旅游规划小助手：基于位置信息的个性化行程推荐实现

旅游规划小助手：基于位置信息的个性化行程推荐实现

1. 引言

随着移动互联网和智能设备的普及，用户对个性化服务的需求日益增长。在旅游领域，传统的行程规划方式往往依赖于通用攻略或人工定制，难以满足个体差异化的兴趣偏好与实时动态需求。如何利用大模型能力结合用户的位置信息，提供智能化、个性化的行程推荐，成为提升用户体验的关键突破口。

2025年8月，OpenAI正式发布了其首个开源大语言模型系列——gpt-oss，包含gpt-oss-20b和gpt-oss-120b两个版本。其中，gpt-oss-20b凭借其3.6B激活参数量与128K上下文窗口，在保持高性能推理的同时显著降低了部署门槛，特别适合本地化、轻量化应用场景。本文将基于该模型，结合vLLM加速推理与Open-WebUI交互界面，构建一个“旅游规划小助手”系统，实现实时、精准的个性化行程推荐。

本项目依托Compshare平台提供的4090D双卡vGPU环境（单卡显存48GB），使用预置镜像gpt-oss-20b-WEBUI进行快速部署，充分发挥开源模型在私有化场景下的灵活性与可控性优势。

2. 系统架构设计

2.1 整体架构概览

本系统采用模块化设计，整体分为四个核心组件：

• 前端交互层：通过Open-WebUI提供图形化对话界面，支持用户输入起点、目的地、时间预算、兴趣标签等条件。
• 大模型推理层：运行gpt-oss-20b模型，负责理解用户意图、生成自然语言响应，并调用外部工具函数获取结构化数据。
• 位置服务接口层：集成高德地图API或Google Maps API，用于获取景点坐标、交通耗时、开放时间等真实地理信息。
• 业务逻辑处理层：解析模型输出，执行路径优化算法，生成最终可展示的行程安排。

graph TD A[用户输入] --> B(Open-WebUI) B --> C[gpt-oss-20b 模型] C --> D{是否需要调用工具?} D -- 是 --> E[调用地图API] E --> F[返回结构化数据] F --> C D -- 否 --> G[生成行程建议] G --> H[格式化输出] H --> I[前端展示]

2.2 核心技术选型依据

3. 关键功能实现

3.1 环境准备与模型部署

首先在Compshare平台上完成镜像部署：

# 登录并启动 gpt-oss-20b-WEBUI 镜像 # 自动加载 vLLM + Ollama + Open-WebUI 组合环境 # 查看模型状态 ollama list # 确认模型已加载 ollama run gpt-oss:20b "你好，请简要介绍自己。"

提示：若需自定义系统行为，可通过.modelfile修改系统提示词（SYSTEM prompt）以限定角色为“旅游规划专家”。

3.2 工具调用机制设计

为了让大模型具备获取真实世界数据的能力，我们定义了一个标准函数调用接口，使其能主动请求外部服务。

定义工具函数 schema

functions = [ { "name": "get_nearby_attractions", "description": "根据经纬度和半径查找附近的景点", "parameters": { "type": "object", "properties": { "latitude": {"type": "number", "description": "纬度"}, "longitude": {"type": "number", "description": "经度"}, "radius": {"type": "integer", "description": "搜索半径（米）", "default": 3000}, "keywords": {"type": "string", "description": "关键词过滤，如博物馆、公园"} }, "required": ["latitude", "longitude"] } }, { "name": "get_route_duration", "description": "获取两点之间的交通时间和距离", "parameters": { "type": "object", "properties": { "origin_lat": {"type": "number"}, "origin_lon": {"type": "number"}, "dest_lat": {"type": "number"}, "dest_lon": {"type": "number"}, "mode": {"type": "string", "enum": ["driving", "walking", "transit"], "default": "walking"} }, "required": ["origin_lat", "origin_lon", "dest_lat", "dest_lon"] } } ]

实现后端服务（FastAPI）

from fastapi import FastAPI import requests from pydantic import BaseModel app = FastAPI() AMAP_KEY = "your_amap_api_key" class AttractionRequest(BaseModel): latitude: float longitude: float radius: int = 3000 keywords: str = "" @app.post("/api/get_nearby_attractions") def get_nearby_attractions(req: AttractionRequest): url = "https://restapi.amap.com/v3/place/around" params = { "key": AMAP_KEY, "location": f"{req.longitude},{req.latitude}", "radius": req.radius, "keywords": req.keywords, "output": "json" } resp = requests.get(url, params=params).json() return { "attractions": [ { "name": item["name"], "address": item["address"], "distance": item["distance"], "rating": item.get("biz_ext", {}).get("rating", "无评分") } for item in resp["pois"][:10] ] }

3.3 大模型驱动的行程生成流程

当用户提出请求：“我在上海外滩，想玩半天，喜欢文艺类景点，请推荐路线。”系统执行以下步骤：

1. 语义理解：gpt-oss-20b识别出关键信息：

   • 当前位置：外滩
   • 时间约束：半天（约4小时）
   • 兴趣偏好：文艺类（美术馆、书店、历史建筑）

2. 工具调用决策：

   { "function_call": { "name": "get_nearby_attractions", "arguments": { "latitude": 31.2336, "longitude": 121.4947, "radius": 5000, "keywords": "美术馆 博物馆 书店" } } }

3. 接收API返回结果，模型继续推理：

   • 过滤出评分高于4.0的景点
   • 计算相邻景点间的步行时间（调用get_route_duration）
   • 排除闭馆时间冲突的场所
   • 生成合理顺序的游览路线

4. 输出结构化行程表

4. 行程优化策略

4.1 基于兴趣权重的排序算法

引入用户兴趣标签作为加权因子，提升推荐相关性。

def calculate_interest_score(attraction, user_preferences): keywords = { "art": ["美术馆", "画廊", "艺术"], "history": ["博物馆", "故居", "遗址"], "literature": ["书店", "图书馆", "文创"] } score = 0 for pref in user_preferences: if any(kw in attraction['name'] or kw in attraction['address'] for kw in keywords.get(pref, [])): score += 1.0 return score * 0.5 + float(attraction.get('rating', 3.0)) # 综合评分

4.2 时间约束下的路径规划

采用贪心算法解决TSP-like问题：

1. 将所有候选景点按兴趣得分降序排列
2. 从当前位置出发，依次选择下一个可达且剩余时间内可完成参观的最高分景点
3. 若后续无法返回起点或超时，则终止添加

注意：对于复杂城市路网，建议引入A*或Dijkstra算法进行精确路径估算。

4.3 动态调整机制

支持用户中途变更计划，例如：

• “我现在想去咖啡馆休息”
• “这个景点关门了，换一个”

系统可通过重新调用工具+上下文记忆机制，实时调整后续行程，体现强交互性。

5. 用户体验增强设计

5.1 多轮对话管理

利用gpt-oss-20b的128K上下文能力，完整保留对话历史，实现长期记忆：

• 记住用户的饮食禁忌（如素食）
• 跟踪已推荐过的景点避免重复
• 支持回溯修改某一天的安排

5.2 输出格式美化

通过Markdown模板统一输出样式：

### 🗺️ 推荐行程：上海文艺半日游（外滩出发） | 时间段 | 景点 | 地址 | 参观建议 | |-------|------|------|----------| | 10:00-11:00 | 上海当代艺术博物馆 | 黄浦区花园港路200号 | 免费入场，当前展览《城市之光》值得一看 | | 11:15-12:30 | 季风书园（芮欧百货店） | 静安区南京西路1601号 | 文艺氛围浓厚，适合拍照休息 | | 13:00-14:30 | 上海博物馆 | 人民大道201号 | 需提前预约，青铜器展厅必看 | 🚶‍♂️ 总步行距离：2.8km｜⏱️ 总耗时：约4小时

5.3 移动端适配建议

• 提供二维码导出功能，扫码即可保存行程
• 支持语音输入与播报
• 与地图App深度集成（跳转导航）

6. 总结

6.1 技术价值总结

本文基于gpt-oss-20b开源大模型，结合vLLM推理加速与Open-WebUI交互框架，成功实现了“旅游规划小助手”的原型系统。该方案具备以下核心优势：

• 高度智能化：模型能够理解复杂语义并主动调用工具，实现闭环决策；
• 个性化推荐：融合用户兴趣、位置、时间等多维因素，生成定制化行程；
• 低部署成本：仅需单张4090级别显卡即可运行，适合中小企业或个人开发者；
• 可扩展性强：支持接入更多第三方服务（天气、票务、餐饮等）。

6.2 最佳实践建议

1. 优先使用MoE模型的小激活参数特性，平衡性能与资源消耗；
2. 严格限制工具调用范围，防止模型滥用API导致费用激增；
3. 设置缓存机制，对高频查询（如热门景点信息）进行本地缓存；
4. 加强输入验证，防范恶意指令注入风险。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。