基于Springboot+LangChain4J+Agent+RAG+Function Calling的AI Agent旅游行程智能规划平台

一、项目技术栈

前后端分离

后端：SpringBoot + LangChain4j + MyBatis + PageHelper + Hutool + Java JWT + PDFBox + POI（Java 21 / Maven）
前端：Vue3 + Vite + Element-Plus + Vue-Router + Axios + ECharts（Agent 执行进度与时间线、多版本行程并排对比、路线图自绘）
AI 技术：攻略知识库 RAG（文档解析 + 文本切分 + Embedding 向量检索）+ 数据库驱动工具中心（工具注册 + 真启用开关 + 调用日志）+ 带记忆的反思 Agent（外层反思循环由业务代码控制、内层单轮是框架托管的工具调用循环）+ 候选池预热与大规模资源下的工具收窄 + 多城联游 + AI 调用观测
数据库：MySQL 8（25 张表）

版本要求：JDK 21、MySQL 8、Node.js 18+、Maven 3.8+。模型调用走 OpenAI 兼容接口，需要对话与向量两类模型：三条模型配置分别对应行程编排、偏好抽取与向量模型，API Key 在管理端页面上填入后立即生效，不需要重启后端。

二、项目功能描述

1. 管理员

• 用户管理与账号维护。
• 旅行资源底座：目的地城市（80 个）、旅游点位库（1828 条）、酒店（850 家）、交通班次时刻表（4240 条）的增删改查与启停。
• 行程规则管理（休闲游 / 标准游 / 暴走游三套约束模板，标准游为默认）与系统参数配置（Agent 三道闸、编排反思轮数、候选池规模、向量维度）。
• AI 模型配置（三条，覆盖对话与向量两类，支持连通性测试）与 Prompt 模板管理（三套，覆盖编排、反思、需求抽取）。
• 攻略知识库：文档上传与解析、文本切分与知识片段查看、向量化与语义检索。
• 工具中心：八个工具的注册、真实启用开关与调用日志查询，调用日志可按运行编号反查一次编排里的每一次工具调用。
• AI 调用观测与运营统计看板：调用场景分布、每日趋势、反思轮次分布、运行状态分布、校验命中排行、工具调用排行、最近运行记录与调用明细下钻。

2. 普通用户

• 维护偏好画像：预算档位、出行节奏、兴趣标签、体力与同行人构成。
• 必玩清单：把点位标记为「必去」或「想去」，必去点位在编排时无条件进候选池，漏排判为严重问题。
• 新建行程单：逐项填写出发城市、目的地、日期、天数、人数与预算，或者写一句话由 AI 识别出这些字段填进表单。
• 发起规划后进入行程工作台，一张行程单的内容分四个页签查看：
  • 执行过程：规划进度、步骤时间线与候选池收窄结果；
  • 行程单：每日时间轴、跨城与当日路线图（ECharts 自绘）、Markdown 导出；
  • 版本与问题：最多三版行程并排对比，每一版被判出的问题与带到下一版的教训；
  • 预算测算：五类花费、预算偏差、按天花费与最贵三项。

三、项目创新点

1. 带记忆的反思重排：外层反思循环由业务代码控制，轮次上限取自 sys_config 的 TRIP_MAX_REFLECT_ROUND（默认 3）；内层单轮才是框架托管的工具调用循环，一次调用内部几十轮「模型决定调工具 → 执行 → 结果回传」交由 LangChain4j 托管。每一版排完立刻跑 14 条硬校验，没过就把问题转成教训落 agent_reflection，下一轮把教训拼进 Prompt 末尾并强调「没有被点名的部分尽量保持不变」——带着教训改，不是推翻重排。
2. 14 条硬校验全部由代码判定，是反思循环的判据来源：预算、必玩清单、开放星期、闭园季、开放时段、最晚入场、时段重叠、单日车程、交通缺失、跨城衔接、城市天数、住宿缺失、单日游玩时长、单日点位数量，每条命中生成一条 trip_check（含严重 / 一般两档）；判据可复现、可展示，还能按 check_code 统计哪类问题最常命中。
3. 大规模资源下的工具收窄四件事一起做：点位库 1828 条不可能一次喂给模型，所以候选池在 Agent 启动之前由业务代码预热——按预算档过滤门票上限、按兴趣标签交集与热度排序取前 60 条、必玩清单无条件进池、班次按出发时间分散取；列表工具只返回决策必需字段，要细节调详情工具；每个工具都有来自 function_tool.max_return_rows 的返回上限；返回结构统一带 total / returned / hasMore / limit，模型知道自己看到的是子集才会主动换条件。
4. 三道闸与逐轮计数：框架托管的内层循环业务代码看不到它转了多少圈，所以轮数上限交给 AiServices 的 maxToolCallingRoundTrips 去拦，轮数与 token 用量由挂在对话模型上的 AgentChatModelListener 逐轮累加；工具调用总次数与「同一工具相同参数连续调用」次数在每个工具方法开头计数。AGENT_MAX_ITERATION（40）/ AGENT_MAX_TOOL_CALL（200）/ AGENT_MAX_SAME_TOOL（30）任一超限就中断当轮，中断原因翻译成中文写进运行记录。
5. 编排前先探活再动数据：重新规划会把上一版的日程、明细、冲突清单与教训删掉重排，所以删除之前先向模型发一次最小请求；余额不足、Key 过期、模型下线这类只有服务商知道的问题在删数据之前就被拦住，上一版原样保留，修改需求要回到行程规划重新生成。
6. 多城联游：一次行程最多 3 个目的地城市，每个城市至少分到 1 个完整天，城市序列不允许重复折返。跨城当天，目的地城市的点位必须排在城际交通到达 30 分钟之后，转场日上午仍可在出发城市游玩；两城之间没有直达班次时，工具返回 noDirect 标记与经由中转城市的建议，绝不凭空造一趟班次出来。
7. 不接任何第三方地图 SDK：跨城路线用本地中国地图 GeoJSON 加 ECharts 打点连线，当日路线按经纬度投影绘制；两点距离由 Haversine 公式算直线距离，再乘城市库里维护的路网系数 road_factor 折算成实际路程与预计车程，跨城与同城用不同速度估算。
8. 统一 AI 出口与全链路观测：同步对话、带工具对话、向量化三类模型调用全部收敛到 AiChatService，每次调用写 ai_usage_log（用途、Token、耗时、成败、错误翻译）；Agent 的每一步再落 agent_run / agent_step / tool_call_log 三张过程表，配合统计看板可以一路查到「模型当时看到了什么」。运行失败的原因统一翻译成可操作的中文提示，例如未配置启用的用途模型、API Key 无效、模型名不存在、输入正文太长。
9. AI 配置全部数据库化：模型连接参数与 Prompt 模板都存在库里，项目引的是普通依赖 langchain4j-open-ai 而不是 starter，它不参与自动配置、也不去配置文件找 Key，模型对象由 LangChain4jModelFactory 按库中配置构建并缓存模型对象，用配置内容拼缓存 key，改了 Key 下一次请求自动换新实例。

四、关键页面截图