从零到面试 —— 企业级多Agent系统，Python + Java + Go 三语言实现，含八股文、STAR法则、面试QA全套资料。
这是一个 6个AI Agent协作 的智能旅游行程规划系统。你输入预算、出发城市、日期、旅行风格，系统自动帮你规划完整行程——包括目的地推荐、航班比价、酒店匹配、每日活动安排，并且自动控制预算。
核心亮点:
- 6个Agent各司其职，通过 Pipeline + 并行 + 预算循环 协作
- 航班/酒店/活动 三Agent并行搜索，延迟降低67%
- 超预算自动触发 渐进式降级循环（最多3轮调整）
- Python + Java + Go 三语言完整实现
- 配套 面试全套资料（八股文 + STAR法则 + 面试QA + 架构讲解）
| 内容 | 链接 | 说明 |
|---|---|---|
| Python 实现 | python/ | 主力版本，FastAPI + Streamlit |
| Java 实现 | java/ | Spring Boot 3.3 版本 |
| Go 实现 | golang/ | Gin + goroutine 版本 |
| 八股文 | docs/01-八股文.md | 15个核心知识点 |
| 简历模板 | docs/02-简历模板.md | STAR法则 + 3种岗位模板 |
| 面试QA | docs/03-面试QA.md | 34道常见面试题 |
| 架构设计 | docs/04-架构设计详解.md | 架构图 + 设计决策 |
| 代码讲解 | docs/05-代码讲解.md | 逐模块代码详解 |
用户输入
│
▼
┌────────────────┐
│ Preference │ 收集用户偏好（预算/风格/时间/禁忌）
│ Agent │
└───────┬────────┘
│
▼
┌────────────────┐
│ Destination │ 推荐目的地（季节/签证/安全/性价比评分）
│ Agent │
└───────┬────────┘
│
├──────────────────┬──────────────────┐
▼ ▼ ▼
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ Flight Agent │ │ Hotel Agent │ │ Activity │ ← 三个Agent并行执行
│ (航班搜索) │ │ (酒店搜索) │ │ Agent(活动) │
└──────┬───────┘ └──────┬───────┘ └──────┬───────┘
│ │ │
└─────────────────┼─────────────────┘
│
▼
┌────────────────┐
│ Budget Agent │ 预算校验
└───────┬────────┘
│
┌──────┴──────┐
│ │
通过？ 超预算？
│ │
▼ ▼
输出行程 调整方案 → 回到并行搜索
(最多3轮)
编排模式: Pipeline（串行）+ 并行（asyncio.gather）+ 预算循环（while loop）
- Python 3.10+（运行 Python 版本）
- Java 21+（运行 Java 版本，可选）
- Go 1.22+（运行 Go 版本，可选）
# 1. 克隆项目
git clone https://github.com/bcefghj/multi-agent-travel-planner.git
cd multi-agent-travel-planner
# 2. 安装依赖
cd python
pip install -r requirements.txt
# 3. 运行 CLI 演示（不需要任何 API Key！）
python main.py
# 4. 自定义参数
python main.py --budget 15000 --departure 上海 --start 2026-06-01 --end 2026-06-07 --style luxury --travelers 2
# 5. 启动 API 服务
python -m api.app
# 6. 启动 Streamlit 前端
streamlit run ui/streamlit_app.py
# 7. 运行测试
python -m pytest tests/ -vcd java
# 如果有 Maven Wrapper
./mvnw spring-boot:run
# 或者用系统 Maven
mvn spring-boot:run
# 测试 API
curl -X POST http://localhost:8080/api/plan \
-H "Content-Type: application/json" \
-d '{"budget": 10000, "departureCity": "北京", "startDate": "2026-05-01", "endDate": "2026-05-05"}'cd golang
go mod tidy
go run ./cmd/server
# 测试 API
curl -X POST http://localhost:8080/api/plan \
-H "Content-Type: application/json" \
-d '{"origin_city": "上海", "duration_days": 5, "budget_cny": 12000, "travel_style": "comfort"}'============================================================
📋 行程规划结果
============================================================
🌍 目的地: 首尔, 韩国
潮流时尚与历史文化交汇
亮点: 景福宫, 明洞, 北村韩屋村, 南山塔
✈️ 去程: 东方航空 MU1903 ¥1578
✈️ 返程: 南方航空 CZ6372 ¥1703
🏨 酒店: 首尔精品设计酒店 (4.0星)
¥395/晚 × 4 晚
设施: WiFi, 早餐, 酒吧
📅 每日行程:
2026-05-01 (日花费: ¥730)
[morning ] 博物馆参观 (3.0h) ¥80
[afternoon] 温泉/SPA体验 (2.0h) ¥350
[evening ] 文化演出 (2.0h) ¥300
2026-05-02 (日花费: ¥530)
[morning ] 博物馆参观 (3.0h) ¥80
[afternoon] 特色午餐 (1.5h) ¥150
[evening ] 文化演出 (2.0h) ¥300
💰 预算明细:
航班: ¥3281
酒店: ¥1580
活动: ¥2270
─────────────
总计: ¥7131 / 预算: ¥10000
✅ 预算内
.
├── README.md ← 你正在看的文件
│
├── docs/ ← 面试准备资料（重点看！）
│ ├── 01-八股文.md ← 15个核心知识点
│ ├── 02-简历模板.md ← STAR法则 + 简历模板
│ ├── 03-面试QA.md ← 34道面试题 + 参考答案
│ ├── 04-架构设计详解.md ← 架构图 + 设计决策详解
│ └── 05-代码讲解.md ← 逐模块代码讲解
│
├── python/ ← Python 实现（主力版本）
│ ├── main.py ← CLI 入口
│ ├── requirements.txt
│ ├── config/settings.py ← 配置管理
│ ├── models/schemas.py ← Pydantic 数据模型
│ ├── agents/ ← 6个 Agent
│ │ ├── base_agent.py ← Agent 基类（模板方法模式）
│ │ ├── preference_agent.py ← 偏好收集
│ │ ├── destination_agent.py ← 目的地推荐
│ │ ├── flight_agent.py ← 航班搜索
│ │ ├── hotel_agent.py ← 酒店搜索
│ │ ├── activity_agent.py ← 活动推荐
│ │ └── budget_agent.py ← 预算校验
│ ├── orchestrator/ ← 编排层
│ │ ├── pipeline.py ← Pipeline 编排器
│ │ ├── parallel.py ← 并行执行器
│ │ └── budget_loop.py ← 预算循环控制
│ ├── tools/ ← Mock 搜索工具
│ ├── api/app.py ← FastAPI 后端
│ ├── ui/streamlit_app.py ← Streamlit 前端
│ └── tests/test_agents.py ← 10个单元测试
│
├── java/ ← Java Spring Boot 实现
│ ├── pom.xml
│ ├── README.md
│ └── src/main/java/com/travel/
│ ├── agent/ ← 6个 Agent
│ ├── orchestrator/ ← CompletableFuture 并行
│ ├── model/ ← 数据模型
│ ├── controller/ ← REST API
│ └── service/ ← 业务服务
│
└── golang/ ← Go 实现
├── go.mod
├── README.md
├── cmd/server/main.go ← 入口
├── internal/
│ ├── agent/ ← 6个 Agent
│ ├── orchestrator/ ← goroutine 并行
│ ├── model/ ← 数据结构
│ └── handler/ ← HTTP 处理器
└── pkg/llm/ ← LLM 客户端
| # | Agent | 职责 | 输入 | 输出 | 面试重点 |
|---|---|---|---|---|---|
| 1 | Preference | 收集/补充用户偏好 | UserPreferences | enriched UserPreferences | 为什么需要单独的偏好Agent？ |
| 2 | Destination | 推荐目的地 | UserPreferences | Top3 城市 + 推荐理由 | 多维度评分算法设计 |
| 3 | Flight | 航班搜索比价 | 出发城市+目的地+日期 | 航班列表 + 推荐航班 | 并行执行、评分函数 |
| 4 | Hotel | 酒店匹配 | 目的地+入住日期+风格 | 酒店列表 + 推荐酒店 | 风格匹配、房间数计算 |
| 5 | Activity | 生成每日行程 | 目的地+天数+兴趣 | 每日活动计划 | 时间槽分配算法 |
| 6 | Budget | 预算校验与调整 | 所有费用汇总 | 预算明细 + 调整建议 | 渐进式降级循环 |
如果你正在准备面试，建议按以下顺序学习：
- 阅读 架构设计详解
- 运行 Python 版本，观察日志输出
- 画出架构图，能口述整个流程
- 阅读 代码讲解
- 从
main.py开始，F12 跳转阅读每个模块 - 重点理解：并行执行器 + 预算循环
- 阅读 八股文 全部15个知识点
- 重点掌握：Agent vs Workflow、Pipeline vs DAG、LangGraph vs CrewAI
- 能用自己的话解释每个概念
- 把 Mock 替换为真实 API（如 MiniMax M2.7）
- 添加新的 Agent（如 WeatherAgent）
- 接入 Langfuse 实现可观测性
| 维度 | Python | Java | Go |
|---|---|---|---|
| 框架 | FastAPI + asyncio | Spring Boot 3.3 | Gin |
| 并行 | asyncio.gather | CompletableFuture.allOf | goroutine + WaitGroup |
| 数据模型 | Pydantic v2 | Record / POJO | Struct |
| 状态安全 | 不同字段无冲突 | synchronized | sync.Mutex |
| 测试 | pytest | JUnit 5 | go test |
| 部署 | uvicorn | JAR | 单二进制 |
| 适合岗位 | AI工程师 | Java后端 | Go后端 |
请求:
{
"budget": 10000,
"departure_city": "北京",
"start_date": "2026-05-01",
"end_date": "2026-05-05",
"travel_style": "comfort",
"num_travelers": 1,
"interests": ["美食", "历史"],
"notes": ""
}响应:
{
"destination": "首尔",
"country": "韩国",
"flight_cost": 3281,
"hotel_cost": 1580,
"activity_cost": 2270,
"total_cost": 7131,
"budget": 10000,
"within_budget": true,
"adjustment_rounds": 0,
"hotel_name": "首尔精品设计酒店",
"days": 4,
"highlights": ["景福宫", "明洞", "北村韩屋村", "南山塔"]
}{"status": "ok", "service": "travel-planner", "agents": 6}不需要！ 系统默认使用 Mock 模式，所有数据都是模拟生成的，可以零成本完整运行。 如果你想接入真实 LLM，设置环境变量即可：
export LLM_PROVIDER=minimax
export LLM_API_KEY=your-api-keyMock 模式下的航班/酒店/活动数据是模拟的，但数据结构和业务逻辑与真实场景一致。 在面试中可以说："系统架构支持接入真实 API（Amadeus/Booking/Google Places）， 当前使用 Mock 数据方便演示和测试。"
当然可以！详见 简历模板。建议根据自己应聘的岗位选择合适的模板。
不需要。选择你面试使用的语言深入学习即可：
- 面 AI 工程师 → 重点 Python
- 面 Java 后端 → 重点 Java
- 面 Go 后端 → 重点 Go
本项目的架构设计参考了以下优秀开源项目：
| 项目 | 框架 | 特点 |
|---|---|---|
| Y-66/Traveler | Agno | MCP + RAG + Memory，最完整 |
| agno-langfuse-travel-planner | Agno + Langfuse | 可观测性标杆 |
| langgraph_travel_planner | LangGraph | Supervisor 架构 |
| Ninja-Navigator-AI | LangChain | FastAPI + Streamlit |
| tripsage-ai | LangGraph | 70% 复杂度降低案例 |
- HiMAP-Travel - 分层多Agent旅行规划，52.78% 验证通过率
- ATLAS - 约束感知多Agent协作，84% 最终通过率
MIT License - 自由使用、修改、分发。