travel-agent-cli 0.1.0 → 0.2.1

package/README.md

@@ -1,6 +1,12 @@
 # travel-agent-cli
 
-AI 驱动的旅行目的地推荐 Agent - 命令行工具
+AI 驱动的旅行目的地推荐 Agent - 命令行工具（集成 FlyAI 旅行搜索）
+
+## 新功能 v0.2.0
+
+- 🆕 **FlyAI 旅行搜索**：集成 Fliggy MCP，支持航班、酒店、景点实时查询
+- 🔧 修复多 Agent 初始化问题
+- 📝 优化 CLI 输出格式
 
 ## 安装
 
@@ -9,7 +15,7 @@ AI 驱动的旅行目的地推荐 Agent - 命令行工具
 npm install -g travel-agent-cli
 
 # 或者使用 npx 直接运行（无需安装）
-npx travel-agent-cli run -k "海岛游"
+npx travel-agent-cli flyai "5 天日本行程"
 ```
 
 ### 安装要求
@@ -67,6 +73,23 @@ travel-agent analyze "北欧极光"
 
 ## 命令说明
 
+### flyai - FlyAI 旅行搜索（新）
+
+```bash
+travel-agent flyai <查询> [选项]
+
+选项:
+  --destination     目的地城市
+  --duration        行程天数/日期
+  --budget          预算范围
+
+示例:
+  travel-agent flyai "5 天日本行程规划"
+  travel-agent flyai "北京到上海航班" --destination 上海
+  travel-agent flyai "三亚海景酒店" --destination 三亚
+  travel-agent flyai "东京景点推荐" --destination 东京
+```
+
 ### run - 运行完整工作流
 
 ```bash
@@ -77,8 +100,6 @@ travel-agent run [选项]
   -n, --top         推荐目的地数量 (默认：10)
   -p, --plan-top    规划路线的目的地数量 (默认：3)
   --no-ota          不采集 OTA 数据
-  -S, --schedule    启用定时任务
-  -c, --cron        Cron 表达式
 ```
 
 ### analyze - 旅行产品可行性分析
@@ -102,18 +123,21 @@ travel-agent model <子命令> [选项]
   use               切换模型
 
 选项:
-  -p, --provider    LLM 提供商 (anthropic/openai/deepseek/azure/ollama)
+  -p, --provider    LLM 提供商 (anthropic/openai/deepseek/azure/ollama/qwen)
   -m, --model       模型名称
 ```
 
-### agent - Agent 相关操作
+### agents - 查看 Agent 团队信息
 
 ```bash
-travel-agent agent <操作>
+travel-agent agents
 
-操作:
-  info              查看 Agent 团队信息
-  run               运行工作流
+输出:
+  - Manager (协调者)
+  - Collector (采集 Agent)
+  - Analyst (分析 Agent)
+  - Planner (规划 Agent)
+  - Reporter (报告 Agent)
 ```
 
 ### config - 配置管理
@@ -126,37 +150,68 @@ travel-agent config [选项]
   --init            初始化配置文件
 ```
 
+### status - 系统状态
+
+```bash
+travel-agent status
+
+输出:
+  - 版本号
+  - 当前 LLM 提供商和模型
+  - API 配置状态
+```
+
 ## 支持的 LLM 提供商
 
 | 提供商 | 默认模型 | 配置项 |
 |--------|---------|--------|
-| Anthropic | claude-sonnet-4-6 | ANTHROPIC_API_KEY |
+| Anthropic | claude-sonnet-4-5-20250929 | ANTHROPIC_API_KEY |
 | OpenAI | gpt-4o | OPENAI_API_KEY |
 | DeepSeek | deepseek-chat | DEEPSEEK_API_KEY |
 | Azure OpenAI | gpt-4 | AZURE_OPENAI_API_KEY, AZURE_OPENAI_ENDPOINT |
 | Ollama | llama3 | OLLAMA_BASE_URL (本地部署) |
+| Qwen (通义千问) | qwen-max | DASHSCOPE_API_KEY |
 
-## 示例
+## FlyAI 旅行搜索（Fliggy MCP 集成）
 
-### 搜索海岛游推荐
+FlyAI 旅行搜索已集成 **Fliggy MCP**（飞猪开放平台）服务：
 
-```bash
-travel-agent run -k "海岛游" -n 10
+- **沙箱模式**：默认使用，返回模拟数据，无需配置
+- **生产模式**：需配置飞猪开放平台 App Key 和 App Secret
+
+配置方式（可选）：
+```ini
+# 在 .env 文件中添加
+FLIGGY_APP_KEY=your_app_key
+FLIGGY_APP_SECRET=your_app_secret
 ```
 
-### 分析极光旅行产品
+## 示例
 
+### FlyAI 旅行搜索
 ```bash
-travel-agent analyze "北欧极光"
-```
+# 综合旅行规划
+travel-agent flyai "5 天日本行程规划"
+
+# 航班搜索
+travel-agent flyai "北京到上海航班" --destination 上海
 
-### 每天凌晨 2 点自动运行
+# 酒店搜索
+travel-agent flyai "三亚海景酒店" --destination 三亚
 
+# 景点搜索
+travel-agent flyai "东京景点推荐" --destination 东京
+```
+
+### 搜索海岛游推荐
 ```bash
-travel-agent run -S -c "0 2 * * *"
+travel-agent run -k "海岛游" -n 10
 ```
 
-### 保存到指定文件
+### 分析极光旅行产品
+```bash
+travel-agent analyze "北欧极光"
+```
 
 ```bash
 travel-agent analyze "日本赏樱" -o ./analysis_report.md

package/bin/cli.js

@@ -11,8 +11,8 @@ const fs = require('fs');
 
 // 获取包的安装路径
 const packagePath = path.join(__dirname, '..');
-const projectRoot = path.join(packagePath, '..');
-const mainPy = path.join(projectRoot, 'main.py');
+const pythonDir = path.join(packagePath, 'python');
+const mainPy = path.join(pythonDir, 'main.py');
 
 // 检查 Python 是否可用
 function findPython() {
@@ -34,9 +34,9 @@ function findPython() {
 // 检查虚拟环境是否存在
 function getVenvPython() {
   const venvPaths = [
-    path.join(projectRoot, 'venv', 'bin', 'python'),
-    path.join(projectRoot, '.venv', 'bin', 'python'),
-    path.join(projectRoot, 'venv', 'Scripts', 'python.exe'),
+    path.join(pythonDir, 'venv', 'bin', 'python'),
+    path.join(pythonDir, '.venv', 'bin', 'python'),
+    path.join(pythonDir, 'venv', 'Scripts', 'python.exe'),
   ];
 
   for (const venvPath of venvPaths) {
@@ -64,15 +64,18 @@ function run() {
   travel-agent <command> [options]
 
 可用命令:
-  run       运行完整工作流（多 Agent 协作）
-  analyze   分析旅行产品可行性
-  agent     Agent 相关命令
-  config    管理配置
-  model     管理 LLM 模型配置
+  run       运行完整工作流（数据采集 → 分析评分 → 路线规划 → 报告生成）
+  analyze   分析旅行产品可行性（市场调研 → 资源评估 → 生成报告）
+  agents    查看 Agent 团队信息
+  status    显示系统状态（版本、模型、API 配置）
+  model     管理 LLM 模型配置（list/status/use）
+  config    管理配置（--show/--init）
+  help      显示帮助信息
 
 示例:
   travel-agent run -k "海岛游"           # 搜索海岛游推荐
   travel-agent analyze "北欧极光"        # 分析极光旅行产品
+  travel-agent agents                    # 查看 Agent 团队
   travel-agent model list               # 查看支持的模型
   travel-agent --help                   # 显示帮助
 
@@ -115,7 +118,7 @@ function run() {
   const pyArgs = [mainPy, ...args];
   const child = spawn(pythonCmd, pyArgs, {
     stdio: 'inherit',
-    cwd: projectRoot
+    cwd: pythonDir
   });
 
   child.on('error', (err) => {

package/package.json

@@ -1,7 +1,7 @@
 {
   "name": "travel-agent-cli",
-  "version": "0.1.0",
-  "description": "AI 驱动的旅行目的地推荐 Agent - 命令行工具",
+  "version": "0.2.1",
+  "description": "AI 驱动的旅行目的地推荐 Agent - 命令行工具（集成 FlyAI 旅行搜索）",
   "bin": {
     "travel-agent": "bin/cli.js",
     "travel-agent-cli": "bin/cli.js"
@@ -18,13 +18,17 @@
     "llm",
     "cli",
     "旅行",
-    "推荐"
+    "推荐",
+    "flyai",
+    "fliggy",
+    "机票",
+    "酒店"
   ],
   "author": "Your Name <your.email@example.com>",
   "license": "MIT",
   "repository": {
     "type": "git",
-    "url": "https://github.com/your-username/travel-agent.git",
+    "url": "git+https://github.com/your-username/travel-agent.git",
     "directory": "npm-package"
   },
   "engines": {

package/python/agents/__init__.py

@@ -0,0 +1,19 @@
+"""Agents 模块 - 多 Agent 系统
+
+导出所有 Agent 类
+"""
+from agents.base import BaseAgent
+from agents.collector_agent import CollectionAgent
+from agents.analysis_agent import AnalysisAgent
+from agents.planning_agent import PlanningAgent
+from agents.report_agent import ReportAgent
+from agents.manager_agent import ManagerAgent
+
+__all__ = [
+    "BaseAgent",
+    "CollectionAgent",
+    "AnalysisAgent",
+    "PlanningAgent",
+    "ReportAgent",
+    "ManagerAgent",
+]

package/python/agents/analysis_agent.py

@@ -0,0 +1,234 @@
+"""分析 Agent - 负责数据分析和目的地排序"""
+from typing import Dict, Any, List, Optional
+import json
+from agents.base import BaseAgent
+from analyzers.hot_score import HotScoreCalculator
+from config.models import SocialPost, WenlvInfo
+
+
+class AnalysisAgent(BaseAgent):
+    """分析 Agent
+
+    职责：
+    - 计算目的地热度评分
+    - 综合分析并排序
+    - 生成推荐理由
+    """
+
+    name = "analysis_agent"
+    role = "旅行数据分析师"
+    goal = "分析采集的数据，识别热门目的地，给出专业评分和推荐理由"
+
+    def __init__(
+        self,
+        provider: Optional[str] = None,
+        model: Optional[str] = None,
+        use_tools: bool = False,
+    ):
+        super().__init__(provider, model, use_tools)
+        self.score_calculator = HotScoreCalculator()
+
+    async def execute_local(self, task: str, context: Dict[str, Any]) -> str:
+        """本地执行分析"""
+        posts = context.get("posts", [])
+        wenlv_infos = context.get("wenlv_infos", [])
+        analysis = context.get("analysis", {})
+
+        # 如果有分析数据，生成本地推荐
+        if analysis:
+            destinations = analysis.get("destinations", [])
+            top_n = 10
+
+            recommendations = []
+            for i, dest in enumerate(destinations[:top_n], 1):
+                recommendations.append({
+                    "name": dest.get("name", "未知目的地"),
+                    "rank": i,
+                    "score": dest.get("scores", {}).get("total_score", 5.0),
+                    "reason": f"基于 {dest.get('post_count', 0)} 条社交媒体内容和 {dest.get('wenlv_count', 0)} 条文旅信息推荐",
+                    "estimated_cost": "¥3000-5000",
+                    "suggested_days": 5,
+                    "best_time": "春秋季节",
+                    "highlights": ["特色美食", "文化体验", "自然风光"]
+                })
+
+            result = {
+                "destinations": recommendations,
+                "summary": "本地分析推荐结果"
+            }
+            return json.dumps(result, ensure_ascii=False)
+
+        # 简化的本地分析
+        destinations = self._extract_destinations(posts, wenlv_infos)
+
+        recommendations = []
+        for i, dest in enumerate(destinations[:10], 1):
+            recommendations.append({
+                "name": dest,
+                "rank": i,
+                "score": 5.0,
+                "reason": "本地分析结果",
+                "estimated_cost": "¥3000-5000",
+                "suggested_days": 5,
+                "best_time": "春秋季节",
+                "highlights": ["特色美食", "文化体验"]
+            })
+
+        result = {
+            "destinations": recommendations,
+            "summary": "本地分析推荐结果"
+        }
+        return json.dumps(result, ensure_ascii=False)
+
+    def _extract_destinations(
+        self,
+        posts: List[Dict],
+        wenlv_infos: List[Dict]
+    ) -> List[str]:
+        """从数据中提取目的地"""
+        common_destinations = [
+            "三亚", "云南", "大理", "丽江", "西双版纳",
+            "四川", "成都", "九寨沟", "川西",
+            "北京", "上海", "广州", "深圳",
+            "浙江", "杭州", "乌镇", "苏州", "南京",
+            "江苏", "陕西", "西安",
+            "广西", "桂林", "阳朔",
+            "海南", "西藏", "拉萨", "新疆", "喀纳斯",
+            "甘肃", "敦煌", "青海", "青海湖",
+            "黑龙江", "哈尔滨", "吉林", "长白山"
+        ]
+
+        destinations = {}
+
+        for post in posts:
+            text = f"{post.get('title', '')} {post.get('content', '')}"
+            for dest in common_destinations:
+                if dest in text:
+                    if dest not in destinations:
+                        destinations[dest] = {"posts": 0, "wenlv": 0}
+                    destinations[dest]["posts"] += 1
+
+        for info in wenlv_infos:
+            region = info.get("region", "")
+            if region and region != "全国":
+                if region not in destinations:
+                    destinations[region] = {"posts": 0, "wenlv": 0}
+                destinations[region]["wenlv"] += 1
+
+        # 按热度排序
+        sorted_dests = sorted(
+            destinations.items(),
+            key=lambda x: x[1]["posts"] * 2 + x[1]["wenlv"] * 3,
+            reverse=True
+        )
+
+        return [d[0] for d in sorted_dests]
+
+    async def analyze_destinations(
+        self,
+        posts: List[Dict],
+        wenlv_infos: List[Dict],
+        flights: List[Dict] = None,
+        hotels: List[Dict] = None
+    ) -> Dict[str, Any]:
+        """分析目的地数据
+
+        Args:
+            posts: 社交媒体帖子列表
+            wenlv_infos: 文旅信息列表
+            flights: 航班数据（可选）
+            hotels: 酒店数据（可选）
+
+        Returns:
+            分析结果字典
+        """
+        # 提取目的地
+        destinations = self._extract_destinations(posts, wenlv_infos)
+
+        # 为每个目的地计算评分
+        scored_destinations = []
+        for dest in destinations:
+            # 筛选相关数据
+            related_posts = [
+                p for p in posts
+                if dest in p.get("title", "") or dest in p.get("content", "")
+            ]
+            related_wenlv = [
+                w for w in wenlv_infos
+                if dest in w.get("title", "") or dest in w.get("content", "") or dest == w.get("region")
+            ]
+
+            # 计算评分
+            score_info = self.score_calculator.calculate_destination_score(
+                destination=dest,
+                posts=[SocialPost(**p) if isinstance(p, dict) else p for p in related_posts],
+                wenlv_infos=[WenlvInfo(**w) if isinstance(w, dict) else w for w in related_wenlv],
+            )
+
+            scored_destinations.append({
+                "name": dest,
+                "scores": score_info,
+                "post_count": len(related_posts),
+                "wenlv_count": len(related_wenlv),
+            })
+
+        # 按总分排序
+        scored_destinations.sort(
+            key=lambda x: x["scores"]["total_score"],
+            reverse=True
+        )
+
+        return {
+            "destinations": scored_destinations,
+            "total_analyzed": len(scored_destinations),
+            "top_destinations": [d["name"] for d in scored_destinations[:5]]
+        }
+
+    async def generate_recommendations(
+        self,
+        analysis_result: Dict[str, Any],
+        top_n: int = 10
+    ) -> str:
+        """生成推荐结果
+
+        Args:
+            analysis_result: 分析结果
+            top_n: 推荐数量
+
+        Returns:
+            推荐的 JSON 字符串
+        """
+        task = f"""基于以下分析结果，生成 TOP{top_n}旅行目的地推荐。
+
+对于每个目的地，请提供：
+1. 排名
+2. 目的地名称
+3. 综合得分（基于提供的分数）
+4. 推荐理由（100-200 字）
+5. 预估费用范围
+6. 建议游玩天数
+7. 最佳旅行时间
+8. 亮点特色（2-3 个）
+
+分析数据：
+{json.dumps(analysis_result, ensure_ascii=False, indent=2)}
+
+请输出 JSON 格式：
+{{
+    "destinations": [
+        {{
+            "name": "目的地",
+            "rank": 1,
+            "score": 8.5,
+            "reason": "推荐理由...",
+            "estimated_cost": "¥3000-5000",
+            "suggested_days": 5,
+            "best_time": "3-5 月",
+            "highlights": ["亮点 1", "亮点 2"]
+        }}
+    ],
+    "summary": "整体总结"
+}}
+"""
+
+        return await self.execute(task, {"analysis": analysis_result})