You can deploy this model and start earning money today!

PengxiaoYu-ai/
travel-agent-source

Name: travel-agent-source
Availability: InStock

Views

No views yet

travel-agent

项目简介

Travel Agent 是一个带 Web 前端的多工具 Agent 项目。用户可在 Gradio 网页发起旅行、路线、天气、火车票、搜索、文件读取、Shell 执行、Skill 调用、SubAgent 调研等任务，后端 FastAPI 会按用户和会话维护独立 Agent 实例，并通过 LangGraph 驱动 LLM 推理和工具调用。

⚡️quick start

1.进入目录

cd travel-agent

2.安装依赖

bash

sudo apt  install curl
curl -fsSL https://deb.nodesource.com/setup_lts.x | bash -
sudo apt install nodejs bubblewrap -y
npm install @anthropic-ai/sandbox-runtime

uv sync

3.启动主程序

uv run python main.py

公网部署

项目已提供 Dockerfile，可直接部署到 Hugging Face Docker Spaces、Render、Railway 等支持容器的平台。公网环境会默认关闭 Shell 工具、限制文件读取范围，并对单个访问来源做基础限流。

部署前必须在平台的 Secret/Environment Variables 中配置：

env

DEEPSEEK_API_KEY=你的新密钥
EMBEDDING_API_KEY=你的新密钥

外部 MCP 工具按需配置，留空时对应工具不会加载：

env

AMAP_MCP_URL=
RAILWAY_MCP_URL=
WEB_SEARCH_MCP_URL=

不要把真实密钥提交到仓库。若密钥曾出现在源码或 Git 历史中，应先在对应服务商后台吊销并重新生成。

本地验证容器：

bash

docker build -t travel-agent .
docker run --rm -p 7860:7860 --env-file .env travel-agent

启动MySQL、Redis、RabbitMQ（可选）

如果需要启用 MySQL、Redis、RabbitMQ，请按下面顺序执行。以下命令适用于 WSL/Linux 环境。

1. 安装系统服务

bash

sudo apt update
sudo apt install -y mysql-server redis-server rabbitmq-server

2. 启动 MySQL、Redis、RabbitMQ

如果系统支持 systemctl：

bash

sudo systemctl enable mysql redis-server rabbitmq-server
sudo systemctl start mysql redis-server rabbitmq-server

如果 WSL 中 systemctl 不可用，使用：

bash

sudo service mysql start
sudo service redis-server start
sudo service rabbitmq-server start

3. 初始化 MySQL 数据库和用户

sudo mysql

进入 MySQL 后执行：

sql

CREATE DATABASE IF NOT EXISTS travel_agent CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
CREATE USER IF NOT EXISTS 'travel_agent'@'localhost' IDENTIFIED BY 'travel_agent';
GRANT ALL PRIVILEGES ON travel_agent.* TO 'travel_agent'@'localhost';
FLUSH PRIVILEGES;
EXIT;

表示创建数据库travel_agent和用户travel_agent，密码为travel_agent，授予该用户对该数据库的所有权限，数据库只能从 localhost 连接

4. 检查服务状态

bash

mysql -u travel_agent -ptravel_agent -e "SHOW DATABASES;"
redis-cli ping
sudo rabbitmqctl status

mysql -u travel_agent -ptravel_agent -e "SHOW DATABASES;" 正常应该返回：

+--------------------+

| Database |

+--------------------+

| information_schema |

| performance_schema |

| travel_agent |

+--------------------+
redis-cli ping 正常应返回： PONG
sudo rabbitmqctl status 正常返回的内容应包含 Status of node rabbit@xxx Runtime

5. 配置 `.env`

env

MYSQL_ENABLED=true
REDIS_ENABLED=true
RABBITMQ_ENABLED=true

6. 安装 Python 依赖

uv sync

7. 启动主程序

uv run python main.py

8. 启动 RabbitMQ 后台 Worker

如果启用了 RabbitMQ 后台记忆归档，需要另开一个终端运行：

uv run python industrial_worker.py

9. WSL 重启后的服务恢复

如果重启 WSL 后服务没有自动启动，先执行：

bash

sudo service mysql start
sudo service redis-server start
sudo service rabbitmq-server start

然后再启动主程序：

uv run python main.py

10.提问示例

天安门到颐和园怎么走
2026-04-15北京到上海火车票有余票吗
搜索关于codex的新闻,总结返回的第一篇文章
计算123+456
总结对话历史
使用skill获取上海天气
调用skill制定南京一人一日游攻略，预算500

11.退出

按ctrl+c

高并发运行

压测或评测时可以只启动后端，并按需开启多进程 worker：

BACKEND_WORKERS=4 AGENT_LLM_CONCURRENCY=10 AGENT_MCP_TOOL_CONCURRENCY=10 uv run python backend.py

建议高并发模式同时启用 MySQL 和 Redis：MySQL 保存 run、steps、checkpoint，Redis 保存取消标记和跨进程会话锁。常用并发参数：

env

BACKEND_WORKERS=4
AGENT_LLM_CONCURRENCY=20
AGENT_MCP_TOOL_CONCURRENCY=20
AGENT_SYNC_CONTENT_DELAY=0
AGENT_STREAM_CONTENT_DELAY=0.02
AGENT_EVAL_SESSION_POOL_SIZE=10
AGENT_EVAL_PREWARM=true

BACKEND_WORKERS：后端进程数；大于 1 时每个 worker 都有独立内存中的 Agent 缓存。
AGENT_LLM_CONCURRENCY：单进程内主 Agent 和 SubAgent 共享的 LLM 并发上限，0 表示不限制。
AGENT_MCP_TOOL_CONCURRENCY：单进程内 MCP 工具调用并发上限，0 表示不限制。
AGENT_SYNC_CONTENT_DELAY：/chat 非流式接口的最终答案输出延迟，评测默认 0。
AGENT_STREAM_CONTENT_DELAY：/chat/stream 的逐字输出延迟，前端默认保留 0.02 秒。
AGENT_EVAL_SESSION_POOL_SIZE：promptfoo provider 使用的固定评测会话池大小，建议不小于 promptfoo 并发数。
AGENT_EVAL_PREWARM：是否在第一批评测请求前调用 /session/init 预热会话池。

同一个 user_id/session_id 不建议并发跑多轮任务；高并发评测应让每条请求使用独立会话，或确保测试会话池大小不小于并发数。

沙箱

项目集成了 Anthropic sandbox-runtime 沙箱方案，用于文件权限和网络权限隔离。

沙箱配置文件：.srt-settings.json
主要配置需要隔离的网址和文件。
Shell 命令执行将在沙箱运行，降低安全风险。

系统架构

前后端

main.py：项目启动入口，负责启动 FastAPI 后端和 Gradio 前端。
backend.py：FastAPI 后端服务，负责会话接口、聊天流式接口、任务停止、任务恢复等。
gradio_manager.py：Gradio 前端界面，负责页面初始化、会话列表、聊天框、进度展示、归档情况刷新、停止按钮等交互。
session_manager.py：管理不同用户、不同会话对应的 Agent 实例。

Agent Loop

Agent 使用 LangGraph 构建 ReAct 风格工作流：

START -> llm -> tool -> llm -> ... -> END

llm 节点负责思考下一步，决定是否需要调用工具。
tool 节点负责执行本地工具、MCP 工具或 SubAgent。
tool_guard.py 会在工具真正执行前处理参数 schema 校验、重复调用拦截、失败计数和 MCP 重试分类。
工具执行结果会作为新的上下文交回 LLM。
当 LLM 判断信息足够时，生成最终中文回答。

举例来说，用户问“天安门到颐和园怎么走”，工作流大概是：

用户问题 -> LLM 判断需要路线工具 -> 调用高德 MCP -> 得到路线结果 -> LLM 整理中文答案

工具体系

外部 MCP 工具：高德路线规划、12306 火车票查询、网络搜索等。
本地 MCP 工具：总结对话历史、简单计算等。
本地基础工具：文件读取、Shell 执行、澄清提问等。
Skill：天气查询、旅行规划、Skill 创建等。
SubAgent：复杂任务可以委托给子 Agent，例如旅行调研、景点资料收集等。
工具调用治理：重复工具调用处理参数缺失检测失败工具重试

会话与记忆

短期会话历史保存在 memory/{user_id}/sessions/{session_id}/session.jsonl。
会话列表索引保存在 memory/{user_id}/sessions.json。
长期记忆保存在用户级 MEMORY.md 和 HISTORY.md。
当对话变长时，项目会通过记忆整合逻辑压缩旧对话，降低上下文压力。
新建会话不触发强制归档；旧会话历史仍保存在原会话 JSONL 中，长期记忆只按 token 超限规则归档。
归档触发后会按预算规则选择一段已完成对话写入 HISTORY.md / MEMORY.md，再更新 last_consolidated 指针。
如果 RABBITMQ_ENABLED=true，自动记忆整合会进入 RabbitMQ 后台队列；后台 Worker 整合完成后，Gradio 更新“本会话归档情况”。
如果启用了 MySQL，用户、会话、任务 run、任务步骤和 run 级 checkpoint 也会同步写入 MySQL。

工业化运行能力

MySQL：保存用户、会话、任务 run、任务步骤、run 级 checkpoint。
Redis：保存取消标记、会话锁和用户级记忆锁。
RabbitMQ：用于后台记忆归档任务队列；后台归档完成后会通知 Gradio 刷新当前会话归档情况。

目录结构说明

text

├── config.py                # 环境配置，包括模型、Embedding、MCP、MySQL、Redis、RabbitMQ 等配置
├── main.py                  # 主程序入口，启动 FastAPI 后端和 Gradio 前端
├── backend.py               # FastAPI 后端服务，处理前端请求并调用对应会话的 Agent
├── gradio_manager.py        # Gradio 界面管理，提供 Web 交互界面
├── travel_agent.py          # Agent 核心逻辑，定义 LLM 推理、工具调用、任务恢复、记忆管理等
├── session_manager.py       # 会话管理器，管理多个用户的独立 Agent 实例
├── session_store.py         # 会话数据存储，管理 JSONL 会话文件、索引和长期记忆文件
├── industrial_runtime.py    # MySQL、Redis、RabbitMQ 适配层，记录 run、steps、checkpoint 和后台任务
├── memory_manager.py        # 向量历史存储管理，处理对话历史的向量化和检索
├── memory_consolidator.py   # 记忆整合器，将对话历史压缩整合到长期记忆文件
├── skills_loader.py         # 加载和管理 Skill 能力
├── mcp_client.py            # MCP 客户端，建立 SSE 连接并获取工具描述
├── mcp_server.py            # 本地 MCP 服务端，定义本地 MCP 工具
├── subagents.py             # 子 Agent 系统，支持复杂任务委派
├── tools/                   # 本地工具模块目录
├── skills/                  # Skill 目录
├── tests/                   # pytest 测试，分为 unit、integration、full
├── observability.py         # Langfuse 初始化、请求级追踪等逻辑
├── .srt-settings.json       # 沙箱配置文件
├── pyproject.toml           # 项目依赖配置
└── uv.lock                  # uv 锁文件

SubAgent

当任务复杂、步骤较多时，主 Agent 会调用 SubAgent 来完成任务。SubAgent 拥有独立上下文，可以减少主 Agent 上下文中的冗余信息。

举例来说，用户要求“调研上海适合亲子游的景点并按预算整理路线”，主 Agent 可以把景点资料收集委托给旅行研究类 SubAgent，再把结果汇总给用户。

测试

单元测试和集成测试，基于 pytest 框架。

bash

uv run pytest -m unit
uv run pytest -m integration
uv run pytest -m full

加上 --cov-report=html 选项，可生成 HTML 格式的报告。

uv run pytest -m full --cov-report=html

unit：单元测试，覆盖会话存储、Skill 加载、本地工具、Agent 解析/checkpoint、SubAgent、运行时纯函数等。
integration：集成测试，覆盖 FastAPI、用户访问/会话创建/切换/刷新恢复、停止任务、多用户隔离、Agent 流式流程、本地 MCP/SSE、Skill、SubAgent、token 超限自动归档、Gradio 进度/归档刷新等；如果当前已连接 MySQL、Redis、RabbitMQ，会测到这些中间件的相关代码。
full：完整测试集合，包含全部 unit 和 integration 测试。

Promptfoo 评测

跑评测，设置并发数为 10，重复 2 次。默认 provider 会调用 /chat/eval 轻量接口

bash

cd eval
promptfoo eval --max-concurrency 10 --no-table --repeat=2

eval/promptfooconfig.yaml 默认 evaluateOptions.maxConcurrency 为 10，sessionPoolSize 也为 10

查看报告

promptfoo view

Langfuse 监控配置

项目已接入 Langfuse，用于监控模型输入、输出、token 消耗量、响应时间。在 .env 或 config.py 填写：

bash

LANGFUSE_PUBLIC_KEY=pk-lf-...
LANGFUSE_SECRET_KEY=sk-lf-...
LANGFUSE_BASE_URL=https://us.cloud.langfuse.com

未配置 LANGFUSE_PUBLIC_KEY 或 LANGFUSE_SECRET_KEY 时，监控会自动关闭，不影响本地运行。配置完成后，主 Agent、子 Agent、记忆整合、本地 MCP 摘要和 embedding 调用会按现有 session_id 聚合到 Langfuse 的 session 视图中。

ask_clarification 中断确认

用户问题缺失关键信息时，Agent 会先确认用户需求。本轮对话会暂停，输出确认信息，等待用户回复。

举例来说，如果用户只说“帮我订票”，但没有出发地、目的地或日期，Agent 会先询问这些关键信息，而不是直接调用火车票工具。

PengxiaoYu-ai/travel-agent-source

travel-agent

项目简介

⚡️quick start

1.进入目录

2.安装依赖

3.启动主程序

公网部署

启动MySQL、Redis、RabbitMQ（可选）

1. 安装系统服务

2. 启动 MySQL、Redis、RabbitMQ

3. 初始化 MySQL 数据库和用户

4. 检查服务状态

5. 配置 .env

6. 安装 Python 依赖

7. 启动主程序

8. 启动 RabbitMQ 后台 Worker

9. WSL 重启后的服务恢复

10.提问示例

11.退出

高并发运行

沙箱

系统架构

前后端

Agent Loop

工具体系

会话与记忆

工业化运行能力

目录结构说明

SubAgent

测试

Promptfoo 评测

Langfuse 监控配置

ask_clarification 中断确认

PengxiaoYu-ai/
travel-agent-source

5. 配置 `.env`