打造一款真正懂用户的旅行灵感助手，关键在于摒弃模板化思维。核心功能在于开启多轮对话记忆，并配置动态约束解析机制——利用正则表达式精准提取显性的预算和天数，借助大语言模型（LLM）推断用户未明确说出的潜在需求，再通过多插件协同筛选出最匹配的POI。最终输出的是一张贴合用户真实场景的结构化行程卡片，而非千篇一律的固定模板。

回归本质：你需要为用户定制一份真正贴合其兴趣、预算和时间的个性化旅游攻略。市面上许多工具虽然能查询天气、景点、交通信息，但简单堆砌这些插件，无法自动解析诸如“带老人慢游苏州”或“预算3000元内打卡小众咖啡馆”这类隐含的约束条件。那么，如何让AI助手真正理解这些潜台词呢？

配置基础Bot并启用多轮对话上下文记忆

首先，给Bot赋予“记忆”能力。登录Coze管理后台，创建一个新Bot，命名为“旅行灵感助手”，随后在「设置」页面开启「多轮对话记忆」开关。

这一步看似简单，实则至关重要。若不开启，Bot将无法记住用户前一句提到的“我带孩子”，当后续询问“适合亲子的博物馆”时，就会丢失“孩子”这一关键主语。所有提问都会变成孤立的请求，生成的结果自然脱节，如同两个人在各自讲述不同的故事。

同时，在「知识库」中上传一份《中国主要城市高铁时刻简表.csv》文件，表格需包含“出发站、到达站、最短耗时（分钟）、二等座均价（元）”这四个字段。上传后，系统将自动建立表格索引，为后续的精准推荐奠定数据基础。

构建动态约束解析节点

在Bot工作流中，新增一个「逻辑判断」节点，并连接到用户的初始输入文本。关键在于如何从用户的自然语言中精准提取出“预算”和“时间”这两个核心约束。

方法一：利用正则表达式提取显性数值约束
匹配规则示例如下：

• “预算[是|约|大概|控制在]?(\d+)元” → 提取数字并存为变量 budget_value；
• “玩[\s]*(\d+)[\s]*(天|日)” → 提取数字并存为变量 trip_days。

方法二：借助LLM意图识别补全隐性需求
当用户表达“想找个安静点的地方过周末”时，需要触发「LLM 调用」节点。提示词设置为：“请从以下维度推断用户未明说的需求：1. 偏好节奏（快/中/慢）；2. 排斥类型（人流密集/夜间营业/需体力消耗）；3. 潜在陪伴对象（独自/情侣/老人/儿童）。仅输出JSON，字段名固定为 pace_preference, a void_types, companion。”

这里有一个关键原则：避免直接用LLM解析全部输入，否则会导致成本飙升并增加响应延迟。对于显性数字类约束，如预算和天数，必须使用正则表达式进行硬匹配，既快速又准确。LLM仅用于处理那些用户没有直接说出口的隐含需求，各司其职，协同工作。

调用插件组装行程卡片

当约束条件解析完成后，接下来就进入关键的“组装”环节。

第一步：检索POI
根据用户所在城市，调用「高德地图POI搜索」插件，关键词设置为“博物馆”，并追加筛选条件“评分≥4.2”和“有无障碍通道”。此步骤可初步过滤掉体验不佳或对特定人群不友好的地点。

第二步：获取详细资讯
对返回的POI列表，逐个调用「大众点评商户详情」插件，提取“人均消费”、“建议游览时长”、“是否需要预约”等关键字段，为后续的过滤提供数据支撑。

第三步：执行过滤逻辑
这是整个流程的精髓所在，需要组合判断：

• 如果存在 budget_value，就剔除那些人均消费＞budget_value ÷ trip_days ÷ 3 的选项。
• 如果 companion 字段包含“老人”，就剔除没有无障碍通道，或建议游览时长超过2.5小时的条目。

第四步：精细化筛选
将剩余的POI按照“距离用户输入住宿地直线距离＜3km”进行二次筛选。随后，调用「百度地图路线规划」插件，计算步行或地铁的实际耗时，仅保留总耗时低于40分钟的结果。

通过这一系列层层过滤，最终符合条件的POI将被组装成一张结构化的行程卡片。卡片包含名称、地址以及基于真实场景的推荐理由，例如：“距平江路步行5分钟，馆内设长椅休息区，适老导览册可现场领取”，并标注出当日的建议游玩时段。

如此生成的不再是生硬的列表，而是真正具有实用价值、富有温度的个性化旅行建议。