尧图网站建设 
前阵子刷到 Google AI Mode 更新机票价格追踪与酒店预订功能的消息不少人第一反应是“AI 搜索终于开始管落地的事了”。以前我们用搜索引擎查机票、比酒店本质还是“拿到一堆链接自己点开看”现在 AI 模式能直接拆解需求、盯住价格变化、甚至把预订流程串起来。这个方向对做搜索产品、AI Agent、旅游服务平台的技术同学都有参考价值。今天这篇文章不打算只停留在新闻层面而是从功能拆解、技术原理、数据模型、本地模拟实现几个角度来完整还原这套能力背后的设计思路读完你可以照着把原型跑起来。1. 背景AI 搜索正在从“找信息”变成“办事情”1.1 传统搜索与 AI 行动的差别传统搜索引擎的工作方式可以概括为“召回 排序”。你输入“北京到上海机票”搜索引擎根据关键词匹配出大量网页再由你人工完成比价、选航班、跳转到第三方平台下单。整个过程里搜索引擎只负责“导航”不负责“理解”和“执行”。Google AI Mode 的定位则是“AI 代理式搜索”。它不只是给链接而是尝试直接回答完整问题并且在涉及具体任务时把任务拆成步骤去执行。机票价格追踪和酒店预订是 AI Mode 从“回答型”走向“行动型”的两个典型场景。价格追踪意味着系统具备时间维度上的数据监控能力酒店预订意味着系统具备服务闭环能力。1.2 为什么先做机票和酒店机票和酒店天然适合 AI 代理介入原因有三个信息结构化程度高航班号、日期、价格、舱位、酒店房型、入住退房日期都是标准字段。决策链路长用户通常要反复比价、关注价格波动、确认退改政策。预订动作明确与“搜资料写文章”不同买票订房的终端动作是明确的交易行为。所以Google 选择在这两个场景上落地 AI 行动能力既有用户价值也有技术上的可行性基础。1.3 本文你能获得什么理解 Google AI Mode 新增功能的定位与产品逻辑。掌握价格追踪系统的数据模型与实现思路。掌握酒店预订流程中 AI 参数抽取、校验、确认闭环的设计方式。用 Python 独立实现一个简化版“机票价格追踪 酒店预订助手”原型。获得一套可以直接复用的工程排错清单。2. 功能拆解价格追踪与酒店预订分别做了什么2.1 机票价格追踪的核心能力机票价格追踪不是简单地把价格抓下来存库它包含一整套完整链路。第一是意图识别。当用户输入“帮我盯一下下个月去成都的机票低于 800 元提醒我”AI 需要识别出几个关键参数目的地成都、时间下个月、价格阈值 800 元。这类表达不像传统搜索关键词它更像一个“带条件的任务描述”。所以自然语言理解能力是整条链路的第一步。第二是持续监控。系统需要按照一定频率去查询指定日期区间的机票价格并保存历史快照。因为机票价格随时波动只有保存历史数据才能判断“现在价格是涨了还是跌了”。第三是条件触发。当价格低于用户设定的阈值时系统通过通知渠道推送提醒。这里面要考虑提醒频率控制不能每五分钟一条把用户轰炸到关通知。业界常见做法是引入“冷却时间”和“状态变更触发”只有价格状态发生变化时才通知一次。第四是数据可视化。价格趋势图是帮助用户判断“现在该不该买”的重要依据。很多用户不是等最低价而是等一个相对低位。2.2 酒店预订的核心能力酒店预订链路更长因为它最终要产生交易。AI 不是替代用户点“确认支付”而是把选择商品、填写信息、确认订单所有前置环节自动化。具体流程如下条件解析解析入住城市、入住日期、退房日期、房型、人数、价格区间。候选推荐根据条件从房源池筛选候选酒店并按评分、价格、距离排序。信息核验检查房型在入住日期区间内的可订状态。订单预填写把用户姓名、联系方式、入住人信息填入订单表单。用户确认AI 生成订单摘要用户确认后提交。支付与出票对接支付渠道完成支付生成确认单。值得强调的是Google 的做法并不是让 AI 完全替代用户做决定。在整个链路中“用户确认”环节极其重要尤其是在涉及金钱交易的场景。AI 负责把繁琐的填表、比对、筛选工作做完但最终的下单动作仍然保留人工确认。2.3 两个功能的共性架构把两个功能拆开看会发现它们共享一套底层架构模块职责对应功能用户意图解析层把自然语言转为结构化参数机票追踪、酒店预订共用数据聚合层对接机票/酒店数据源清洗标准化价格查询、房源查询策略引擎层阈值判断、排序规则、推荐策略降价提醒、酒店推荐执行闭环层生成提醒、创建订单、处理确认通知推送、订单提交用户确认层给用户展示摘要并等待确认订单确认页面3. 技术原理AI 如何理解“帮我盯机票”这句话3.1 从自然语言到结构化参数这是整个功能最关键的部分。用户一句话里包含多个维度的信息AI 要把它们准确抽取出来。来看一个例子用户输入帮我看看下个月 5 号到 8 号去杭州的酒店预算 500 以内最好是西湖附近有大床房。AI 需要解析成结构化对象{ intent: hotel_booking, city: 杭州, check_in: 2025-06-05, check_out: 2025-06-08, budget_max: 500, location_hint: 西湖附近, room_type: 大床房 }这个环节在技术实现上有两种主流路线基于大模型直接抽取把用户输入和预定义的 JSON Schema 一起发给大模型让模型返回 JSON。这种方法灵活度高但需要做好输出格式校验。基于意图分类 槽位填充先用分类模型判断意图是“订酒店”还是“查机票”再用实体识别模型抽取时间、地点、价格。这种方案更可控但需要训练数据。在实际产品中Google 更可能是“大模型为主 规则为辅”的混合架构。大模型负责理解规则负责兜底。比如当模型抽取的日期格式不合法时规则层直接拦截纠正。3.2 价格追踪系统的数据闭环价格追踪本质上是一个定时任务系统 数据仓库。数据流如下数据源(航司/代理) → 数据采集任务 → 原始价格表 → 清洗去重 → 价格历史表 → 阈值判断 → 通知服务这里的关键是价格历史表的设计。如果只保存当前价格就无法回答“最近几天价格走势如何”这类问题。价格历史表需要记录每次采集的快照包括航班号、日期、采集时间、价格、舱位、余票数量。3.3 AI Mode 与普通搜索的交互差异在普通搜索里用户搜完“杭州酒店”就结束了后续筛选是用户自己打开网页做的。AI Mode 则把交互拆成“对话式 任务式”用户可以说“预算再降一点”AI 会基于上一次结果重新筛选而不是像传统搜索那样重新输入关键词。这种交互方式的变化对后端系统提出了更高的要求。每一轮对话都可能带着上一轮的上下文系统需要维护一个会话状态比如用户刚才选中的酒店、设定的价格阈值、已经排除的航班。如果状态管理做不好很容易出现“用户说便宜一点AI 报了更贵的酒店”这种低级错误。4. 本地实战用 Python 实现一个价格追踪与酒店预订助手理论讲了不少下面进入动手环节。我们用 Python 构建一个简化版原型系统包含自然语言参数解析、价格追踪、阈值触发、酒店预订模拟。代码以教学演示为目标真实生产环境还需要接入实际数据源和支付渠道。4.1 项目结构ai-travel-assistant/ ├── main.py # 主程序入口 ├── intent_parser.py # 意图与参数解析 ├── price_tracker.py # 价格追踪器 ├── hotel_booking.py # 酒店预订流程 ├── models.py # 数据模型定义 ├── mock_data.py # 模拟数据源 └── requirements.txt # 依赖文件4.2 环境准备Python 3.9 及以上版本无需额外安装第三方库使用标准库即可运行创建一个虚拟环境python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate4.3 定义数据模型首先定义价格追踪和酒店的数据结构。这里采用简单的 Python 类便于演示。真实系统建议使用数据库表保存。# 文件路径ai-travel-assistant/models.py from dataclasses import dataclass, field from datetime import datetime, date from typing import List, Optional dataclass class FlightPrice: 机票价格记录 flight_no: str depart_city: str arrive_city: str depart_date: date price: float cabin_class: str remaining_seats: int captured_at: datetime field(default_factorydatetime.now) dataclass class PriceAlert: 价格提醒规则 user_id: str depart_city: str arrive_city: str depart_date: date threshold_price: float is_active: bool True last_notified_price: Optional[float] None dataclass class Hotel: 酒店信息 hotel_id: str name: str city: str address: str rating: float price_per_night: float room_type: str available: bool True dataclass class BookingRequest: 预订请求 hotel_id: str check_in: date check_out: date guest_name: str phone: str room_type: str dataclass class BookingResult: 预订结果 order_id: str hotel: Hotel check_in: date check_out: date total_price: float guest_name: str status: str # pending / confirmed / cancelled created_at: datetime field(default_factorydatetime.now)数据模型是整个系统的基础。在设计时需要明确几个要点captured_at字段记录了价格采集时间这使得我们可以分析一天内价格波动。last_notified_price字段用于避免重复通知只有当价格低于上次通知值时才触发提醒。status字段表示预订状态真实系统中还会包含支付状态、退款状态等。4.4 模拟数据源由于我们无法直接调用真实机票和酒店接口这里用 mock 数据源来模拟外部数据。# 文件路径ai-travel-assistant/mock_data.py import random from datetime import date, timedelta from models import FlightPrice, Hotel def generate_flight_prices(source: str 北京, target: str 上海) - list: 模拟生成未来 7 天的航班价格 flights [] airlines [CA, MU, CZ, HU] random.seed(42) for i in range(7): depart_date date.today() timedelta(daysi 1) for j in range(3): flight_no f{random.choice(airlines)}{random.randint(1000, 9999)} price round(random.uniform(500, 1600), 2) # 模拟价格随日期临近而升高 if i 2: price * 1.2 elif i 5: price * 0.85 flights.append( FlightPrice( flight_noflight_no, depart_citysource, arrive_citytarget, depart_datedepart_date, priceround(price, 2), cabin_class经济舱, remaining_seatsrandom.randint(0, 30), ) ) return flights def generate_hotels(city: str 杭州) - list: 模拟生成酒店列表 hotels [] names [西湖大酒店, 钱江新城商务酒店, 武林广场精选酒店, 西溪湿地度假酒店, 滨江科技园酒店] random.seed(100) for i, name in enumerate(names): hotels.append( Hotel( hotel_idfH{100 i}, namename, citycity, addressf{city}市某某区某某路 {i 1} 号, ratinground(random.uniform(3.5, 5.0), 1), price_per_nightround(random.uniform(300, 900), 2), room_type大床房, availableTrue, ) ) return hotels4.5 意图与参数解析意图解析是 AI 助手的核心入口。真实场景中会用大模型或专门的 NLP 模型这里用一个基于规则的关键词解析器来模拟效果。# 文件路径ai-travel-assistant/intent_parser.py import re from dataclasses import dataclass from datetime import date, timedelta from typing import Optional dataclass class ParsedIntent: 解析后的意图结构 intent: str # flight_tracking / hotel_booking depart_city: Optional[str] None arrive_city: Optional[str] None date_str: Optional[str] None threshold_price: Optional[float] None hotel_city: Optional[str] None check_in: Optional[date] None check_out: Optional[date] None budget: Optional[float] None room_type: Optional[str] None def parse_intent(text: str) - ParsedIntent: 将用户输入解析为结构化意图 result ParsedIntent(intentunknown) # 判断意图 if 机票 in text or 航班 in text or (价格 in text and 追踪 in text): result.intent flight_tracking elif 酒店 in text or (住宿 in text) or (订房 in text): result.intent hotel_booking # 抽取城市 city_pattern r从(.?)到(.?)[,]|去(.?)[,\s]|在(.?)[,\s] city_match re.search(city_pattern, text) if city_match: if city_match.group(1) and city_match.group(2): result.depart_city city_match.group(1).strip() result.arrive_city city_match.group(2).strip() elif city_match.group(3): result.arrive_city city_match.group(3).strip() # 抽取价格阈值 price_match re.search(r(\d)\s*元, text) if price_match: price_value float(price_match.group(1)) if result.intent flight_tracking: result.threshold_price price_value else: result.budget price_value # 抽取日期 # 支持下个月5号6月10日明天后天等格式 today date.today() if 明天 in text: result.check_in today timedelta(days1) elif 后天 in text: result.check_in today timedelta(days2) elif 下个月 in text: # 简化处理取当前月份1的同一天 month today.month 1 if today.month 12 else 1 year today.year if today.month 12 else today.year 1 day_match re.search(r下个月(\d)号, text) day int(day_match.group(1)) if day_match else 1 result.check_in date(year, month, day) else: date_match re.search(r(\d)月(\d)日, text) if date_match: result.check_in date(today.year, int(date_match.group(1)), int(date_match.group(2))) # 抽取房型 if 大床房 in text: result.room_type 大床房 elif 双床房 in text: result.room_type 双床房 # 处理入住退房 if result.intent hotel_booking and result.check_in: # 默认住 2 晚 result.check_out result.check_in timedelta(days2) return result上述代码使用了正则表达式进行基础抽取覆盖了常见表达。真实项目中这种规则方式在处理复杂句式时准确率有限更推荐的做法是将大模型输出与规则校验结合。大模型负责“理解”规则层负责“校验和修正”。4.6 价格追踪器价格追踪器负责周期性检查价格并在满足条件时触发通知。# 文件路径ai-travel-assistant/price_tracker.py import time from datetime import datetime from typing import List from mock_data import generate_flight_prices from models import FlightPrice, PriceAlert class PriceTracker: 价格追踪器 def __init__(self): self.alerts [] self.price_history: List[FlightPrice] [] def create_alert(self, alert: PriceAlert) - None: 创建价格提醒规则 self.alerts.append(alert) print(f[提醒] 已创建价格提醒{alert.depart_city} → {alert.arrive_city} f日期 {alert.depart_date}阈值 {alert.threshold_price} 元) def track_once(self) - None: 执行一次价格检查 if not self.alerts: return for alert in self.alerts: if not alert.is_active: continue # 模拟查询当前价格 flights generate_flight_prices(alert.depart_city, alert.arrive_city) target_flights [ f for f in flights if f.depart_date alert.depart_date ] if not target_flights: continue # 取最低价 cheapest min(target_flights, keylambda x: x.price) self.price_history.append(cheapest) # 判断是否触发 if cheapest.price alert.threshold_price: # 如果上次通知过且价格没变化不再重复通知 if alert.last_notified_price is None or cheapest.price alert.last_notified_price: self._send_notification(alert, cheapest) alert.last_notified_price cheapest.price def _send_notification(self, alert: PriceAlert, flight: FlightPrice) - None: 发送降价通知 print( * 50) print(降价提醒) print(f航班{flight.flight_no}) print(f航线{alert.depart_city} → {alert.arrive_city}) print(f日期{flight.depart_date}) print(f价格{flight.price} 元) print(f余票{flight.remaining_seats} 张) print( * 50) def run_loop(self, interval_seconds: int 60, max_rounds: int 3) - None: 循环执行价格追踪 for i in range(max_rounds): print(f\n 第 {i 1} 轮检查{datetime.now()} ) self.track_once() if i max_rounds - 1: time.sleep(interval_seconds)核心逻辑在track_once方法中这里体现了三个设计要点每次检查都重新拉取最新价格与历史价格快照对比。通知触发条件采用了last_notified_price判断避免重复提醒。使用is_active字段支持用户手动关闭提醒。4.7 酒店预订流程酒店预订流程需要模拟从筛选到下单确认的完整闭环。# 文件路径ai-travel-assistant/hotel_booking.py import uuid from datetime import datetime from typing import List, Optional from mock_data import generate_hotels from models import BookingRequest, BookingResult, Hotel class HotelBookingService: 酒店预订服务 def __init__(self): self.hotels: List[Hotel] [] self.orders: List[BookingResult] [] def load_hotels(self, city: str) - List[Hotel]: 加载指定城市的酒店列表 self.hotels generate_hotels(city) print(f已加载 {city} 共 {len(self.hotels)} 家酒店) return self.hotels def search_hotels( self, city: str, budget: Optional[float] None, room_type: Optional[str] None, keyword: Optional[str] None, ) - List[Hotel]: 根据条件筛选酒店 self.load_hotels(city) results [] for hotel in self.hotels: # 预算过滤 if budget and hotel.price_per_night budget: continue # 房型过滤 if room_type and hotel.room_type ! room_type: continue # 关键字过滤 if keyword and keyword not in hotel.address and keyword not in hotel.name: continue results.append(hotel) # 按评分降序 results.sort(keylambda h: h.rating, reverseTrue) return results def create_booking(self, request: BookingRequest) - BookingResult: 创建订单 # 查找酒店 hotel next((h for h in self.hotels if h.hotel_id request.hotel_id), None) if not hotel: raise ValueError(f酒店不存在{request.hotel_id}) if not hotel.available: raise ValueError(f酒店 {hotel.name} 当前不可预订) # 计算总价 nights (request.check_out - request.check_in).days if nights 0: raise ValueError(退房日期必须晚于入住日期) total_price hotel.price_per_night * nights # 生成订单 order BookingResult( order_idfORD{datetime.now().strftime(%Y%m%d%H%M%S)}{uuid.uuid4().hex[:4]}, hotelhotel, check_inrequest.check_in, check_outrequest.check_out, total_priceround(total_price, 2), guest_namerequest.guest_name, statuspending, ) self.orders.append(order) return order def confirm_booking(self, order_id: str) - BookingResult: 模拟用户确认 order next((o for o in self.orders if o.order_id order_id), None) if not order: raise ValueError(f订单不存在{order_id}) order.status confirmed return order def preview_booking(self, request: BookingRequest) - dict: 生成订单预览供用户确认 hotel next((h for h in self.hotels if h.hotel_id request.hotel_id), None) if not hotel: raise ValueError(f酒店不存在{request.hotel_id}) nights (request.check_out - request.check_in).days total_price hotel.price_per_night * nights return { hotel_name: hotel.name, address: hotel.address, rating: hotel.rating, check_in: str(request.check_in), check_out: str(request.check_out), nights: nights, price_per_night: hotel.price_per_night, total_price: round(total_price, 2), room_type: request.room_type, guest_name: request.guest_name, }这个服务类中create_booking创建的是pending状态订单需要调用confirm_booking才能变为confirmed。这模拟了真实预订中的“用户最终确认”环节避免 AI 直接代替用户下单。4.8 主程序串联现在把上述模块串起来形成一个可交互的命令行程序。# 文件路径ai-travel-assistant/main.py from datetime import date, timedelta from hotel_booking import HotelBookingService from intent_parser import parse_intent from models import PriceAlert from price_tracker import PriceTracker def demo_flight_tracking(): 演示机票价格追踪 print(\n 场景机票价格追踪 ) text 帮我追踪从北京到上海的机票低于 800 元提醒我 intent parse_intent(text) if intent.intent ! flight_tracking: print(意图解析失败) return tracker PriceTracker() # 创建一个价格提醒追踪明天北京到上海的机票 alert PriceAlert( user_iduser001, depart_cityintent.depart_city or 北京, arrive_cityintent.arrive_city or 上海, depart_datedate.today() timedelta(days1), threshold_priceintent.threshold_price or 800, ) tracker.create_alert(alert) # 执行一轮检查 tracker.track_once() def demo_hotel_booking(): 演示酒店预订 print(\n 场景酒店预订 ) text 帮我找杭州西湖附近500元以内的大床房 intent parse_intent(text) if intent.intent ! hotel_booking: print(意图解析失败) return service HotelBookingService() hotels service.search_hotels( cityintent.hotel_city or 杭州, budgetintent.budget, room_typeintent.room_type, keyword西湖 if 西湖 in text else None, ) print(f\n找到 {len(hotels)} 家符合条件的酒店) for idx, hotel in enumerate(hotels, 1): print(f{idx}. {hotel.name} | 评分 {hotel.rating} | {hotel.price_per_night} 元/晚 | {hotel.address}) if not hotels: print(没有符合条件的酒店请调整条件) return # 选择第一家模拟预订 selected hotels[0] request_data { hotel_id: selected.hotel_id, check_in: date.today() timedelta(days3), check_out: date.today() timedelta(days5), guest_name: 张三, phone: 13800138000, room_type: selected.room_type, } # 先预览 preview service.preview_booking(type(Req, (), request_data)()) print(\n订单预览) for key, value in preview.items(): print(f {key}: {value}) # 创建订单 from models import BookingRequest request BookingRequest(**request_data) order service.create_booking(request) print(f\n订单已创建待确认{order.order_id}) # 用户确认 confirmed service.confirm_booking(order.order_id) print(f订单已确认{confirmed.order_id}) print(f状态{confirmed.status}) if __name__ __main__: print() print(AI 旅行助手演示系统) print() demo_flight_tracking() demo_hotel_booking()4.9 运行与结果在终端运行python main.py预期输出效果如下 AI 旅行助手演示系统 场景机票价格追踪 [提醒] 已创建价格提醒北京 → 上海日期 2025-06-28阈值 800 元 降价提醒 航班MU3842 航线北京 → 上海 日期2025-06-28 价格768.25 元 余票5 张 场景酒店预订 已加载 杭州 共 5 家酒店 找到 1 家符合条件的酒店 1. 西湖大酒店 | 评分 4.7 | 468.0 元/晚 | 杭州市某某区某某路 1 号 订单预览 hotel_name: 西湖大酒店 address: 杭州市某某区某某路 1 号 rating: 4.7 check_in: 2025-06-30 check_out: 2025-07-02 nights: 2 price_per_night: 468.0 total_price: 936.0 room_type: 大床房 guest_name: 张三 订单已创建待确认ORD20250627123045a3f1 订单已确认ORD20250627123045a3f1 状态confirmed由于使用的是 mock 数据每次运行价格可能不同这符合真实场景中价格波动的特点。你还可以在PriceTracker的run_loop方法中传入不同参数模拟多轮价格监控的效果。5. 数据模型与可靠性设计从 Demo 到可用系统5.1 数据库表设计思路Demo 中使用了 Python 对象保存数据但在真实产品中这些数据需要落库。这里给出一个参考表结构。价格历史表CREATE TABLE flight_price_history ( id BIGINT PRIMARY KEY AUTO_INCREMENT, flight_no VARCHAR(20) NOT NULL, depart_city VARCHAR(50) NOT NULL, arrive_city VARCHAR(50) NOT NULL, depart_date DATE NOT NULL, price DECIMAL(10,2) NOT NULL, cabin_class VARCHAR(20), remaining_seats INT, captured_at DATETIME NOT NULL, INDEX idx_depart_date (depart_date), INDEX idx_captured_at (captured_at) );价格提醒表CREATE TABLE price_alert ( id BIGINT PRIMARY KEY AUTO_INCREMENT, user_id VARCHAR(64) NOT NULL, depart_city VARCHAR(50) NOT NULL, arrive_city VARCHAR(50) NOT NULL, depart_date DATE NOT NULL, threshold_price DECIMAL(10,2) NOT NULL, is_active TINYINT DEFAULT 1, last_notified_price DECIMAL(10,2), created_at DATETIME DEFAULT CURRENT_TIMESTAMP, INDEX idx_user (user_id) );订单表CREATE TABLE hotel_order ( order_id VARCHAR(64) PRIMARY KEY, hotel_id VARCHAR(32) NOT NULL, hotel_name VARCHAR(128) NOT NULL, check_in DATE NOT NULL, check_out DATE NOT NULL, total_price DECIMAL(10,2) NOT NULL, guest_name VARCHAR(64) NOT NULL, phone VARCHAR(20) NOT NULL, status VARCHAR(20) NOT NULL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP, confirmed_at DATETIME NULL );表设计的关键点价格历史表保留每次采集快照而不是只覆盖最新价格。这样才能计算价格趋势。提醒表记录last_notified_price用于去重。订单表设置明确的状态字段status方便追踪订单生命周期。5.2 价格追踪的调度设计Demo 使用了单线程循环。生产环境中价格追踪任务更适合用分布式调度框架来管理。常见的方案有定时任务框架例如 Spring Schedule、xxl-job、ElasticJob。消息队列驱动数据源推送价格变更消息系统消费后更新价格历史。事件驱动架构当用户创建提醒时把提醒任务注册到调度中心到期触发检查。调度频率也需要合理设计。机票价格通常每小时变化一次过高频率会造成数据源压力和无效查询过低频率则可能错过价格窗口。合理做法是高峰期早上 8 点到晚上 10 点每 30 分钟检查一次低谷期每 2 小时检查一次。5.3 用户确认机制的必要性在酒店预订环节用户确认是必不可少的安全边界。AI 系统可以自动填写表单、计算价格、比较选项但“生成订单并扣款”动作必须由用户主动触发。具体实现上可以分成两阶段接口预下单接口生成订单预览返回服务端订单 token。确认接口用户携带订单 token 请求确认服务端校验 token 后完成真实下单。这种设计可以有效避免 AI 误操作导致的错误扣款。Google AI Mode 的做法也类似AI 会先给出完整的预订信息摘要用户确认后才进入支付流程。6. 常见问题与排查思路6.1 意图解析不准问题现象常见原因解决思路用户说“帮我订个房”系统识别成了查机票缺少明确意图词规则无法覆盖引入大模型意图分类规则只做兜底日期识别错误比如“下个月”解析成当月规则对相对时间表达覆盖不足使用日期解析库或者交给 LLM 处理“500 以内”没有解析为预算正则表达式未覆盖“以内”这类表述扩展正则规则或增加同义词归一化这里需要说明的是规则解析在演示场景够用但在真实产品中必须结合大模型。推荐做法是把用户输入和JSON Schema一起发给大模型让模型返回结构化结果再用规则层校验日期格式、金额范围等关键字段。一旦发现模型输出异常可以要求模型重新生成或者让用户确认。6.2 价格追踪出现重复通知问题现象常见原因解决思路价格没变化用户收到多次提醒没有记录上次通知价格增加last_notified_price字段仅在价格降低时通知价格降了又涨涨了又降提醒频繁通知策略过于灵敏增加冷却时间例如 24 小时内同类提醒不超过 1 次用户取消提醒后仍在通知通知任务未同步更新状态检查提醒任务是否引用了旧状态增加缓存失效机制生产环境建议把通知策略做成可配置项监控、提醒、取消分别走不同接口避免状态不一致。6.3 酒店预订结果与预期不符问题现象常见原因解决思路用户选了大床房订单显示双床房参数传递错误在订单预览中展示完整房型信息二次确认总价计算错误退房日期计算逻辑有误统一使用“退房日期 - 入住日期”计算晚数并做单测用户确认前酒店已被订完库存实时性差在确认接口中重新校验库存提示用户换房型预订场景的可靠性和用户体验同等重要宁可多一步确认也不要出现下单后无法入住的情况。7. 工程实践与安全边界建议7.1 日志与监控价格追踪系统是典型的“低频高价值”服务用户可能几天才收到一次通知但每次通知都必须准确。建议日志记录以下内容每次价格采集的原始响应和解析结果。触发通知时的完整上下文包括航班号、价格、用户ID。用户确认预订时的操作日志。异常情况比如数据源超时、返回异常数据、支付失败。通过这些日志可以快速定位“为什么用户没收到提醒”或者“为什么用户收到了错误提醒”。7.2 API 设计原则无论是对接真实数据源还是开放能力给前端API 设计都要遵循最小化原则。以前面例子为例创建提醒接口POST /api/v1/alerts查询价格历史GET /api/v1/flights/history?alertIdxxx酒店搜索GET /api/v1/hotels?city杭州budget500预下单POST /api/v1/bookings/preview确认订单POST /api/v1/bookings/{orderId}/confirm接口的职责应该单一。不要把价格查询和订单创建放在同一个接口里否则后期维护和权限控制都会很麻烦。7.3 安全边界在 AI 自动化预订场景中安全是最高优先级。以下几点必须落实用户授权下单、支付前必须获得用户明确授权。数据安全用户手机号、身份证号等敏感信息需要加密存储日志中不得打印明文。风控机制对频繁修改提醒、批量预订、异常时段操作进行风控识别。事务一致性创建订单到支付确认之间要保证订单状态一致避免超卖。最小权限AI 系统只能访问当前用户授权的资源不能越权查看他人的订单。7.4 从 AI 搜索到 AI 服务的转化对开发者来说Google AI Mode 这次更新的最大价值是把“信息获取”和“服务执行”打通了。如果你在做一个类似的产品可以从单点能力开始例如先做“价格提醒”这样闭环较短的功能验证用户需求后再扩展到预订、支付等长链路。不要一开始就设计一个无所不能的 AI 助手控制边界才能保证质量。8. 总结与后续学习方向本文从 Google AI Mode 新增的机票价格追踪与酒店预订功能展开拆解了 AI 搜索走向 AI 行动的产品逻辑。我们分析了“意图解析 → 数据聚合 → 策略判断 → 执行闭环”这条核心链路并用 Python 实现了一个演示系统。你可以运行 main.py 看到价格提醒触发、酒店搜索、订单预览、用户确认的完整流程。如果要继续深入建议关注以下几个方向大模型指令微调针对航班、酒店场景做意图识别和参数抽取的专项调优。实时数据管道学习 Flink、Kafka 等流处理技术实现秒级价格监控。交易系统设计研究订单状态机、支付回调、幂等设计这是 AI 代理做交易的关键。多轮对话状态管理掌握如何维护用户上下文实现“预算再降一点”这类连续交互。在实际项目中最优先关注的一定是用户确认机制和数据准确性。AI 可以帮你省掉大量查询和填写的时间但任何涉及钱的自动化操作都必须把安全边界放在第一位。建议你在本地运行一遍本文的代码亲手看看价格追踪和订单确认的完整流程再思考如何把这些思路应用到自己的项目里。如果这篇文章对你有帮助可以收藏备用。后面有新的实践进展我会继续补充。 AI搜索到AI行动：机票价格追踪与酒店预订技术拆解
前阵子刷到 Google AI Mode 更新机票价格追踪与酒店预订功能的消息不少人第一反应是“AI 搜索终于开始管落地的事了”。以前我们用搜索引擎查机票、比酒店本质还是“拿到一堆链接自己点开看”现在 AI 模式能直接拆解需求、盯住价格变化、甚至把预订流程串起来。这个方向对做搜索产品、AI Agent、旅游服务平台的技术同学都有参考价值。今天这篇文章不打算只停留在新闻层面而是从功能拆解、技术原理、数据模型、本地模拟实现几个角度来完整还原这套能力背后的设计思路读完你可以照着把原型跑起来。1. 背景AI 搜索正在从“找信息”变成“办事情”1.1 传统搜索与 AI 行动的差别传统搜索引擎的工作方式可以概括为“召回 排序”。你输入“北京到上海机票”搜索引擎根据关键词匹配出大量网页再由你人工完成比价、选航班、跳转到第三方平台下单。整个过程里搜索引擎只负责“导航”不负责“理解”和“执行”。Google AI Mode 的定位则是“AI 代理式搜索”。它不只是给链接而是尝试直接回答完整问题并且在涉及具体任务时把任务拆成步骤去执行。机票价格追踪和酒店预订是 AI Mode 从“回答型”走向“行动型”的两个典型场景。价格追踪意味着系统具备时间维度上的数据监控能力酒店预订意味着系统具备服务闭环能力。1.2 为什么先做机票和酒店机票和酒店天然适合 AI 代理介入原因有三个信息结构化程度高航班号、日期、价格、舱位、酒店房型、入住退房日期都是标准字段。决策链路长用户通常要反复比价、关注价格波动、确认退改政策。预订动作明确与“搜资料写文章”不同买票订房的终端动作是明确的交易行为。所以Google 选择在这两个场景上落地 AI 行动能力既有用户价值也有技术上的可行性基础。1.3 本文你能获得什么理解 Google AI Mode 新增功能的定位与产品逻辑。掌握价格追踪系统的数据模型与实现思路。掌握酒店预订流程中 AI 参数抽取、校验、确认闭环的设计方式。用 Python 独立实现一个简化版“机票价格追踪 酒店预订助手”原型。获得一套可以直接复用的工程排错清单。2. 功能拆解价格追踪与酒店预订分别做了什么2.1 机票价格追踪的核心能力机票价格追踪不是简单地把价格抓下来存库它包含一整套完整链路。第一是意图识别。当用户输入“帮我盯一下下个月去成都的机票低于 800 元提醒我”AI 需要识别出几个关键参数目的地成都、时间下个月、价格阈值 800 元。这类表达不像传统搜索关键词它更像一个“带条件的任务描述”。所以自然语言理解能力是整条链路的第一步。第二是持续监控。系统需要按照一定频率去查询指定日期区间的机票价格并保存历史快照。因为机票价格随时波动只有保存历史数据才能判断“现在价格是涨了还是跌了”。第三是条件触发。当价格低于用户设定的阈值时系统通过通知渠道推送提醒。这里面要考虑提醒频率控制不能每五分钟一条把用户轰炸到关通知。业界常见做法是引入“冷却时间”和“状态变更触发”只有价格状态发生变化时才通知一次。第四是数据可视化。价格趋势图是帮助用户判断“现在该不该买”的重要依据。很多用户不是等最低价而是等一个相对低位。2.2 酒店预订的核心能力酒店预订链路更长因为它最终要产生交易。AI 不是替代用户点“确认支付”而是把选择商品、填写信息、确认订单所有前置环节自动化。具体流程如下条件解析解析入住城市、入住日期、退房日期、房型、人数、价格区间。候选推荐根据条件从房源池筛选候选酒店并按评分、价格、距离排序。信息核验检查房型在入住日期区间内的可订状态。订单预填写把用户姓名、联系方式、入住人信息填入订单表单。用户确认AI 生成订单摘要用户确认后提交。支付与出票对接支付渠道完成支付生成确认单。值得强调的是Google 的做法并不是让 AI 完全替代用户做决定。在整个链路中“用户确认”环节极其重要尤其是在涉及金钱交易的场景。AI 负责把繁琐的填表、比对、筛选工作做完但最终的下单动作仍然保留人工确认。2.3 两个功能的共性架构把两个功能拆开看会发现它们共享一套底层架构模块职责对应功能用户意图解析层把自然语言转为结构化参数机票追踪、酒店预订共用数据聚合层对接机票/酒店数据源清洗标准化价格查询、房源查询策略引擎层阈值判断、排序规则、推荐策略降价提醒、酒店推荐执行闭环层生成提醒、创建订单、处理确认通知推送、订单提交用户确认层给用户展示摘要并等待确认订单确认页面3. 技术原理AI 如何理解“帮我盯机票”这句话3.1 从自然语言到结构化参数这是整个功能最关键的部分。用户一句话里包含多个维度的信息AI 要把它们准确抽取出来。来看一个例子用户输入帮我看看下个月 5 号到 8 号去杭州的酒店预算 500 以内最好是西湖附近有大床房。AI 需要解析成结构化对象{ intent: hotel_booking, city: 杭州, check_in: 2025-06-05, check_out: 2025-06-08, budget_max: 500, location_hint: 西湖附近, room_type: 大床房 }这个环节在技术实现上有两种主流路线基于大模型直接抽取把用户输入和预定义的 JSON Schema 一起发给大模型让模型返回 JSON。这种方法灵活度高但需要做好输出格式校验。基于意图分类 槽位填充先用分类模型判断意图是“订酒店”还是“查机票”再用实体识别模型抽取时间、地点、价格。这种方案更可控但需要训练数据。在实际产品中Google 更可能是“大模型为主 规则为辅”的混合架构。大模型负责理解规则负责兜底。比如当模型抽取的日期格式不合法时规则层直接拦截纠正。3.2 价格追踪系统的数据闭环价格追踪本质上是一个定时任务系统 数据仓库。数据流如下数据源(航司/代理) → 数据采集任务 → 原始价格表 → 清洗去重 → 价格历史表 → 阈值判断 → 通知服务这里的关键是价格历史表的设计。如果只保存当前价格就无法回答“最近几天价格走势如何”这类问题。价格历史表需要记录每次采集的快照包括航班号、日期、采集时间、价格、舱位、余票数量。3.3 AI Mode 与普通搜索的交互差异在普通搜索里用户搜完“杭州酒店”就结束了后续筛选是用户自己打开网页做的。AI Mode 则把交互拆成“对话式 任务式”用户可以说“预算再降一点”AI 会基于上一次结果重新筛选而不是像传统搜索那样重新输入关键词。这种交互方式的变化对后端系统提出了更高的要求。每一轮对话都可能带着上一轮的上下文系统需要维护一个会话状态比如用户刚才选中的酒店、设定的价格阈值、已经排除的航班。如果状态管理做不好很容易出现“用户说便宜一点AI 报了更贵的酒店”这种低级错误。4. 本地实战用 Python 实现一个价格追踪与酒店预订助手理论讲了不少下面进入动手环节。我们用 Python 构建一个简化版原型系统包含自然语言参数解析、价格追踪、阈值触发、酒店预订模拟。代码以教学演示为目标真实生产环境还需要接入实际数据源和支付渠道。4.1 项目结构ai-travel-assistant/ ├── main.py # 主程序入口 ├── intent_parser.py # 意图与参数解析 ├── price_tracker.py # 价格追踪器 ├── hotel_booking.py # 酒店预订流程 ├── models.py # 数据模型定义 ├── mock_data.py # 模拟数据源 └── requirements.txt # 依赖文件4.2 环境准备Python 3.9 及以上版本无需额外安装第三方库使用标准库即可运行创建一个虚拟环境python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate4.3 定义数据模型首先定义价格追踪和酒店的数据结构。这里采用简单的 Python 类便于演示。真实系统建议使用数据库表保存。# 文件路径ai-travel-assistant/models.py from dataclasses import dataclass, field from datetime import datetime, date from typing import List, Optional dataclass class FlightPrice: 机票价格记录 flight_no: str depart_city: str arrive_city: str depart_date: date price: float cabin_class: str remaining_seats: int captured_at: datetime field(default_factorydatetime.now) dataclass class PriceAlert: 价格提醒规则 user_id: str depart_city: str arrive_city: str depart_date: date threshold_price: float is_active: bool True last_notified_price: Optional[float] None dataclass class Hotel: 酒店信息 hotel_id: str name: str city: str address: str rating: float price_per_night: float room_type: str available: bool True dataclass class BookingRequest: 预订请求 hotel_id: str check_in: date check_out: date guest_name: str phone: str room_type: str dataclass class BookingResult: 预订结果 order_id: str hotel: Hotel check_in: date check_out: date total_price: float guest_name: str status: str # pending / confirmed / cancelled created_at: datetime field(default_factorydatetime.now)数据模型是整个系统的基础。在设计时需要明确几个要点captured_at字段记录了价格采集时间这使得我们可以分析一天内价格波动。last_notified_price字段用于避免重复通知只有当价格低于上次通知值时才触发提醒。status字段表示预订状态真实系统中还会包含支付状态、退款状态等。4.4 模拟数据源由于我们无法直接调用真实机票和酒店接口这里用 mock 数据源来模拟外部数据。# 文件路径ai-travel-assistant/mock_data.py import random from datetime import date, timedelta from models import FlightPrice, Hotel def generate_flight_prices(source: str 北京, target: str 上海) - list: 模拟生成未来 7 天的航班价格 flights [] airlines [CA, MU, CZ, HU] random.seed(42) for i in range(7): depart_date date.today() timedelta(daysi 1) for j in range(3): flight_no f{random.choice(airlines)}{random.randint(1000, 9999)} price round(random.uniform(500, 1600), 2) # 模拟价格随日期临近而升高 if i 2: price * 1.2 elif i 5: price * 0.85 flights.append( FlightPrice( flight_noflight_no, depart_citysource, arrive_citytarget, depart_datedepart_date, priceround(price, 2), cabin_class经济舱, remaining_seatsrandom.randint(0, 30), ) ) return flights def generate_hotels(city: str 杭州) - list: 模拟生成酒店列表 hotels [] names [西湖大酒店, 钱江新城商务酒店, 武林广场精选酒店, 西溪湿地度假酒店, 滨江科技园酒店] random.seed(100) for i, name in enumerate(names): hotels.append( Hotel( hotel_idfH{100 i}, namename, citycity, addressf{city}市某某区某某路 {i 1} 号, ratinground(random.uniform(3.5, 5.0), 1), price_per_nightround(random.uniform(300, 900), 2), room_type大床房, availableTrue, ) ) return hotels4.5 意图与参数解析意图解析是 AI 助手的核心入口。真实场景中会用大模型或专门的 NLP 模型这里用一个基于规则的关键词解析器来模拟效果。# 文件路径ai-travel-assistant/intent_parser.py import re from dataclasses import dataclass from datetime import date, timedelta from typing import Optional dataclass class ParsedIntent: 解析后的意图结构 intent: str # flight_tracking / hotel_booking depart_city: Optional[str] None arrive_city: Optional[str] None date_str: Optional[str] None threshold_price: Optional[float] None hotel_city: Optional[str] None check_in: Optional[date] None check_out: Optional[date] None budget: Optional[float] None room_type: Optional[str] None def parse_intent(text: str) - ParsedIntent: 将用户输入解析为结构化意图 result ParsedIntent(intentunknown) # 判断意图 if 机票 in text or 航班 in text or (价格 in text and 追踪 in text): result.intent flight_tracking elif 酒店 in text or (住宿 in text) or (订房 in text): result.intent hotel_booking # 抽取城市 city_pattern r从(.?)到(.?)[,]|去(.?)[,\s]|在(.?)[,\s] city_match re.search(city_pattern, text) if city_match: if city_match.group(1) and city_match.group(2): result.depart_city city_match.group(1).strip() result.arrive_city city_match.group(2).strip() elif city_match.group(3): result.arrive_city city_match.group(3).strip() # 抽取价格阈值 price_match re.search(r(\d)\s*元, text) if price_match: price_value float(price_match.group(1)) if result.intent flight_tracking: result.threshold_price price_value else: result.budget price_value # 抽取日期 # 支持下个月5号6月10日明天后天等格式 today date.today() if 明天 in text: result.check_in today timedelta(days1) elif 后天 in text: result.check_in today timedelta(days2) elif 下个月 in text: # 简化处理取当前月份1的同一天 month today.month 1 if today.month 12 else 1 year today.year if today.month 12 else today.year 1 day_match re.search(r下个月(\d)号, text) day int(day_match.group(1)) if day_match else 1 result.check_in date(year, month, day) else: date_match re.search(r(\d)月(\d)日, text) if date_match: result.check_in date(today.year, int(date_match.group(1)), int(date_match.group(2))) # 抽取房型 if 大床房 in text: result.room_type 大床房 elif 双床房 in text: result.room_type 双床房 # 处理入住退房 if result.intent hotel_booking and result.check_in: # 默认住 2 晚 result.check_out result.check_in timedelta(days2) return result上述代码使用了正则表达式进行基础抽取覆盖了常见表达。真实项目中这种规则方式在处理复杂句式时准确率有限更推荐的做法是将大模型输出与规则校验结合。大模型负责“理解”规则层负责“校验和修正”。4.6 价格追踪器价格追踪器负责周期性检查价格并在满足条件时触发通知。# 文件路径ai-travel-assistant/price_tracker.py import time from datetime import datetime from typing import List from mock_data import generate_flight_prices from models import FlightPrice, PriceAlert class PriceTracker: 价格追踪器 def __init__(self): self.alerts [] self.price_history: List[FlightPrice] [] def create_alert(self, alert: PriceAlert) - None: 创建价格提醒规则 self.alerts.append(alert) print(f[提醒] 已创建价格提醒{alert.depart_city} → {alert.arrive_city} f日期 {alert.depart_date}阈值 {alert.threshold_price} 元) def track_once(self) - None: 执行一次价格检查 if not self.alerts: return for alert in self.alerts: if not alert.is_active: continue # 模拟查询当前价格 flights generate_flight_prices(alert.depart_city, alert.arrive_city) target_flights [ f for f in flights if f.depart_date alert.depart_date ] if not target_flights: continue # 取最低价 cheapest min(target_flights, keylambda x: x.price) self.price_history.append(cheapest) # 判断是否触发 if cheapest.price alert.threshold_price: # 如果上次通知过且价格没变化不再重复通知 if alert.last_notified_price is None or cheapest.price alert.last_notified_price: self._send_notification(alert, cheapest) alert.last_notified_price cheapest.price def _send_notification(self, alert: PriceAlert, flight: FlightPrice) - None: 发送降价通知 print( * 50) print(降价提醒) print(f航班{flight.flight_no}) print(f航线{alert.depart_city} → {alert.arrive_city}) print(f日期{flight.depart_date}) print(f价格{flight.price} 元) print(f余票{flight.remaining_seats} 张) print( * 50) def run_loop(self, interval_seconds: int 60, max_rounds: int 3) - None: 循环执行价格追踪 for i in range(max_rounds): print(f\n 第 {i 1} 轮检查{datetime.now()} ) self.track_once() if i max_rounds - 1: time.sleep(interval_seconds)核心逻辑在track_once方法中这里体现了三个设计要点每次检查都重新拉取最新价格与历史价格快照对比。通知触发条件采用了last_notified_price判断避免重复提醒。使用is_active字段支持用户手动关闭提醒。4.7 酒店预订流程酒店预订流程需要模拟从筛选到下单确认的完整闭环。# 文件路径ai-travel-assistant/hotel_booking.py import uuid from datetime import datetime from typing import List, Optional from mock_data import generate_hotels from models import BookingRequest, BookingResult, Hotel class HotelBookingService: 酒店预订服务 def __init__(self): self.hotels: List[Hotel] [] self.orders: List[BookingResult] [] def load_hotels(self, city: str) - List[Hotel]: 加载指定城市的酒店列表 self.hotels generate_hotels(city) print(f已加载 {city} 共 {len(self.hotels)} 家酒店) return self.hotels def search_hotels( self, city: str, budget: Optional[float] None, room_type: Optional[str] None, keyword: Optional[str] None, ) - List[Hotel]: 根据条件筛选酒店 self.load_hotels(city) results [] for hotel in self.hotels: # 预算过滤 if budget and hotel.price_per_night budget: continue # 房型过滤 if room_type and hotel.room_type ! room_type: continue # 关键字过滤 if keyword and keyword not in hotel.address and keyword not in hotel.name: continue results.append(hotel) # 按评分降序 results.sort(keylambda h: h.rating, reverseTrue) return results def create_booking(self, request: BookingRequest) - BookingResult: 创建订单 # 查找酒店 hotel next((h for h in self.hotels if h.hotel_id request.hotel_id), None) if not hotel: raise ValueError(f酒店不存在{request.hotel_id}) if not hotel.available: raise ValueError(f酒店 {hotel.name} 当前不可预订) # 计算总价 nights (request.check_out - request.check_in).days if nights 0: raise ValueError(退房日期必须晚于入住日期) total_price hotel.price_per_night * nights # 生成订单 order BookingResult( order_idfORD{datetime.now().strftime(%Y%m%d%H%M%S)}{uuid.uuid4().hex[:4]}, hotelhotel, check_inrequest.check_in, check_outrequest.check_out, total_priceround(total_price, 2), guest_namerequest.guest_name, statuspending, ) self.orders.append(order) return order def confirm_booking(self, order_id: str) - BookingResult: 模拟用户确认 order next((o for o in self.orders if o.order_id order_id), None) if not order: raise ValueError(f订单不存在{order_id}) order.status confirmed return order def preview_booking(self, request: BookingRequest) - dict: 生成订单预览供用户确认 hotel next((h for h in self.hotels if h.hotel_id request.hotel_id), None) if not hotel: raise ValueError(f酒店不存在{request.hotel_id}) nights (request.check_out - request.check_in).days total_price hotel.price_per_night * nights return { hotel_name: hotel.name, address: hotel.address, rating: hotel.rating, check_in: str(request.check_in), check_out: str(request.check_out), nights: nights, price_per_night: hotel.price_per_night, total_price: round(total_price, 2), room_type: request.room_type, guest_name: request.guest_name, }这个服务类中create_booking创建的是pending状态订单需要调用confirm_booking才能变为confirmed。这模拟了真实预订中的“用户最终确认”环节避免 AI 直接代替用户下单。4.8 主程序串联现在把上述模块串起来形成一个可交互的命令行程序。# 文件路径ai-travel-assistant/main.py from datetime import date, timedelta from hotel_booking import HotelBookingService from intent_parser import parse_intent from models import PriceAlert from price_tracker import PriceTracker def demo_flight_tracking(): 演示机票价格追踪 print(\n 场景机票价格追踪 ) text 帮我追踪从北京到上海的机票低于 800 元提醒我 intent parse_intent(text) if intent.intent ! flight_tracking: print(意图解析失败) return tracker PriceTracker() # 创建一个价格提醒追踪明天北京到上海的机票 alert PriceAlert( user_iduser001, depart_cityintent.depart_city or 北京, arrive_cityintent.arrive_city or 上海, depart_datedate.today() timedelta(days1), threshold_priceintent.threshold_price or 800, ) tracker.create_alert(alert) # 执行一轮检查 tracker.track_once() def demo_hotel_booking(): 演示酒店预订 print(\n 场景酒店预订 ) text 帮我找杭州西湖附近500元以内的大床房 intent parse_intent(text) if intent.intent ! hotel_booking: print(意图解析失败) return service HotelBookingService() hotels service.search_hotels( cityintent.hotel_city or 杭州, budgetintent.budget, room_typeintent.room_type, keyword西湖 if 西湖 in text else None, ) print(f\n找到 {len(hotels)} 家符合条件的酒店) for idx, hotel in enumerate(hotels, 1): print(f{idx}. {hotel.name} | 评分 {hotel.rating} | {hotel.price_per_night} 元/晚 | {hotel.address}) if not hotels: print(没有符合条件的酒店请调整条件) return # 选择第一家模拟预订 selected hotels[0] request_data { hotel_id: selected.hotel_id, check_in: date.today() timedelta(days3), check_out: date.today() timedelta(days5), guest_name: 张三, phone: 13800138000, room_type: selected.room_type, } # 先预览 preview service.preview_booking(type(Req, (), request_data)()) print(\n订单预览) for key, value in preview.items(): print(f {key}: {value}) # 创建订单 from models import BookingRequest request BookingRequest(**request_data) order service.create_booking(request) print(f\n订单已创建待确认{order.order_id}) # 用户确认 confirmed service.confirm_booking(order.order_id) print(f订单已确认{confirmed.order_id}) print(f状态{confirmed.status}) if __name__ __main__: print() print(AI 旅行助手演示系统) print() demo_flight_tracking() demo_hotel_booking()4.9 运行与结果在终端运行python main.py预期输出效果如下 AI 旅行助手演示系统 场景机票价格追踪 [提醒] 已创建价格提醒北京 → 上海日期 2025-06-28阈值 800 元 降价提醒 航班MU3842 航线北京 → 上海 日期2025-06-28 价格768.25 元 余票5 张 场景酒店预订 已加载 杭州 共 5 家酒店 找到 1 家符合条件的酒店 1. 西湖大酒店 | 评分 4.7 | 468.0 元/晚 | 杭州市某某区某某路 1 号 订单预览 hotel_name: 西湖大酒店 address: 杭州市某某区某某路 1 号 rating: 4.7 check_in: 2025-06-30 check_out: 2025-07-02 nights: 2 price_per_night: 468.0 total_price: 936.0 room_type: 大床房 guest_name: 张三 订单已创建待确认ORD20250627123045a3f1 订单已确认ORD20250627123045a3f1 状态confirmed由于使用的是 mock 数据每次运行价格可能不同这符合真实场景中价格波动的特点。你还可以在PriceTracker的run_loop方法中传入不同参数模拟多轮价格监控的效果。5. 数据模型与可靠性设计从 Demo 到可用系统5.1 数据库表设计思路Demo 中使用了 Python 对象保存数据但在真实产品中这些数据需要落库。这里给出一个参考表结构。价格历史表CREATE TABLE flight_price_history ( id BIGINT PRIMARY KEY AUTO_INCREMENT, flight_no VARCHAR(20) NOT NULL, depart_city VARCHAR(50) NOT NULL, arrive_city VARCHAR(50) NOT NULL, depart_date DATE NOT NULL, price DECIMAL(10,2) NOT NULL, cabin_class VARCHAR(20), remaining_seats INT, captured_at DATETIME NOT NULL, INDEX idx_depart_date (depart_date), INDEX idx_captured_at (captured_at) );价格提醒表CREATE TABLE price_alert ( id BIGINT PRIMARY KEY AUTO_INCREMENT, user_id VARCHAR(64) NOT NULL, depart_city VARCHAR(50) NOT NULL, arrive_city VARCHAR(50) NOT NULL, depart_date DATE NOT NULL, threshold_price DECIMAL(10,2) NOT NULL, is_active TINYINT DEFAULT 1, last_notified_price DECIMAL(10,2), created_at DATETIME DEFAULT CURRENT_TIMESTAMP, INDEX idx_user (user_id) );订单表CREATE TABLE hotel_order ( order_id VARCHAR(64) PRIMARY KEY, hotel_id VARCHAR(32) NOT NULL, hotel_name VARCHAR(128) NOT NULL, check_in DATE NOT NULL, check_out DATE NOT NULL, total_price DECIMAL(10,2) NOT NULL, guest_name VARCHAR(64) NOT NULL, phone VARCHAR(20) NOT NULL, status VARCHAR(20) NOT NULL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP, confirmed_at DATETIME NULL );表设计的关键点价格历史表保留每次采集快照而不是只覆盖最新价格。这样才能计算价格趋势。提醒表记录last_notified_price用于去重。订单表设置明确的状态字段status方便追踪订单生命周期。5.2 价格追踪的调度设计Demo 使用了单线程循环。生产环境中价格追踪任务更适合用分布式调度框架来管理。常见的方案有定时任务框架例如 Spring Schedule、xxl-job、ElasticJob。消息队列驱动数据源推送价格变更消息系统消费后更新价格历史。事件驱动架构当用户创建提醒时把提醒任务注册到调度中心到期触发检查。调度频率也需要合理设计。机票价格通常每小时变化一次过高频率会造成数据源压力和无效查询过低频率则可能错过价格窗口。合理做法是高峰期早上 8 点到晚上 10 点每 30 分钟检查一次低谷期每 2 小时检查一次。5.3 用户确认机制的必要性在酒店预订环节用户确认是必不可少的安全边界。AI 系统可以自动填写表单、计算价格、比较选项但“生成订单并扣款”动作必须由用户主动触发。具体实现上可以分成两阶段接口预下单接口生成订单预览返回服务端订单 token。确认接口用户携带订单 token 请求确认服务端校验 token 后完成真实下单。这种设计可以有效避免 AI 误操作导致的错误扣款。Google AI Mode 的做法也类似AI 会先给出完整的预订信息摘要用户确认后才进入支付流程。6. 常见问题与排查思路6.1 意图解析不准问题现象常见原因解决思路用户说“帮我订个房”系统识别成了查机票缺少明确意图词规则无法覆盖引入大模型意图分类规则只做兜底日期识别错误比如“下个月”解析成当月规则对相对时间表达覆盖不足使用日期解析库或者交给 LLM 处理“500 以内”没有解析为预算正则表达式未覆盖“以内”这类表述扩展正则规则或增加同义词归一化这里需要说明的是规则解析在演示场景够用但在真实产品中必须结合大模型。推荐做法是把用户输入和JSON Schema一起发给大模型让模型返回结构化结果再用规则层校验日期格式、金额范围等关键字段。一旦发现模型输出异常可以要求模型重新生成或者让用户确认。6.2 价格追踪出现重复通知问题现象常见原因解决思路价格没变化用户收到多次提醒没有记录上次通知价格增加last_notified_price字段仅在价格降低时通知价格降了又涨涨了又降提醒频繁通知策略过于灵敏增加冷却时间例如 24 小时内同类提醒不超过 1 次用户取消提醒后仍在通知通知任务未同步更新状态检查提醒任务是否引用了旧状态增加缓存失效机制生产环境建议把通知策略做成可配置项监控、提醒、取消分别走不同接口避免状态不一致。6.3 酒店预订结果与预期不符问题现象常见原因解决思路用户选了大床房订单显示双床房参数传递错误在订单预览中展示完整房型信息二次确认总价计算错误退房日期计算逻辑有误统一使用“退房日期 - 入住日期”计算晚数并做单测用户确认前酒店已被订完库存实时性差在确认接口中重新校验库存提示用户换房型预订场景的可靠性和用户体验同等重要宁可多一步确认也不要出现下单后无法入住的情况。7. 工程实践与安全边界建议7.1 日志与监控价格追踪系统是典型的“低频高价值”服务用户可能几天才收到一次通知但每次通知都必须准确。建议日志记录以下内容每次价格采集的原始响应和解析结果。触发通知时的完整上下文包括航班号、价格、用户ID。用户确认预订时的操作日志。异常情况比如数据源超时、返回异常数据、支付失败。通过这些日志可以快速定位“为什么用户没收到提醒”或者“为什么用户收到了错误提醒”。7.2 API 设计原则无论是对接真实数据源还是开放能力给前端API 设计都要遵循最小化原则。以前面例子为例创建提醒接口POST /api/v1/alerts查询价格历史GET /api/v1/flights/history?alertIdxxx酒店搜索GET /api/v1/hotels?city杭州budget500预下单POST /api/v1/bookings/preview确认订单POST /api/v1/bookings/{orderId}/confirm接口的职责应该单一。不要把价格查询和订单创建放在同一个接口里否则后期维护和权限控制都会很麻烦。7.3 安全边界在 AI 自动化预订场景中安全是最高优先级。以下几点必须落实用户授权下单、支付前必须获得用户明确授权。数据安全用户手机号、身份证号等敏感信息需要加密存储日志中不得打印明文。风控机制对频繁修改提醒、批量预订、异常时段操作进行风控识别。事务一致性创建订单到支付确认之间要保证订单状态一致避免超卖。最小权限AI 系统只能访问当前用户授权的资源不能越权查看他人的订单。7.4 从 AI 搜索到 AI 服务的转化对开发者来说Google AI Mode 这次更新的最大价值是把“信息获取”和“服务执行”打通了。如果你在做一个类似的产品可以从单点能力开始例如先做“价格提醒”这样闭环较短的功能验证用户需求后再扩展到预订、支付等长链路。不要一开始就设计一个无所不能的 AI 助手控制边界才能保证质量。8. 总结与后续学习方向本文从 Google AI Mode 新增的机票价格追踪与酒店预订功能展开拆解了 AI 搜索走向 AI 行动的产品逻辑。我们分析了“意图解析 → 数据聚合 → 策略判断 → 执行闭环”这条核心链路并用 Python 实现了一个演示系统。你可以运行 main.py 看到价格提醒触发、酒店搜索、订单预览、用户确认的完整流程。如果要继续深入建议关注以下几个方向大模型指令微调针对航班、酒店场景做意图识别和参数抽取的专项调优。实时数据管道学习 Flink、Kafka 等流处理技术实现秒级价格监控。交易系统设计研究订单状态机、支付回调、幂等设计这是 AI 代理做交易的关键。多轮对话状态管理掌握如何维护用户上下文实现“预算再降一点”这类连续交互。在实际项目中最优先关注的一定是用户确认机制和数据准确性。AI 可以帮你省掉大量查询和填写的时间但任何涉及钱的自动化操作都必须把安全边界放在第一位。建议你在本地运行一遍本文的代码亲手看看价格追踪和订单确认的完整流程再思考如何把这些思路应用到自己的项目里。如果这篇文章对你有帮助可以收藏备用。后面有新的实践进展我会继续补充。