我们使用 LangChain 的 Tool 类封装了两个模拟函数。关键在于 description 参数，这是 Agent 决定何时使用该工具的依据。同时，我们引入 ConversationBufferMemory 来保存聊天历史：

from langchain.agents import Tool
from langchain.memory import ConversationBufferMemory

# 定义查询机票工具
def search_flights(destination: str) -> str:
    return f"已为您查到飞往 {destination} 的特价机票，往返含税约 1500 元。"

# 定义查询景点工具
def search_attractions(city: str) -> str:
    return f"{city} 的热门景点包括：天涯海角、蜈支洲岛。建议游玩 4-5 天。"

tools = [
    Tool(name="FlightSearch", func=search_flights, description="查询前往某城市的航班或机票信息"),
    Tool(name="AttractionSearch", func=search_attractions, description="查询某城市的旅游景点和游玩建议")
]

# 初始化对话记忆
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

四、 组装 Agent 并运行交互

最后，我们将 LLM、工具和记忆注入到 initialize_agent 中，选择 CHAT_CONVERSATIONAL_REACT_DESCRIPTION 类型以支持多轮对话。开启 verbose=True 

from langchain.agents import initialize_agent, AgentType

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True,
    handle_parsing_errors=True,
    max_iterations=5
)

# 简单的交互循环
while True:
    user_input = input("\n 你: ")
    if user_input.lower() in ['exit', 'quit']: break
    response = agent.invoke({"input": user_input})
    print(f"\n Agent: {response['output']}")

五、 运行效果与原理剖析

当我们在终端输入“我要去三亚旅行”时，Agent 的执行日志会清晰地展示其内部逻辑：

1. Thought: 用户想去三亚，我需要先查询机票信息。
2. Action: 调用 FlightSearch，输入“三亚”。
3. Observation: 获取到机票价格信息。
4. Final Answer: 整合信息，回复用户。

紧接着，当我们追问“有哪些景点”时，得益于 Memory 组件，Agent 能够自动补全上下文，理解用户是在询问“三亚”的景点，从而精准调用 AttractionSearch 工具。

六、 总结与展望

通过上述步骤，我们成功构建了一个具备基本规划能力的 AI Agent。这个 Demo 展示了 LangChain 强大的编排能力：它将非结构化的自然语言转化为结构化的工具调用，并结合上下文记忆，实现了接近真人的交互体验。

在实际的生产环境中，我们可以将模拟的 search_flights 替换为真实的携程或飞猪 API，将 Memory 替换为基于 Redis 或向量数据库的持久化存储，从而打造出一个真正可用的商业级旅行助手。