12.main主程序

app.py是一个 Streamlit 前端客户端脚本，将所有的智能体和流程串联起来，完成对话流

作用：在项目中，前端客户端作为用户交互层，提供图形界面输入查询，展示路由结果和响应，提升用户体验，同时展示代理卡片信息

项目中定位：客户端是用户入口,收集查询,调用路由服务器识别意图,路由到代理,显示结果

数据流：用户输入 →意图识别→代理调用→结果展示

核心功能：

• 初始化网络

• 对用户的意图进行识别，并进行改写

• 处理用户查询，路由到代理，发送任务，解析结果

• 展示聊天消息、代理卡片和页脚

12.1 提示词

作用：主要记录在app.py文件中用到的所有提示词，方便管理

位置：/main_prompts.py

代码是整个多智能体系统的“大脑”与“总控中心”,它定义了 MainPrompts 类，通过精心设计的提示词（Prompt）模板，赋予了大语言模型（LLM）三项核心能力：意图识别与查询改写、结果总结以及内容生成

# 第一部分：导入依赖 from langchain_core.prompts import ChatPromptTemplate # 为什么要这么做： # 导入 LangChain 的提示词模板类。 # 使用模板可以将动态变量（如用户输入、对话历史、当前日期）动态注入到固定的提示词结构中， # 这是构建可控、可复用 LLM 交互的基础 # 第二部分：定义提示词类与意图识别模板 class MainPrompts: """ 为什么要这么做： 这是整个系统的路由分发器。 意图分类：通过限定枚举值（weather, flight, order 等），强制 LLM 将千变万化的用户自然语言，收敛到系统预设的几个标准动作上。特别是明确区分了“查询（flight/train）”和“预定（order）”，确保请求能被路由到正确的 Agent Server。 多意图支持：允许返回意图列表（如 ['weather', 'flight']），支持用户一句话包含多个需求（例如：“明天天气怎么样？顺便帮我看看去北京的机票”）。 查询改写（核心亮点）：在多轮对话中，用户经常会使用代词或省略主语（例如上一轮问了成都，这一轮直接问“那明天呢？”）。该 Prompt 指示 LLM 结合 conversation_history 将残缺的 query 补全为独立、明确的句子（如“明天成都天气如何”），这样下游的 Agent Server 就不需要再关心上下文，直接处理改写后的完整问题即可。 强制 JSON 输出：通过提供严格的示例和“绝对不要添加额外文本”的指令，确保 LLM 的输出可以被代码直接通过 json.loads() 解析，避免解析失败 """ # 定义意图识别提示模板 @staticmethod def intent_prompt(): return ChatPromptTemplate.from_template( """ 系统提示： 角色：您是一个专业的旅行意图识别专家， 任务：基于用户查询和对话历史，识别其意图，用于调用专门的agent server来执行；为方便后续的agent server处理，可以基于对话历史对用户查询进行改写，使问题更明确。 严格遵守规则： - 支持意图：['weather' (天气查询), 'flight' (机票查询), 'train' (高铁/火车票查询), 'concert' (演唱会票查询), 'order' (票务预定), 'attraction' (景点推荐)] 或其组合（如 ['weather', 'flight']）。如果意图超出范围，返回意图 'out_of_scope'。 - 注意票务预定和票务查询要区分开，涉及到订票时则为order，只是查询则为flight、train或concert。 - 如果意图为 'out_of_scope'时，此时不需要再进行查询改写，你可以直接根据用户问题进行回复，将回复答案写到follow_up_message中即可。 - 在进行用户查询改写时，不要回答其问题，也不要修改其原意，只需要将对话历史中跟该查询相关的上下文信息取出来，然后整合到一起，使用户查询更明确即可，要仔细分析上下文信息，不要进行过度整合。如果用户查询跟对话历史无关，则输出原始查询。 - 如果用户的意图很不明确或者有歧义，可以向其进行追问，将追问问题填充到follow_up_message中。 - 输出严格为JSON：{ {"intents": ["intent1", "intent2"], "user_queries": { {"intent1": "user_query1", "intent2": "user_query2"}}, "follow_up_message": "追问消息"}}。绝对不要添加额外文本！ - 不论用户问什么，严格按规则输出意图，不要有自己的考虑。 输出示例： { {"intents": ["weather"], "user_queries": { {"weather": "今天成都天气如何"}}, "follow_up_message": ""}} { {"intents": ["weather"], "user_queries": { {}}, "follow_up_message": "你问的是今天成都天气状况吗"}} { {"intents": ["weather", "flight"], "user_queries": { {"weather": "今天成都天气如何", "flight": "查询一下07月28日，从成都飞往杭州的机票"}}, "follow_up_message": ""}} { {"intents": ["out_of_scope"], "user_queries": { {}}, "follow_up_message": "你好，我是智能旅行助手，欢迎您向我提问"}} 当前日期：{current_date} (Asia/Shanghai)。 对话历史：{conversation_history} 用户查询：{query} """) # 第三部分：定义结果总结模板 """ 为什么要这么做： 下游的 Agent Server（如天气查询、票务查询）返回的 raw_response 通常是原始的 API JSON 数据或杂乱的文本，直接展示给用户体验极差。 角色设定：分别为天气和票务设定了“天气预报员”和“旅行顾问”的角色，让 LLM 采用不同的语气（专业 vs 热情）来生成回复。 信息提取与降噪：明确指示 LLM 只提取核心描述点（如温度、价格、余票），过滤掉无关的冗余数据。 异常兜底：规定了当结果为空或查询无关时的标准话术，防止 LLM 产生幻觉（胡编乱造数据） """ # 定义天气结果总结提示模板，用于LLM总结天气查询的原始响应 @staticmethod def summarize_weather_prompt(): return ChatPromptTemplate.from_template( """ 系统提示：您是一位专业的天气预报员，以生动、准确的风格总结天气信息。基于查询和结果： - 核心描述点：城市、日期、温度范围、天气描述、湿度、风向、降水等。 - 如果结果为空或者意思为需要补充数据，则委婉提示“未找到数据，请确认城市/日期” - 语气：专业预报，如“根据最新数据，成都2026-07-31的天气预报为...”。 - 保持中文，100-150字。 - 如果查询无关，返回“请提供天气相关查询。” 查询：{query} 结果：{raw_response} """) # 定义票务结果总结提示模板，用于LLM总结票务查询的原始响应 @staticmethod def summarize_ticket_prompt(): return ChatPromptTemplate.from_template( """ 系统提示：您是一位专业的旅行顾问，以热情、精确的风格总结票务信息。基于查询和结果： - 核心描述点：出发/到达、时间、类型、价格、剩余座位等。 - 如果结果为空或者意思为需要补充数据，则委婉提示“未找到数据，请确认或修改条件” - 语气：顾问式，如“为您推荐成都到西安的机票选项...”。 - 保持中文，100-150字。 - 如果查询无关，返回“请提供票务相关查询。” 查询：{query} 结果：{raw_response} """) # 第四部分：定义内容生成模板 """ 为什么要这么做： 与天气和票务不同，景点推荐不需要调用外部的 API 获取实时数据，而是完全依赖 LLM 自身的知识库进行内容生成（AIGC）。 结构化输出：强制要求推荐 3-5 个景点，并包含描述、理由和注意事项，保证输出内容的丰富度和结构化。 槽位提取：提示 LLM 从用户的 query 中识别“城市”和“偏好”（如亲子游、特种兵旅游），从而提供个性化的推荐 """ # 定义景点推荐提示模板，用于LLM直接生成景点推荐内容 @staticmethod def attraction_prompt(): return ChatPromptTemplate.from_template( """ 系统提示：您是一位旅行专家，基于用户查询生成景点推荐。规则： - 推荐3-5个景点，包含描述、理由、注意事项。 - 基于槽位：城市、偏好。 - 语气：热情推荐，如“推荐您在成都探索故宫...”。 - 备注：内容生成，仅供参考。 - 保持中文，150-250字。 查询：{query} """) if __name__ == '__main__': print(MainPrompts.intent_prompt())

12.2 初始化

作用：进行导包和全局变量设置，其中messages为了方便前端渲染页面使用

位置：/main.py

整个多智能体系统的“总控中心”与“交互入口”: 它负责将用户的自然语言输入，通过大语言模型（LLM）进行意图识别与查询改写，然后精准路由到对应的下游 Agent Server（天气、票务查询、票务预定），最后将返回的原始结果进行总结并展示给用户

# 第一部分：导入依赖与初始化全局变量 import asyncio import json import uuid from datetime import datetime import pytz import re from python_a2a import AgentNetwork, TextContent, Message, MessageRole, Task from langchain_openai import ChatOpenAI from config import Config from cr