当前位置：首页 > news >正文

OpenClaw+GLM-4.7-Flash：个人旅行计划自动生成系统

news 2026/5/12 17:54:43

OpenClaw+GLM-4.7-Flash：个人旅行计划自动生成系统

1. 为什么需要自动化旅行规划

每次准备旅行时，我都会陷入同样的困境：打开十几个浏览器标签页对比酒店价格，在社交媒体上翻找真实游记，用Excel表格手动计算预算，最后还要把分散的信息拼凑成行程表。这个过程通常要耗费我整整一个周末的时间。

直到上个月，我在调试OpenClaw自动化办公流程时突然想到：既然它能自动处理文档、爬取网页数据、甚至操作表格，为什么不能让它帮我规划旅行？于是我开始尝试将GLM-4.7-Flash模型与OpenClaw结合，搭建一个完全本地的旅行规划系统。

2. 系统架构与核心组件

2.1 技术选型思路

这个系统的核心需求是：在保证隐私的前提下，自动完成从目的地研究到行程输出的全流程。我排除了需要上传行程数据到第三方服务的方案，最终确定的组件包括：

OpenClaw：作为自动化执行框架，负责操控浏览器搜索、整理数据、生成文档等具体操作
GLM-4.7-Flash：本地部署的轻量级大模型，负责旅行路线的智能规划与决策
ollama：简化模型部署的工具，避免复杂的环境配置

选择GLM-4.7-Flash而非更大模型的原因很实际：旅行规划不需要太强的推理能力，但需要快速响应。在我的MacBook Pro（M1芯片，16GB内存）上测试时，GLM-4.7-Flash的生成速度比标准版快3倍左右。

2.2 工作流程设计

系统的工作流程经过多次迭代，最终确定为以下阶段：

需求收集：通过自然语言对话获取旅行偏好（如"5天4夜亲子游，预算1万元以内"）
数据采集：自动爬取目标城市的景点评分、酒店价格、交通方式等实时数据
方案生成：模型综合各类约束条件生成多个可行方案
可视化输出：自动整理为Markdown行程表+预算Excel+地图截图包

其中最关键的是第2步的数据采集。最初我直接让模型凭空生成建议，结果推荐的"超值民宿"实际早已停业。后来改为先获取真实数据再决策，方案可靠性大幅提升。

3. 具体实现步骤

3.1 环境准备与部署

我使用ollama在本地部署GLM-4.7-Flash，整个过程出乎意料的简单：

ollama pull glm-4.7-flash ollama run glm-4.7-flash

OpenClaw的安装采用官方推荐的一键脚本：

curl -fsSL https://openclaw.ai/install.sh | bash

配置模型连接时，需要在~/.openclaw/openclaw.json中添加：

{ "models": { "providers": { "local-glm": { "baseUrl": "http://localhost:11434", "api": "openai-completions", "models": [ { "id": "glm-4.7-flash", "name": "Local GLM-4.7-Flash" } ] } } } }

3.2 核心技能开发

我开发了三个核心Skill来实现旅行规划功能：

travel-researcher：基于Playwright实现数据采集
- 从TripAdvisor获取景点评分与开放时间
- 从Booking.com抓取酒店实时价格
- 通过Skyscanner API查询机票价格
planner-core：调用GLM-4.7-Flash进行决策
- 将采集的数据转换为模型可理解的JSON格式
- 设计prompt模板确保输出结构化数据
- 实现多方案生成与评分机制
travel-reporter：输出整理
- 用Puppeteer生成包含地图截图的PDF
- 通过ExcelJS库创建预算明细表
- 整合为ZIP压缩包一键导出

其中最复杂的是planner-core的prompt设计。经过多次调整，最终采用的prompt结构包含：

明确的输出格式要求
预算分配比例约束
每日最大移动距离限制
亲子游/情侣游等不同场景的偏好模板

3.3 典型使用案例

上周我测试了"上海出发，5天4夜京都自由行"的规划请求。系统自动完成了以下工作：

识别出樱花季的特殊性，优先选择赏樱景点
对比了15家酒店的评价和位置，筛选出3家性价比选项
计算出新干线+地铁的交通组合最节省时间
生成包含以下内容的旅行包：
- 按小时排列的详细行程
- 分项目的预算估算表（精确到餐饮每餐预算）
- 标注了所有地点的Google Maps截图
- 紧急联系电话和常用日语短语备忘

整个过程耗时约8分钟，而以往我手动完成需要6小时以上。