基于多智能体协作的智能旅行规划系统，使用 AutoGen 框架实现多智能体协作，通过约束优化生成个性化的旅行计划。
autogendemo/
├── agents/ # 智能体模块
│ ├── coordinator.py # 协调器智能体
│ ├── researcher.py # 研究者智能体（数据查询）
│ ├── planner.py # 规划者智能体（优化求解）
│ ├── feedback.py # 反馈智能体（冲突检测）
│ ├── check.py # 检查智能体（合理性验证）
│ ├── writer.py # 写作者智能体（结果生成）
│ └── evaluator.py # 评估器（结果评分）
├── tasks/ # 任务模块
│ ├── generate_task.py # 生成任务
│ ├── check_task.py # 检查任务
│ ├── Gen_result_task.py # 结果生成任务
│ └── evaluate_task.py # 评估任务
├── api/ # API 服务
│ ├── run_api.py # API 服务器（Flask）
│ └── data/ # 数据文件（CSV格式）
├── prompts/ # 提示词和问题
│ └── question.json # 问题数据集（1-120）
├── config.py # 配置文件
├── main.py # 主程序入口
└── requirements.txt # Python 依赖
- Python 3.8+
pip install -r requirements.txt创建 .env 文件（在项目根目录）：
# SiliconFlow API 配置（必需）
SILICONFLOW_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
# 可选配置
SILICONFLOW_MODEL=Qwen/QwQ-32B
SILICONFLOW_TEMPERATURE=0.7
SILICONFLOW_API_BASE_URL=https://api.siliconflow.cn/v1
# 旅行规划 API 服务器配置（默认值）
TRAVEL_API_BASE_URL=http://localhost:12457
TRAVEL_API_TIMEOUT=10重要： 必须设置 SILICONFLOW_API_KEY，否则程序无法运行。
首先需要启动旅行规划 API 服务器，提供数据查询服务：
cd autogendemo/api
python run_api.pyAPI 服务器将在 http://localhost:12457 启动。
注意： 确保 API 服务器正常运行后再进行下一步。你会看到类似以下输出：
正在加载数据...
已加载 XXX 条景点数据
已加载 XXX 条住宿数据
...
所有数据加载完成!
* Running on http://127.0.0.1:12457
在新的终端窗口中，进入项目根目录并运行主程序：
cd autogendemo
python main.py程序启动后，会提示输入问题编号：
Input the query number (1-120, or press Enter for all):
选项 1：处理单个问题
- 输入 1-120 之间的数字，例如：
1 - 系统将处理该问题并生成旅行计划，然后进行评估
选项 2：处理所有问题（批量模式）
- 直接按回车键（不输入任何内容）
- 系统将依次处理所有 120 个问题
- 最后会计算并显示平均得分
-
TASK 1: 生成可行结果
GenerateTask: 调用 Researcher 和 Planner 生成初步行程CheckTask: 使用 Check 和 Feedback 验证合理性GenResultTask: 使用 Writer 生成最终 JSON 格式的行程计划
-
TASK 2: 评估生成的结果
- 评估可执行率 (ER)：检查 JSON 格式是否正确
- 评估求解准确率 (AR)：使用 LLM 评估规划合理性
- 评估实体覆盖率 (ECR)：计算正确实体的覆盖率
- 计算平均推理时间 (ART)：记录全流程运行时间
- 计算最终分数：Final Score = ER × (0.7 × AR + 0.3 × ECR)
============================================================
TASK 2: Evaluate the generated results
============================================================
------------------------------------------------------------
评估结果摘要
------------------------------------------------------------
1. 可执行率(ER): 1.00
说明: JSON格式正确
2. 求解准确率(AR): 0.85
说明: 规划在预算、时间、路线可达性等方面表现良好...
3. 实体覆盖率(ECR): 0.90
attractions: 3/3 (100.00%)
restaurants: 8/9 (88.89%)
accommodations: 1/1 (100.00%)
4. 平均推理时间(ART): 3.50 分钟
ART*评分: 0.60
5. 最终分数(Final Score): 0.8560
计算公式: Final Score = ER * (0.7 * AR + 0.3 * ECR)
组成: ER=1.00, AR=0.85, ECR=0.90
批量评估结果摘要
------------------------------------------------------------
样本数量: 120
平均指标:
平均ER: 0.9500
平均AR: 0.8200
平均ECR: 0.8500
平均ART: 3.25 分钟
平均ART*: 0.60
平均最终分数: 0.8125
- ER (可执行率): 评估 JSON 是否可以解析且格式符合要求 (0-1)
- AR (求解准确率): 使用 LLM 评估规划在预算、时间、路线可达性、地点连贯性上的合理性 (0-1)
- ECR (实体覆盖率): 结果中正确景点、饭店、住宿的覆盖率 (0-1)
- ART (平均推理时间): 包含数据处理、模型响应、代码执行、结果评估全流程的运行时间（分钟）
- ART*: 根据 ART 的分段评分函数（<1min: 1.0, 1-5min: 0.6, 5-10min: 0.2, ≥10min: 0.0）
- Final Score: 最终分数 = ER × (0.7 × AR + 0.3 × ECR)