内容指引

1. 写这篇文章的目的，并不是现有的软件不好使，而是目前的 AI 特别适合辅助做一些决策。

2. 文中包含一步步的工作流搭建方式，不感兴趣的可以直接跳过第二大段中间的步骤。

01

—

为什么抢票软件不够用？

在很多人眼里，春运回家等同于“抢到一张票”，于是希望被寄托在各种抢票软件上：蹲余票、自动下单、拼手速。但真正经历过春运就会发现，票只是结果，不是核心问题。

抢票软件解决的只是“在既定方案下提高成功率”的局部确定性，前提是你已经想清楚要抢哪一趟、哪一种交通方式。

然而春运最难的，恰恰发生在这之前：直达车时间不理想，中转方案风险更高，飞机更快却受天气影响，不同方案在价格、时长、稳定性之间不断博弈。

现实中的问题是，在高度不确定的条件下，如何做出更稳妥的选择。而抢票软件既无法横向比较多种出行方式，也无法动态评估风险、根据个人偏好排序，更无法在条件变化时重新判断。

02

—

我是怎么做的？

第一步：明确好你的需求

我们今天使用的工作流软件是 Coze Studio ，先创建一个空白应用并新建工作流，作为构建 Agent 的起点。

在输入  Prompt 时，需要先回答一个问题：“这个问题真正需要哪些确定性输入？” 在春运场景下，Agent 关注的核心要素很明确：出发地、目的地、出发日期、出行偏好（时间优先 / 价格优先 / 舒适优先 / 便利优先）。

那么我们创建了第一个节点，如下：

第二步：使用航班、火车票等工具感知获取余票和天气情况

我们自己在规划行程时，往往会考虑以下几件事：

• 查航班、车次或自驾路线
• 看出发地、目的地当天的天气
• 等等。。

Agent 也遵循同样的逻辑。在同一个输入条件下，它会并行触发多个动作：

• 查询高铁、航班、自驾等可用出行方式
• 查询出行日期对应地点的天气情况

操作方式如下：

首先，在工作流中添加插件节点，选择“查询火车票”插件并使用其“查询火车票”工具，出发地、目的地、车次日期等输入变量的值引用第一步表单中输入的信息，用于查询火车出行方案，如下：

然后，添加插件节点，选择“高德地图”插件并使用其“驾驶路线规划”工具，目标地点、出发地点等输入变量的值引用第一步表单中输入的信息，用于查询自驾出行方案，如下：

再添加节点，选择“非常准”插件并使用其“获取航班列表”工具，目标地点、出发地点等输入变量的值引用第一步表单中输入的信息，用于查询民航出行方案，如下：

接下来，选择“天气”插件并使用其“查询天气”工具，城市、日期等输入变量的值引用第一步表单中输入的信息，用于查询出行当天目标地点、出发地点的天气情况，如：

第三步：让大模型逐个思考方案总结

工作流中 Agent 会对每一个候选方案比较、判断、评估：“这个方案是否耗时过长？是否符合用户当前偏好？当天天气是否会放大出行风险？”

这一过程并不会直接暴露给用户，但它决定了最终推荐是否可靠。从结果上看，Agent 不再只是“给建议”，而是在替用户完成筛选与决策。

在工作流中添加大模型节点，在输入变量中添加出发地天气情况、目的地天气情况、出发日期、出行偏好、自驾方案、火车方案列表和民航方案，如下：

在系统提示词 Prompt 中约束要求逐个方案思考进行对比，如下：

部分系统提示词如下：

# 约束与规则
- 必须基于提供的方案信息进行分析，不得编造数据
- 如果某类方案信息为空，请明确说明
- 推荐方案必须给出充分的理由
- 对比结果要客观公正，指出各方案的优缺点
- 聚焦在春运出行场景，仅提供此场景出行规划信息，若用户输入与意图超出此范围时提示用户“这超出我的知识范围，回答内容需要用户自行核对”

# 处理流程
1. 分析每种出行方案的特点（时间、成本、便利性、舒适性）
2. 从时间（出行路上耗时）、成本、便利性（是否直达、是否告诉、是否转车换乘等）、舒适性（出行耗时、出发时间与到达时间与休息时间影响等）四个维度对比各方案
3. 根据春运期间的特殊情况（如购票难易程度、天气因素、提前购票、人流拥挤等）进行综合评估
4. 结合用户偏好进行综合评估
5. 推荐最适合的方案，并说明推荐理由
6. 对于推荐的出行方案，提供至少三条温馨提示，需结合春运期间的特殊情况的一些出行经验知识，以下为一些表达大意的示例：
- 若从海南坐高铁到东北，考虑到天气变化，提示注意保暖
- 若自驾从深圳到西安，考虑到自驾时长与道路拥堵，提示准备物资
- 若是新能源车自驾，考虑到新能车里程限制，提示注意留意电池电量与下一个充电点

第四步：效果呈现

当所有方案完成评估后，Agent 会选出当前条件下的最优解。为了不只给出一个冷冰冰的结果，我们借助大模型的语言能力润色之后，输出了一段可阅读性更友好的出行建议，包含以下几个部分：

• 推荐理由，为什么推荐这个方案
• 已经考虑了哪些风险
• 是否需要预留时间缓冲或持续关注变化

为了做到这个样子，我们的提示词中添加了以下内容：

# 输出格式
最后在把这个json格式输出转为markdown格式
## 输出字段
- 推荐方案: 推荐的方案（包含方案类型、具体车次、推荐理由，需包含车次、价格、时长、出发时间、到达时间等信息）
- 方案详细对比: 所有方案对比详细说明列表，所有方案即所有火车方案与所有自驾方案的集合，这个详细对比输出为便于人类阅读的表格或列表，需要包含考虑到的风险
- 提示：出行温馨提示，根据推荐的出行方案给出的温馨提示

最后，完整的工作流如下：

最后试运行看看效果，输入出行计划为 ：“2026-2-14、从深圳到惠州、舒适偏好”

运行输出预览如下，输出结果包括火车、民航、自驾等各类方案，在考量多因素后 Agent 给出推荐方案。

是不是还算可以？哈哈，祝大家都能抢到票，春运平平安安，顺顺利利！ :-)

03

—

总结

在这个场景中，我们使用工作流的方式借助插件接入外部实时数据，让天气、票务、路线等信息真正参与到决策过程中，而非作为决策后的补充说明。流程中也尝试引导 Agent 对不同出行方案进行真实的分析、对比与筛选，而不是停留在表面的语言生成上。

像这样一类将原本混杂在一起的复杂问题，拆解为一系列可执行、确定性的步骤，是当前工作流最为贴切的场景之一。

（本文操作示例是基于 Coze Studio 创建）

🚀 🚀 阿里云 EDAS 也提供了一键部署 coze 的能力，快访问下方链接体验吧！

https://edasnext.console.aliyun.com/ai-native-apps/apps/coze