多Agent系统在智能行程规划中的工程实践

1. 项目概述：行程规划智能体的核心价值

作为一名长期从事AI应用开发的工程师，我一直在寻找能够平衡技术深度与实用性的项目案例。这个行程规划智能体项目完美契合了这种需求——它不仅展示了多Agent系统的工程化实现，更提供了一套可复用的开发范式。

1.1 为什么选择行程规划作为切入点？

行程规划是个看似简单实则复杂的领域问题。当用户说"我想去杭州玩三天"时，背后涉及：

• 信息收集（出发地、时间、偏好等）
• 多维度决策（路线、住宿、预算）
• 实时反馈机制
• 结果整合与呈现

传统单体架构很难优雅处理这种多线程任务。而通过Agent化拆分，我们可以：

• 让专业Agent处理专业事务（如酒店推荐Agent专注住宿筛选）
• 实现任务并行执行（路线规划和预算估算同时进行）
• 灵活扩展新能力（后续添加天气、地图等功能不影响现有逻辑）

1.2 技术选型的深层考量

项目采用的技术栈都经过精心挑选：

• FastAPI：异步特性完美支持SSE流式传输
• LangChain：统一不同LLM提供商的接口差异
• Gradio：快速构建可交互演示界面
• MCP协议：抽象外部服务调用，保持核心逻辑纯净

特别值得一提的是SSE（Server-Sent Events）的选择。相比WebSocket，SSE：

• 更轻量级（基于HTTP协议）
• 天然支持断线重连
• 后端实现更简单
• 完全满足单向通知场景需求

2. 系统架构深度解析

2.1 分层架构设计

系统采用经典的三层架构，但每层都有独特设计：

code复制前端展示层 (Gradio)
│
├─ 实时事件渲染
├─ 多轮对话界面
└─ 结果可视化
│
API网关层 (FastAPI)
│
├─ 会话管理
├─ 请求路由
└─ SSE事件分发
│
业务逻辑层 (Agent集群)
│
├─ 信息收集Agent
├─ 路线规划Agent
├─ 酒店推荐Agent
├─ 预算估算Agent
└─ 结果聚合Agent

这种架构的关键优势在于：

1. 职责分离：每层只关注自己的核心功能
2. 弹性扩展：新增Agent不影响现有流程
3. 故障隔离：单个Agent故障不会导致系统崩溃

2.2 Agent通信机制

Agent之间通过两种方式交互：

1. 直接调用：Supervisor显式调用各Agent
2. 共享状态：通过Session Store传递数据

为避免循环依赖，我们制定了严格的调用规则：

• 上游Agent不能直接调用下游Agent
• 跨Agent通信必须通过Supervisor
• 所有状态变更必须经由Session Store

2.3 容错设计三原则

系统遵循以下容错原则：

1. 超时控制：每个Agent设置40秒超时
2. 优雅降级：关键路径必须有fallback方案
3. 故障隔离：单个Agen