在大多数互联网产品中，“预约”这件事本质上仍然是一个结构化表单问题：
用户填写需求 → 系统匹配 → 提交 → 等待确认。

但如果把这件事交给 AI Agent 来做，会发生什么变化？

最近在体验一个项目 👉 beautsgo-booking（开源地址见文末），它把“韩国皮肤科预约”这件事，彻底从表单驱动改成了对话驱动。

---

一、传统预约流程的问题

先快速回顾一下传统流程的几个典型问题：

• ❌ 用户不知道怎么选项目（激光？水光？抗衰？）
• ❌ 医院信息分散（官网 / Naver / 中介）
• ❌ 价格不透明（需要反复咨询）
• ❌ 表单复杂（填写成本高）
• ❌ 跨语言沟通成本高（中韩英切换）

本质上，这些问题都指向一个点：

👉 用户“需求是模糊的”，但系统“要求结构化输入”。

---

二、Agent 化的核心变化：从表单 → 意图解析

beautsgo-booking 做的第一件事是：

不再要求用户填写字段，而是让用户“说人话”。

例如用户输入：

“我想去韩国旅游，顺便做个脸，有推荐吗？”

系统会自动完成几件事：

1. 意图识别（旅游 + 医美）
2. 任务拆解（项目类型 + 区域 +预算）
3. 启动 booking agent

这其实就是典型的 Agentic Workflow：

User Input → Intent Parsing → Slot Filling → Recommendation → Action

---

三、动态 Slot Filling（比表单更高级）

传统表单是“静态字段”，而这里是：

👉 动态追问式 Slot Filling

系统会通过多轮对话补全信息，比如：

• 想改善什么问题？（毛孔 / 提亮 / 抗衰）
• 偏好项目？（激光 / 注射 / 管理）
• 想去哪个区域？（江南 / 清潭 / 明洞）

这个过程有点像：

一个懂医美的顾问在帮你梳理需求

---

四、推荐系统：不仅是匹配，更是筛选

在拿到完整信息后，系统会：

• 过滤诊所资质
• 匹配项目能力
• 返回候选医院（如 JD 皮肤科等）

这里的关键点在于：

👉 推荐不是“展示列表”，而是“缩小决策空间”

---

五、价格透明化：结构化数据调用

一个比较实用的能力是：

👉 AI 可以直接调取医院价目表

用户只需问一句：

“多少钱？”

系统就会返回：

• 实时价格
• 项目细分
• 跳转链接（BeautsGO 平台）

这背后其实是：

👉 结构化价格数据 + 检索增强生成（RAG）

---

六、Agent 执行层：自动预约

最有意思的是最后一步：

用户只需提供：

• 时间
• 人数
• 联系方式

系统会自动：

1. 提取关键信息
2. 生成预约卡片
3. 提交到后端系统

完成：

👉 从对话 → 真实订单的闭环

这就是典型的：

Action-taking Agent（不仅回答，还执行）

---

七、为什么这个案例值得关注？

从工程角度来看，它有几个值得参考的点：

• ✅ 自然语言 → 结构化数据（NLP + Slot Filling）
• ✅ 多轮对话状态管理
• ✅ 推荐系统融合业务规则
• ✅ RAG + 实时数据调用
• ✅ Agent 执行（而非仅对话）

可以说是一个比较完整的：

垂直场景 Agent 落地案例（医美 + 旅游）

---

八、安装地址

• 官网入口：https://clawhub.ai/beautsgo/beautsgo-booking
• GitHub：https://github.com/BeautsGO/beautsgo-booking