1
好的，我可以帮你写一封预订机票的邮件模板：
2

3
主题：机票预订申请
4

5
尊敬的客服人员：
6

7
    我想预订一张明天（3月21日）从北京前往上海的经济舱机票。请告知航班时间和票价，我将尽快完成支付。
8

9
    此致
10
    敬礼
11

12
你可以将这封邮件发送给航空公司或旅行社。

1
好的，我来帮你预订机票。
2

3
[执行步骤]
4
1. 查询明天北京→上海的航班信息...
5
   找到 15 个可选航班
6

7
2. 根据你的偏好筛选（经济舱、上午出发）...
8
   筛选出 5 个航班
9

10
3. 调用订票系统...
11
   已锁定航班 CA1234，09:00 起飞，票价 580 元
12

13
4. 发送确认短信到你的手机...
14
   短信验证码已发送
15

16
请输入验证码完成支付，或回复「取消」放弃预订。

1
原始输入：「帮我订明天去上海的机票」
2

3
感知结果：
4
{
5
    "intent": "book_flight",
6
    "destination": "上海",
7
    "date": "明天（需要转换为具体日期）",
8
    "departure": "未知（需要推断或询问）",
9
    "preferences": {}
10
}

1
# 静态规划
2
plan = [
3
    {"step": 1, "action": "get_location", "purpose": "获取用户当前位置"},
4
    {"step": 2, "action": "search_flights", "purpose": "查询航班"},
5
    {"step": 3, "action": "book_ticket", "purpose": "预订机票"},
6
    {"step": 4, "action": "send_confirmation", "purpose": "发送确认通知"}
7
]
8

9
# 动态规划
10
def plan_next_step(context):
11
    if context.get("location_unknown"):
12
        return "ask_location"
13
    elif context.get("flights_found"):
14
        return "select_flight"
15
    # ...

1
工具调用示例：
2

3
步骤 1：获取位置
4
→ 调用 get_location() API
5
→ 结果：北京
6

7
步骤 2：查询航班
8
→ 调用 search_flights(from="北京", to="上海", date="2026-03-21")
9
→ 结果：[CA1234, MU5678, ...]
10

11
步骤 3：预订机票
12
→ 调用 book_ticket(flight="CA1234", class="economy")
13
→ 结果：预订成功，订单号 12345

1
反思过程：
2

3
当前状态：已查询航班，找到 5 个选项
4
目标状态：完成机票预订
5
差距分析：用户还未选择具体航班
6
下一步行动：向用户展示航班选项，等待选择
7

8
或者：
9

10
当前状态：预订失败（余额不足）
11
目标状态：完成机票预订
12
差距分析：支付环节出问题
13
下一步行动：通知用户充值或更换支付方式

1
任务：「分析公司最近销售数据，找出下滑最严重的产品」
2

3
=== 感知阶段 ===
4
意图理解：数据分析 + 问题诊断
5
关键信息：需要销售数据、时间范围「最近」、目标「下滑最严重的产品」
6
缺失信息：具体时间范围、数据来源
7

8
=== 规划阶段 ===
9
步骤 1：查询最近 6 个月销售数据
10
步骤 2：计算各产品销售趋势
11
步骤 3：识别下滑最严重的产品
12
步骤 4：分析下滑原因
13
步骤 5：生成报告
14

15
=== 执行阶段 ===
16
步骤 1：调用数据库查询 → 获取销售数据
17
步骤 2：调用分析工具 → 计算增长率
18
步骤 3：排序筛选 → 产品 A 下滑 35%
19
步骤 4：搜索行业新闻 → 可能原因：竞品上市
20
步骤 5：调用报告生成 → 完成分析报告
21

22
=== 反思阶段 ===
23
评估：报告是否完整？
24
结论：缺少具体的改进建议
25
调整：补充步骤 6：生成改进建议
26
再次执行...

1
Thought（思考）→ Action（行动）→ Observation（观察）→ Thought（再思考）→ ...

1
=== 第 1 轮 ===
2
Thought: 我需要先获取北京今天的天气信息
3
Action: get_weather(city="北京")
4
Observation: 温度 18°C，湿度 65%，空气质量指数 85（良好），无降雨
5

6
=== 第 2 轮 ===
7
Thought: 有了天气数据，现在需要判断是否适合户外运动。
8
        温度 18°C 适宜，湿度 65% 可接受，空气质量良好，无降雨。
9
        综合来看天气条件适合户外运动。
10
Action: finish()
11
Final Answer: 北京今天的天气适合户外运动。温度 18°C，湿度 65%，空气质量良好（AQI 85），
12
             无降雨。建议可以进行跑步、骑行等户外活动，但记得适当补水。

1
REACT_PROMPT = """
2
你是一个智能助手，使用 Thought-Action-Observation 循环完成任务。
3

4
可用工具：
5
{tools_description}
6

7
使用以下格式：
8

9
Thought: 思考下一步应该做什么
10
Action: 工具名称[参数]
11
Observation: 工具执行结果
12
... (重复 Thought/Action/Observation)
13
Thought: 我现在知道最终答案了
14
Final Answer: 最终回答
15

16
开始！
17

18
任务：{task}
19
"""

1
用户：帮我订机票
2
Agent：好的，已为你预订...
3

4
用户：帮我订酒店
5
Agent：好的，已为你预订...
6

7
用户：帮我安排接机
8
Agent：好的，已为你安排...

1
用户：帮我订去上海的机票
2
Agent：好的，已预订 CA1234 航班。
3

4
       我注意到你之前去过上海，住的是静安区的某酒店。
5
       这次需要帮你预订同一家吗？
6

7
       另外，你的航班 09:00 到达，是否需要安排接机服务？
8

9
用户：好的，都安排吧。
10
Agent：已全部安排妥当。行程清单已发送到你的邮箱。

1
场景：组织一次会议
2

3
[调度Agent]：查询参会人员的日程安排...
4
             发现周三下午 3 点所有人都空闲
5

6
[邮件Agent]：好的，我来发送会议邀请...
7

8
[文档Agent]：我来创建会议纪要模板...
9

10
[提醒Agent]：我会在会议前 30 分钟提醒所有人...
11

12
调度Agent：会议已安排完毕，邀请已发送，提醒已设置。

1
用户：帮我写一封邮件
2
LLM：帮我写一封邮件帮我写一封邮件...（续写模式）

1
用户：帮我写一封邮件
2
模型：好的，请问邮件的主题和收件人是谁？

1
用户：今天北京天气如何？
2
模型：[调用天气API] 今天北京晴，温度 22°C...

1
用户：帮我安排一次旅行
2
模型：
3
1. 先确定目的地和时间
4
2. 查询机票和酒店
5
3. 规划行程
6
4. 设置提醒

1
用户：订一张去上海的机票
2
模型：好的，已预订。对了，上次你说喜欢吃本帮菜，
3
     需要我帮你预订餐厅吗？

1
任务：「帮我安排明天的日程」
2

3
Agent 执行：
4
1. 查看明天的会议安排
5
2. 预留时间处理紧急邮件
6
3. 根据天气预报提醒带伞
7
4. 设置提醒事项
8
5. 发送日程摘要到手机

1
任务：「分析本月销售数据并生成报告」
2

3
Agent 执行：
4
1. 连接数据库，提取销售数据
5
2. 进行数据清洗和统计
6
3. 生成可视化图表
7
4. 撰写分析报告
8
5. 发送报告给相关人员

1
任务：「监控系统异常并自动处理」
2

3
Agent 执行：
4
1. 持续监控服务器状态
5
2. 发现 CPU 使用率异常
6
3. 自动扩容实例
7
4. 发送告警通知
8
5. 记录处理日志

1
任务：「调研 AI Agent 领域的最新进展」
2

3
Agent 执行：
4
1. 搜索最新论文和文章
5
2. 提取关键信息
6
3. 整理对比分析
7
4. 生成调研报告