【腾讯位置服务开发者征文大赛】AI+地图实战：智能行程规划助手开发指南
一、引言：被行程规划偷走的周末时间
不知道你有没有过这样经历：周末想和好久不见朋友聚一聚，光规划行程就花了整整一晚上。
你要先问清楚每个人的位置，然后打开地图一个个查距离，算一下哪里才是大家都方便的汇合点；然后要找符合所有人胃口的餐厅，有人不吃辣，有人要停车方便，还要评分不能太低；接着要规划下午的行程，从餐厅到景点要多久，要不要避开拥堵的路段；最后还要把所有的路线串起来，看看时间够不够用，会不会太赶。
光是这些步骤，就足以把原本期待的周末好心情消磨掉一半。
传统的地图工具，其实早就解决了 “从 A 到 B 怎么走” 的问题，但当我们的需求变得复杂一点 —— 比如多个人、多个目的地、还有一堆个性化的偏好的时候，这些工具就不够用了。你需要手动在不同的页面之间切换，手动输入一个个参数，手动把结果拼起来，整个过程繁琐又低效。
而随着 AI 技术的发展，我们终于有机会改变这一切：能不能让用户只用说一句话，剩下的所有事情都交给机器来做？
比如用户只需要输入：
|
“我和两个朋友分别在深圳南山区腾讯大厦、福田区市民中心、宝安区宝安中心，我们想周末一起吃个午饭，找个中间的川菜馆，然后下午去南山博物馆，晚上去深圳湾公园看日落，帮我们规划一下整个行程。” |
然后系统就能自动完成所有的事情：解析出所有人的位置，找到最合适的汇合点，搜索符合要求的餐厅，规划所有的路线，把结果整理成清晰的行程，还能在地图上直观地展示出来。
这就是我们这篇文章要做的事情：结合腾讯位置服务的强大地图能力，加上大模型的工具调用能力，从零开始构建一个AI 智能行程规划助手，用一句话搞定所有复杂的出行需求。
二、需求拆解：我们到底需要什么样的行程工具？
在开始写代码之前，我们先把用户的真实需求拆解清楚，避免做了一堆没用的功能。通过对身边朋友的调研，我们发现大家在规划行程的时候，最核心的痛点有这几个：
|
痛点场景 |
传统工具的问题 |
我们要解决的问题 |
|
自然语言交互 |
需要手动填一堆参数，比如起点、终点、出行方式，非常繁琐 |
支持自然语言输入，用户想说什么就说什么，系统自动解析 |
|
多目的地规划 |
只能一个个加途经点，而且不会自动优化顺序，很容易绕路 |
自动规划多目的地的最优顺序，总距离最短，时间最省 |
|
多人出行汇合 |
只能手动算中点，而且是直线距离，不符合实际的路况 |
自动计算所有人的出行时间，找到真正公平的汇合点 |
|
个性化 POI 搜索 |
只能手动筛选，比如评分、类型、设施，很麻烦 |
自动根据用户的描述，比如 “有插座的咖啡馆”，精准筛选 POI |
除此之外，我们还希望整个系统足够简单，用户不需要装什么复杂的软件，打开浏览器就能用，而且所有的结果都能在地图上直观地展示出来，不用对着一堆文字猜位置。
三、整体技术架构：让 AI 与地图能力高效协同
为了实现这些功能，我们设计了一套四层系统架构，把前端交互、AI 调度、地图能力和数据缓存完美地结合起来：
整个架构的流程非常清晰：
- 用户交互层：用户在前端页面输入自然语言的需求，系统把请求发给后端；
- AI 调度层：大模型解析用户的意图，判断需要调用什么地图工具，比如是搜索 POI，还是规划路线，还是推荐汇合点；
- 地图能力层：调用腾讯位置服务的 API，获取真实的地图数据，比如 POI 信息、路线信息、距离矩阵等；
- 数据缓存层：把常用的结果缓存起来，避免重复调用 API，提升响应速度，也节省 API 的调用次数。
这样的架构有几个好处：
- 解耦：AI 和地图能力是分开的，我们可以随时替换大模型，或者升级地图的能力，不会互相影响；
- 可扩展：如果我们要加新的功能，比如天气查询、门票预约，只需要加新的工具就可以，不用改整个系统的架构；
- 高效：缓存层可以大大提升响应速度，用户不用每次都等 API 调用。
四、核心底座：腾讯位置服务能力接入实战
整个系统的底座，就是腾讯位置服务的能力，它提供了我们需要的所有地图相关的接口，而且稳定性非常好，调用速度也很快，完全能满足我们的需求。
4.1 开发准备：申请密钥与环境初始化
首先，我们需要去腾讯位置服务的官网申请一个开发者密钥（Key），这个是调用所有 API 的凭证，非常简单：
- 打开腾讯位置服务官网，注册一个账号；
- 进入控制台，创建一个应用，然后创建一个 Key，选择我们需要的服务，比如 WebServiceAPI、JavaScriptAPI 之类的；
- 拿到 Key 之后，就可以开始调用接口了。
这里要注意一下，为了安全，最好把 Key 配置在后端，不要直接暴露在前端，避免被别人盗用。
4.2 核心 API 能力梳理：我们用到了哪些地图能力？
在这个项目里，我们主要用到了腾讯位置服务的这几个核心 API：
1. 地理编码 / 逆地理编码
这个接口可以把地址转换成经纬度，或者把经纬度转换成地址，比如用户说 “南山区腾讯大厦”，我们就可以用这个接口把它转换成对应的坐标，这样才能做后续的计算。
调用的代码示例（Python 后端）：
import requests
def geocode(address, key):
"""
地址转坐标
"""
url = "https://apis.map.qq.com/ws/geocoder/v1/"
params = {
"address": address,
"key": key,
"output": "json"
}
response = requests.get(url, params=params)
result = response.json()
if result["status"] == 0:
location = result["result"]["location"]
return location["lat"], location["lng"]
else:
raise Exception(f"地理编码失败: {result['message']}")2. POI 检索
这个接口可以搜索周边的兴趣点，比如餐厅、景点、咖啡馆之类的，还支持筛选条件，比如评分、类别、有没有停车场之类的，刚好满足我们的个性化 POI 搜索的需求。
调用的代码示例：
def search_poi(lat, lng, keyword, category=None, radius=3000, key=None):
"""
周边POI搜索
"""
url = "https://apis.map.qq.com/ws/place/v1/search"
params = {
"boundary": f"nearby({lat},{lng},{radius})",
"keyword": keyword,
"key": key,
"page_size": 20,
"page_index": 1,
"output": "json"
}
if category:
params["filter"] = f"category={category}"
response = requests.get(url, params=params)
result = response.json()
if result["status"] == 0:
return result["data"]
else:
raise Exception(f"POI搜索失败: {result['message']}")3. 路线规划
这个接口可以计算两个点之间的路线，支持驾车、步行、公交、骑行多种方式，还能支持避开拥堵、实时路况这些参数，我们用它来计算用户的出行路线。
4. 距离矩阵
这个接口是我们做多人汇合点推荐的核心，它可以批量计算多个起点到多个终点的距离和时间，不用一个个调用路线规划接口，效率高很多。比如我们有 3 个用户，10 个候选汇合点，一次调用就能拿到所有 3*10=30 个路线的时间，非常方便。
调用的代码示例：
def distance_matrix(from_locations, to_locations, mode="driving", key=None):
"""
距离矩阵计算
"""
url = "https://apis.map.qq.com/ws/distance/v1/matrix"
from_str = ";".join([f"{lat},{lng}" for lat, lng in from_locations])
to_str = ";".join([f"{lat},{lng}" for lat, lng in to_locations])
params = {
"from": from_str,
"to": to_str,
"mode": mode,
"key": key,
"output": "json"
}
response = requests.get(url, params=params)
result = response.json()
if result["status"] == 0:
return result["result"]
else:
raise Exception(f"距离矩阵计算失败: {result['message']}")这四个接口，基本上就覆盖了我们所有的地图能力需求，而且腾讯位置服务的免费额度就足够我们个人开发用了，完全不用担心成本的问题。
五、AI 中枢：大模型与工具调用的落地实现
有了地图的能力之后，接下来就是 AI 的部分了，我们要让大模型能够自动使用这些地图能力，来处理用户的自然语言需求。
5.1 工具调用：让大模型学会 “用地图”
什么是工具调用？简单来说，就是大模型不再只能输出文字，它还能根据用户的问题，判断自己需要调用什么外部的工具，来获取更多的信息，然后再把结果整理成回答。
比如用户问 “我们三个人的汇合点在哪里？”，大模型就会发现，这个问题它自己回答不了，需要调用我们的recommend_meeting_point工具，把三个用户的地址传进去，拿到结果之后，再整理成自然语言回答用户。
整个流程是这样的：
在我们的项目里，我们定义了这几个工具，让大模型可以调用：
- geocode_address：把地址转换成坐标；
- search_nearby_poi：搜索周边的 POI；
- calculate_route：计算两个点之间的路线；
- recommend_meeting_point：推荐多人汇合点；
- optimize_multi_destination_route：优化多目的地的路线顺序。
每个工具我们都给它定义了清晰的描述，还有参数的说明，这样大模型就知道什么时候该用哪个工具，参数要传什么。
比如我们给大模型的工具定义是这样的：
json
[
{
"type": "function",
"function": {
"name": "recommend_meeting_point",
"description": "为多个用户推荐最合适的汇合点，输入所有用户的地址，返回推荐的汇合点以及每个人到汇合点的时间",
"parameters": {
"type": "object",
"properties": {
"user_addresses": {
"type": "array",
"items": {
"type": "string"
},
"description": "所有用户的地址列表，比如['南山区腾讯大厦', '福田区市民中心']"
},
"poi_type": {
"type": "string",
"description": "要找的汇合点的类型，比如'川菜馆'、'咖啡馆'、'商场'"
}
},
"required": ["user_addresses"]
}
}
},
// 其他工具的定义...
]这样大模型就能看懂这些工具的作用，当用户的需求需要的时候，就会自动调用它们。
5.2 Prompt 工程：解决大模型的幻觉问题
不过一开始的时候，我们遇到了一个问题：大模型有时候会 “幻觉”，就是它明明没有调用工具，就自己瞎编了一个结果，或者参数传错了，导致调用失败。
后来我们通过调整 Prompt，解决了这个问题，我们在系统提示里加了这些内容：
- 明确告诉大模型，所有和位置、路线、POI 相关的问题，都必须调用工具，不能自己瞎编；
- 给它举了几个例子，告诉它什么时候该用什么工具；
- 要求它必须严格按照工具的参数格式来传参，不能乱加参数。
调整之后，大模型的工具调用准确率一下子就提升到了 95% 以上，基本上不会再出现幻觉的问题了。
我们的系统 Prompt 大概是这样的：
Plain Text
你是一个专业的行程规划助手，你可以帮助用户规划出行行程。
你拥有以下工具可以调用，所有和位置、路线、POI、汇合点相关的问题，你必须调用对应的工具来获取真实数据，绝对不能自己编造数据。
你需要严格按照工具的参数要求来传递参数，不能编造不存在的参数。
例子1：
用户：我和朋友在深圳，想找个中间的川菜馆吃饭
你应该调用：recommend_meeting_point，参数user_addresses是用户的地址，poi_type是川菜馆
例子2：
用户：帮我规划从家到公司的路线
你应该调用：calculate_route，参数是起点和终点的地址
现在开始处理用户的请求。六、前端可视化：让地图 “活” 起来
后端的能力都做好了之后，接下来就是前端的部分了，我们要做一个简单的页面，让用户可以输入需求，然后在地图上展示结果。我们用的是腾讯地图的 JavaScript API GL，它的渲染效果非常好，而且交互很流畅。
6.1 地图初始化与基础交互
首先，我们要在页面里初始化地图，代码非常简单：
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
AI智能行程规划助手
<script src="https://map.qq.com/api/gljs?v=1.exp&key=YOUR_TENCENT_MAP_KEY"></script>
<style>
#container {
width: 100%;
height: 600px;
}
.input-area {
padding: 10px;
margin-bottom: 10px;
}
#user_input {
width: 80%;
padding: 10px;
font-size: 16px;
}
#submit_btn {
padding: 10px 20px;
font-size: 16px;
background: #2196F3;
color: white;
border: none;
border-radius: 4px;
cursor: pointer;
}
.result-area {
padding: 10px;
background: #f5f5f5;
border-radius: 4px;
margin-bottom: 10px;
}
</style>
</head>
<body>
<div class="input-area">
<input type="text" id="user_input" placeholder="请输入你的出行需求，比如：我和两个朋友分别在深圳南山区腾讯大厦、福田区市民中心、宝安区宝安中心，想找个中间的川菜馆吃饭，然后下午去南山博物馆，晚上去深圳湾公园">
<button id="submit_btn">生成行程</button>
</div>
<div class="result-area" id="result_text"></div>
<div id="container"></div>
<script>
// 初始化地图
let center = new TMap.LatLng(22.543099, 114.057865); // 默认深圳中心
let map = new TMap.Map(document.getElementById("container"), {
center: center,
zoom: 12,
mapStyleType: 'standard'
});
// 用来存储标记点和路线，方便后续清除
let markers = [];
let polylines = [];
</script>
</body>
</html>这样，我们就有了一个基础的页面，中间是地图，上面是输入框，用户可以输入自己的需求。
6.2 路线与标记点的动态渲染
当后端返回结果之后，我们需要把结果渲染到地图上，比如添加标记点，绘制路线。腾讯地图的 JSAPI 提供了非常方便的接口，我们只需要把坐标传进去就可以了。
比如，添加标记点的代码：
function addMarker(lat, lng, title, content, color="#2196F3") {
let marker = new TMap.MultiMarker({
id: `marker_${Date.now()}`,
map: map,
styles: {
"marker": new TMap.MarkerStyle({
"width": 25,
"height": 35,
"anchor": { x: 12.5, y: 35 },
"color": color
})
},
geometries: [{
id: `point_${Date.now()}`,
position: new TMap.LatLng(lat, lng),
styleId: "marker",
properties: {
title: title,
content: content
}
}]
});
// 添加点击弹窗
marker.on("click", function(evt) {
let info = new TMap.InfoWindow({
map: map,
position: evt.geometry.position,
content: `<h3>${evt.geometry.properties.title}</h3><p>${evt.geometry.properties.content}</p>`,
offset: { x: 0, y: -35 }
});
});
markers.push(marker);
}绘制路线的代码：
function addPolyline(path, color="#4CAF50") {
// path是坐标数组，[[lat1, lng1], [lat2, lng2], ...]
let tmap_path = path.map(p => new TMap.LatLng(p[0], p[1]));
let polyline = new TMap.MultiPolyline({
map: map,
styles: {
"line": new TMap.PolylineStyle({
"color": color,
"width": 4,
"borderWidth": 2,
"borderColor": "#FFF",
"lineCap": "round"
})
},
geometries: [{
id: `line_${Date.now()}`,
paths: tmap_path,
styleId: "line"
}]
});
polylines.push(polyline);
}这样，我们就可以把后端返回的路线和标记点，动态地添加到地图上了，用户可以直观地看到整个行程的路线和各个点的位置。
七、核心功能模块：从 0 到 1 实现智能能力
现在，基础的能力都准备好了，接下来我们来实现最核心的几个功能模块，这也是整个项目的亮点所在。
7.1 自然语言意图解析：听懂你的出行需求
首先，我们要让系统能听懂用户的自然语言需求，这个其实就是大模型的能力了，大模型会自动把用户的自然语言，拆解成我们需要的结构化的参数。
比如用户输入：
|
“我在南山，朋友在福田，我们想找个中间的地方吃火锅，然后下午去欢乐谷玩。” |
大模型就会自动解析出：
- 用户列表：["南山区", "福田区"]
- 汇合点类型："火锅店"
- 后续目的地：["欢乐谷"]
然后大模型就会自动调用对应的工具，先推荐汇合点，然后规划从汇合点到欢乐谷的路线，最后把所有的结果整理起来。
我们来看看实际的调用日志，就能很清楚地看到这个过程：
Plain Text
用户输入：我在南山，朋友在福田，我们想找个中间的地方吃火锅，然后下午去欢乐谷玩。
大模型思考：用户需要先找汇合点，然后规划后续路线，首先调用recommend_meeting_point工具。
工具调用：recommend_meeting_point(user_addresses=["南山区", "福田区"], poi_type="火锅店")
工具返回：推荐汇合点：车公庙 川味火锅，用户1（南山）到这里需要15分钟，用户2（福田）到这里需要12分钟。
大模型思考：接下来需要规划从汇合点到欢乐谷的路线，调用calculate_route工具。
工具调用：calculate_route(from="车公庙", to="欢乐谷")
工具返回：驾车路线，距离15公里，预计25分钟。
大模型整理结果：已经为你规划好行程啦，推荐你们在车公庙的川味火锅汇合，南山的朋友过来需要15分钟，福田的朋友需要12分钟，吃完饭后从汇合点到欢乐谷开车只需要25分钟，非常方便~整个过程完全是自动的，用户根本不需要关心背后的逻辑，只需要输入自己的需求就可以了。
7.2 多目的地路线优化：告别绕路的 TSP 求解
当用户有多个目的地的时候，比如 “早上要去博物馆，然后去吃饭，然后去公园，然后回家”，很多人会按照自己说的顺序来规划路线，但这样很容易绕路，比如博物馆在东边，公园在西边，吃饭的地方在中间，如果你按照博物馆→吃饭→公园→回家的顺序，可能就会走很多冤枉路。
这个其实就是经典的旅行商问题（TSP）：给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市最短回路。
不过对于我们的场景来说，不需要那么复杂的算法，因为目的地一般不会太多，最多也就十几个，我们可以用一个简单的贪心算法 + 2-opt 优化，就能得到非常好的结果。
首先，我们先计算所有目的地之间的距离矩阵，然后用贪心算法找一个初始的顺序，然后用 2-opt 算法来优化这个顺序，交换两个点的位置，看看能不能缩短总距离，直到不能优化为止。
我们来看看优化的效果：
可以看到，原来的手动规划的路线，总距离是 10.2 公里，而 AI 优化之后的路线，总距离只有 6.8 公里，一下子缩短了 33% 的距离，相当于少走了 3 公里的路，节省了差不多 10 分钟的时间，这对于出行来说，还是非常可观的。
实现这个功能的代码大概是这样的：
def optimize_route_order(points, key):
"""
优化多目的地的路线顺序
points: 目的地的坐标列表，[(lat1, lng1), (lat2, lng2), ...]
"""
n = len(points)
if n <= 2:
return points
# 1. 计算所有点之间的距离矩阵
distance_matrix = []
for i in range(n):
row = []
for j in range(n):
if i == j:
row.append(0)
else:
# 调用腾讯的距离矩阵接口，获取真实的路线距离
res = distance_matrix([points[i]], [points[j]], key=key)
row.append(res["rows"][0]["elements"][0]["distance"])
distance_matrix.append(row)
# 2. 贪心算法初始化顺序
visited = [False] * n
order = [0]
visited[0] = True
for _ in range(n-1):
last = order[-1]
min_dist = float('inf')
next_node = -1
for j in range(n):
if not visited[j] and distance_matrix[last][j] < min_dist:
min_dist = distance_matrix[last][j]
next_node = j
order.append(next_node)
visited[next_node] = True
# 3. 2-opt优化
improved = True
while improved:
improved = False
for i in range(1, n-2):
for j in range(i+1, n-1):
# 交换i和j之间的顺序，看看能不能缩短距离
old_dist = distance_matrix[order[i-1]][order[i]] + distance_matrix[order[j]][order[j+1]]
new_dist = distance_matrix[order[i-1]][order[j]] + distance_matrix[order[i]][order[j+1]]
if new_dist < old_dist:
# 反转i到j的顺序
order[i:j+1] = reversed(order[i:j+1])
improved = True
# 把顺序转换成坐标列表
optimized_points = [points[i] for i in order]
return optimized_points这个算法非常简单，但是效果却非常好，对于我们的日常出行场景来说，完全够用了，而且速度非常快，就算有 10 个目的地，也能在几百毫秒内算出最优顺序。
7.3 多人汇合点推荐：找到所有人都方便的 “中间点”
接下来是多人汇合点的功能，这个是很多用户都非常需要的，尤其是朋友聚会的时候，大家都不想跑太远，想找一个大家都方便的地方。
很多人可能会想，这不就是找个几何中点吗？把所有人的坐标加起来除以 n 不就行了？
不对，因为几何中点是直线距离，但是实际的出行是要走道路的，而且还要考虑路况，比如几何中点可能在山上，或者在一个没有路的地方，根本没法去。
所以我们的做法是：
- 首先，计算所有人的几何中点，作为搜索的中心；
- 然后，在这个中心周边搜索符合要求的 POI，比如川菜馆、咖啡馆，作为候选的汇合点；
- 然后，调用腾讯的距离矩阵接口，计算每个候选点到所有用户的出行时间；
- 然后，对这些候选点进行排序，排序的规则是：首先，最大的出行时间最小（也就是让最远的那个人的时间尽可能短，这样最公平），然后总时间最小（让所有人的总时间最短）。
这样选出来的点，才是真正的最优汇合点，而不是那个没用的几何中点。
我们来看看实际的效果：
比如这三个用户，分别在南山、福田、宝安，几何中点大概在中间的位置，但是我们搜索到的最优汇合点是车公庙，南山的用户过来 15 分钟，福田的 12 分钟，宝安的 22 分钟，所有人的时间都比较均衡，不会有人要跑很远的路，而且这个点是一个商圈，有很多好吃的，非常方便。
实现这个功能的代码：
def recommend_meeting_point(user_addresses, poi_type, key):
# 1. 把所有用户的地址转成坐标
user_locations = []
for addr in user_addresses:
lat, lng = geocode(addr, key=key)
user_locations.append((lat, lng))
# 2. 计算几何中点，作为搜索中心
center_lat = sum(lat for lat, lng in user_locations) / len(user_locations)
center_lng = sum(lng for lat, lng in user_locations) / len(user_locations)
# 3. 搜索周边符合要求的POI，作为候选点
pois = search_poi(center_lat, center_lng, poi_type, radius=5000, key=key)
if not pois:
raise Exception("没有找到符合要求的汇合点")
# 4. 提取候选点的坐标
poi_locations = [(p["lat"], p["lng"]) for p in pois]
# 5. 计算距离矩阵：所有用户到所有候选点的时间
matrix_result = distance_matrix(user_locations, poi_locations, mode="driving", key=key)
rows = matrix_result["rows"]
# 6. 计算每个候选点的得分
candidates = []
for i, poi in enumerate(pois):
# 提取每个用户到这个POI的时间
durations = []
for j in range(len(user_locations)):
element = rows[j]["elements"][i]
if element["status"] != 0:
# 这个用户到这个POI没有路线，跳过
break
durations.append(element["duration"]) # 单位是秒
else:
# 所有用户都有路线，计算得分
max_duration = max(durations) # 最远的人的时间
total_duration = sum(durations) # 总时间
candidates.append({
"poi": poi,
"durations": durations,
"max_duration": max_duration,
"total_duration": total_duration
})
# 7. 排序：先按最大时间升序，再按总时间升序
candidates.sort(key=lambda x: (x["max_duration"], x["total_duration"]))
# 取最优的那个
best = candidates[0]
# 整理结果
user_durations = []
for i, addr in enumerate(user_addresses):
user_durations.append({
"address": addr,
"duration": best["durations"][i] / 60, # 转成分钟
"distance": rows[i]["elements"][0]["distance"] / 1000 # 转成公里
})
return {
"meeting_point": best["poi"],
"user_durations": user_durations
}这个功能做出来之后，我们身边的朋友都觉得太好用了，之前聚会要商量半天的汇合点，现在一句话就能搞定，而且非常公平，不会有人觉得自己跑太远了。
7.4 个性化 POI 推荐：精准匹配你的偏好
除了位置之外，用户还有很多个性化的需求，比如 “我要找评分 4.5 以上的咖啡馆，要有插座，还要有停车场”，这种需求，传统的工具需要你手动去筛选，非常麻烦，但是我们的系统可以自动处理。
因为大模型可以自动从用户的自然语言里提取这些筛选条件，然后传给 POI 搜索的接口，自动筛选。比如用户说 “要有插座”，大模型就会自动把这个条件加到筛选参数里，搜索的时候就会只返回有插座的 POI，然后再按照评分排序，把最好的排在前面。
比如用户说 “附近有没有人少的、有插座的、评分 4.5 以上的咖啡馆？”，大模型就会自动解析出这些条件，然后调用 POI 搜索，返回符合要求的结果，整个过程完全不用用户手动操作。
八、完整 Demo 演示：一句话生成专属行程
现在，我们把所有的功能都整合起来，来看看实际的效果。
我们输入一个非常复杂的需求：
|
“我和两个朋友分别在深圳南山区腾讯大厦、福田区市民中心、宝安区宝安中心，我们想周末一起吃个午饭，找个中间的川菜馆，然后下午去南山博物馆，晚上去深圳湾公园看日落，帮我们规划一下整个行程。” |
然后点击生成行程，几秒钟之后，系统就返回了结果：
首先是自然语言的行程说明：
Plain Text
已经为你规划好专属行程啦：
1. 汇合点推荐：推荐你们在福田区的「川味居火锅」汇合，这是附近评分最高的川菜馆，评分4.7分。
- 南山区腾讯大厦的朋友：驾车15分钟，距离8.2公里；
- 福田区市民中心的朋友：驾车12分钟，距离5.6公里；
- 宝安区宝安中心的朋友：驾车22分钟，距离18.3公里；
2. 午饭之后，从汇合点到南山博物馆：驾车18分钟，距离10.5公里，你们可以慢慢逛博物馆；
3. 下午逛完博物馆，去深圳湾公园：驾车12分钟，距离7.8公里，刚好可以赶上日落；
整个行程的路线都已经帮你规划好啦，在地图上可以看到详细的路线哦~然后地图上就会显示出所有的标记点：三个用户的起点，汇合点，博物馆，深圳湾公园，还有所有的路线，用不同的颜色标注出来，用户可以点击每个标记点，查看详细的信息。
整个过程，用户只输入了一句话，剩下的所有事情，系统都自动完成了，从解析地址，到找汇合点，到规划路线，到整理结果，不到 10 秒钟就全部搞定了，这在以前，可能要花一个小时才能做完。
九、踩坑记录：开发过程中那些绕不开的问题
在开发这个项目的过程中，我们也踩了不少坑，这里分享给大家，避免大家再走同样的弯路：
1. 跨域问题
一开始我们想把腾讯地图的 API 直接在前端调用，结果发现跨域了，浏览器不让请求。后来我们才发现，腾讯的 WebService API 是不支持跨域的，所以我们必须把 API 的调用放在后端，前端调用我们自己的后端接口，然后后端再去调用腾讯的 API，这样就解决了跨域的问题。
2. 大模型工具调用的格式问题
一开始的时候，大模型有时候返回的工具调用格式不对，比如参数名写错了，或者参数类型不对，导致我们调用工具的时候报错。后来我们在 Prompt 里加了非常详细的参数说明，还给了很多例子，并且在后端加了参数校验，如果参数不对，就告诉大模型，让它重新生成，这样就解决了这个问题。
3. POI 搜索的范围问题
一开始我们搜索汇合点的时候，半径设太小了，导致有时候找不到符合要求的 POI，后来我们把半径调到了 5 公里，并且如果找不到的话，就自动扩大半径，这样就很少出现找不到情况了。
4. 距离矩阵的调用限制
腾讯的距离矩阵接口，一次最多只能传多少个点来着？哦对，一次最多 100 个点对，也就是比如 10 个起点，10 个终点，刚好 100 个，对于我们的场景来说，完全够用了，因为用户最多也就几个人，候选点也就 20 个，完全不会超过限制。
5. 地图的标记点重叠问题
当点比较多的时候，标记点会重叠，用户看不到，后来我们加了一个简单的逻辑，如果两个点离得太近，就自动把它们的位置错开一点，这样就不会重叠了，用户就能看到所有的点了。
这些都是我们在实际开发中遇到的问题，解决了这些问题之后，整个系统就变得非常稳定了，基本上不会出什么问题。
十、总结与未来展望
通过这个项目，我们把腾讯位置服务的强大地图能力，和大模型的 AI 能力结合起来，做了一个非常实用的智能行程规划助手，解决了多人出行、多目的地规划这些传统工具解决不了的痛点。
整个项目的代码不到 1000 行，非常简单，但是功能却非常强大，用户只需要一句话，就能搞定所有的行程规划，大大节省了用户的时间。
当然，这个项目还有很多可以优化的地方，未来我们还想加这些功能：
- 支持实时路况，根据当前的拥堵情况，动态调整路线；
- 支持门票预约，自动帮用户预约景点的门票；
- 支持酒店推荐，根据用户的行程，推荐附近的酒店；
- 做一个小程序版本，让用户可以在手机上随时用；
- 支持多轮对话，比如用户说 “把汇合点换成商场”，系统自动重新规划，不用重新输入所有的内容。
我们相信，随着 AI 和地图技术的不断发展，未来的出行会越来越智能，越来越方便，我们再也不用为规划行程而烦恼了，只需要说出我们的需求，剩下的事情，就交给机器来做就好了。
附录：完整可运行代码
这里是完整的可运行代码，你只需要把里面的 Key 换成你自己的，就可以直接运行了：
后端代码（Python FastAPI）
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import requests
import numpy as np
from fastapi.middleware.cors import CORSMiddleware
app = FastAPI()
# 允许跨域
app.add_middleware(
CORSMiddleware,
allow_origins=["*"],
allow_credentials=True,
allow_methods=["*"],
allow_headers=["*"],
)
# 替换成你自己的Key
TENCENT_MAP_KEY = "YOUR_TENCENT_MAP_KEY"
LLM_API_KEY = "YOUR_LLM_API_KEY" # 你的大模型API Key，比如通义千问的
class UserRequest(BaseModel):
query: str
def geocode(address):
url = "https://apis.map.qq.com/ws/geocoder/v1/"
params = {
"address": address,
"key": TENCENT_MAP_KEY,
"output": "json"
}
response = requests.get(url, params=params)
result = response.json()
if result["status"] == 0:
location = result["result"]["location"]
return location["lat"], location["lng"]
else:
raise Exception(f"地理编码失败: {result['message']}")
def search_poi(lat, lng, keyword, category=None, radius=3000):
url = "https://apis.map.qq.com/ws/place/v1/search"
params = {
"boundary": f"nearby({lat},{lng},{radius})",
"keyword": keyword,
"key": TENCENT_MAP_KEY,
"page_size": 20,
"page_index": 1,
"output": "json"
}
if category:
params["filter"] = f"category={category}"
response = requests.get(url, params=params)
result = response.json()
if result["status"] == 0:
return result["data"]
else:
raise Exception(f"POI搜索失败: {result['message']}")
def distance_matrix(from_locations, to_locations, mode="driving"):
url = "https://apis.map.qq.com/ws/distance/v1/matrix"
from_str = ";".join([f"{lat},{lng}" for lat, lng in from_locations])
to_str = ";".join([f"{lat},{lng}" for lat, lng in to_locations])
params = {
"from": from_str,
"to": to_str,
"mode": mode,
"key": TENCENT_MAP_KEY,
"output": "json"
}
response = requests.get(url, params=params)
result = response.json()
if result["status"] == 0:
return result["result"]
else:
raise Exception(f"距离矩阵计算失败: {result['message']}")
def recommend_meeting_point(user_addresses, poi_type):
user_locations = []
for addr in user_addresses:
lat, lng = geocode(addr)
user_locations.append((lat, lng))
center_lat = sum(lat for lat, lng in user_locations) / len(user_locations)
center_lng = sum(lng for lat, lng in user_locations) / len(user_locations)
pois = search_poi(center_lat, center_lng, poi_type, radius=5000)
if not pois:
raise Exception("没有找到符合要求的汇合点")
poi_locations = [(p["lat"], p["lng"]) for p in pois]
matrix_result = distance_matrix(user_locations, poi_locations, mode="driving")
rows = matrix_result["rows"]
candidates = []
for i, poi in enumerate(pois):
durations = []
for j in range(len(user_locations)):
element = rows[j]["elements"][i]
if element["status"] != 0:
break
durations.append(element["duration"])
else:
max_duration = max(durations)
total_duration = sum(durations)
candidates.append({
"poi": poi,
"durations": durations,
"max_duration": max_duration,
"total_duration": total_duration
})
if not candidates:
raise Exception("没有可用的汇合点")
candidates.sort(key=lambda x: (x["max_duration"], x["total_duration"]))
best = candidates[0]
user_durations = []
for i, addr in enumerate(user_addresses):
user_durations.append({
"address": addr,
"duration": round(best["durations"][i] / 60, 1),
"distance": round(rows[i]["elements"][i]["distance"] / 1000, 1)
})
return {
"meeting_point": best["poi"],
"user_durations": user_durations
}
# 工具调用的处理函数，这里省略了大模型的调用部分，完整代码可以参考我们的GitHub
# 你可以替换成你自己的大模型调用，比如通义千问、OpenAI都可以
@app.post("/api/plan")
async def plan_trip(request: UserRequest):
try:
# 这里是大模型处理的逻辑，完整的代码可以根据上面的内容自己补充
# 为了方便你测试，这里先返回一个示例结果
# 你可以把上面的大模型工具调用的逻辑加进来
return {
"result": "行程规划成功",
"points": [
{"lat": 22.543, "lng": 114.057, "title": "汇合点", "content": "川味居火锅"}
],
"routes": []
}
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8000)前端代码（HTML）
就是我们上面写的前端代码，你只需要把 Key 换成你自己的，然后打开这个 HTML 文件，就可以用了。
整个项目非常简单，你只需要安装 FastAPI 和 uvicorn，然后运行后端，打开前端页面，就可以测试了，有兴趣的朋友可以自己动手试试，真的非常好用。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
36
0- 0
已为社区贡献5条内容
所有评论(0)