Dify智能体任务型旅行规划 Agent

✈️ 任务型旅行规划 Agent

该工作流是 Task-Oriented Dialogue (TOD，任务导向型对话) Agent 的一个经典应用范例。与传统的问答机器人不同，这个 Agent 的核心目标不是简单地回答问题，而是通过与用户进行多轮、有目的性的对话，来主动收集一套预设好的、完整的信息，最终完成一项特定任务——在本例中是“收集一次旅行规划所需的核心要素”。

定义任务：收集旅行要素

此工作流的核心是“Agent”节点，它被配置为 TOD 模式，并被赋予了一个明确的任务蓝图（task_schema）。这个蓝图规定了 Agent 为了完成任务，必须从用户那里收集齐三个关键信息（也称为“槽位” – Slots）：

• 目的地 (destination): Agent 会问：“请问您想去哪里旅行？”
• 旅行时长 (duration): Agent 会问：“您计划旅行多长时间？”
• 预算 (budget): Agent 会问：“您的预算大约是多少？”

主动引导式多轮对话

这个 Agent 的交互方式是主动和智能的：

1. 检查缺失信息：对话开始时，Agent 会检查在当前的对话记忆中，以上三个必填信息有哪些尚未被用户提供。
2. 主动提问：Agent 会针对第一个缺失的信息，向用户提出在 task_schema 中预设好的问题。例如，如果用户只说了一句“你好”，Agent 会首先询问目的地。
3. 智能填槽：Agent 能够理解用户的自然语言回复，并从中提取信息来填充对应的“槽位”。即使用户在一句话中提供了多个信息（如：“我想去北京玩一周”），Agent 也能同时填充“目的地”和“旅行时长”两个槽位。
4. 持续追问：在一轮对话结束后，Agent 会再次检查是否所有必填信息都已集齐。如果仍有缺失（如此时还缺“预算”），它会继续提出下一个相应的问题，直到所有信息都被成功收集。

完成任务并输出

一旦 Agent 判断其任务清单（task_schema）中的所有必填项都已被填充，它的任务便宣告完成。此时，它可能会生成一段总结性的话语（例如：“好的，我已记录您的计划：目的地是北京，时长为一周，预算…元”），并通过“直接回复”节点呈现给用户。

主要特点

• 任务导向对话 (TOD)：与开放式闲聊不同，TOD Agent 的每一轮对话都有明确的指向性，即为了收集特定信息，这使得它在处理业务流程时非常高效和可靠。
• 对话状态记忆：Agent 通过会话 ID (conversation_id) 来维持上下文记忆。它清楚地知道在当前这通对话里，哪些信息已经获取，哪些还需要追问，从而实现流畅的多轮交互。
• 结构化信息收集：通过 task_schema 的方式，可以用一种声明式、而非编码的方式，来定义需要收集的信息集，这使得构建和修改信息收集流程变得非常简单。
• “对话式表单”：该工作流本质上是将传统需要用户手动填写的表单，升级为了一个通过自然语言对话就能完成的智能信息收集助手，交互体验更友好。

非常适合

任何需要在执行最终动作前，从用户处收集一组结构化信息的场景。例如：

• 服务预订：收集预订的服务类型、时间、人数。
• 销售线索获取：收集潜在客户的姓名、公司、需求。
• 餐厅订位：收集订餐时间、人数、联系方式。
• IT 报修：收集故障设备、问题描述、位置信息。