沖繩旅遊 AI 行程助手：技術架構與功能企劃報告
1. 專案概述與目標 (Project Overview & Objectives)
專案基本資訊： 本專案為「2025 NYCU AI 新秀計畫：生成式 AI 理論與應用實務」研究成果。開發團隊為第三組，成員包括林汯錕、周秉毅、陳柏宏。
專案願景： 針對傳統旅遊規劃中資訊碎片化、排程繁瑣以及缺乏即時互動等痛點，本專案致力於打造一個「從對話到出發」的 AI 助手。透過前沿的生成式 AI 技術，將複雜的行程邏輯、即時資訊檢索與自動化工具深度整合，提供極致便利且個人化的旅遊解決方案。
核心目標：
個人化行程定製： 透過引導式對話，產出精準符合用戶天數、人數、預算及興趣的主題行程。
一站式自動化整合： 實現從行程規劃、天氣查詢、交通路線到行事曆同步與電子郵件寄送的完整自動化流程。
多樣化加值工具： 整合 RAG 技術提供深度景點介紹、動態社群媒體參照、即時記帳及 AI 影像生成服務。
2. 「從對話到出發」：一站式用戶體驗設計 (User Experience Design)
本助手設計核心在於降低用戶的決策成本，透過直覺的對話流程引導用戶完成所有準備：
需求輸入階段： 助手透過「滾動式討論」主動收集關鍵資訊，包括：
旅遊基本資訊： 出發日期、停留天數、同行夥伴人數。
預算與住宿偏好： 設定預算等級（如小資或豪華）、希望的住宿區域及交通工具（如自駕或大眾運輸）。
興趣主題選擇： 勾選親子活動、購物狂歡、文化體驗、美食探索或自然探索等特定偏好。
AI 完美規劃階段： 在資訊完備後，助手提供全方位的產出：
深度行程規劃： 提供每日活動、推薦美食及景點背後的故事，並非單純的清單。
導航與天氣： 整合 Google Maps 路線連結，並根據即時氣候數據提供天氣預報與穿搭指南。
自動化貼心服務： 一旦用戶確認行程，助手將執行行事曆、 Gmail 資訊同步：
行事曆同步： 自動將所有行程點記錄至 Google Calendar。
數位行程書： 透過 Gmail 寄送格式精美、資訊詳盡的完整行程規劃書至用戶信箱。
3. 核心功能解析 (Core Functionalities)
LINE 引導式互動： 利用 LINE 作為前端界面，AI 會主動評估用戶資訊完整度，若資訊不足（如未提及預算或天數），將發起 Prompt Coaching 進行補全提問，確保規劃精確。
RAG 行程規劃系統： 系統檢索專屬沖繩知識庫，產出包含景點細節、訂飯店/訂機票連結及背景故事的專屬計畫。
加值自動化工具：
即時記帳功能： 用戶在 LINE 輸入指令（如：咖啡 102 日幣），系統即透過異步處理將開銷紀錄串接至 Google Sheets。
AI 生圖服務： 串接 Hugging Face 模型，根據指令生成沖繩風景圖，並自動存入 Google 雲端硬碟，同時將連結 email 給使用者。
4. 系統技術架構 (System Architecture)
本系統基於微服務與解耦設計思維，確保高擴展性與穩定性：
n8n 工作流引擎 (n8n Workflows)：
雙層安全防護主流程 (Main Flow)： 採用嚴謹的處理鏈結：Webhook 接收 -> 第一層 Guardrails (內容違規檢查) -> AI Agent 決策處理 -> 第二層 Guardrails (Sanitize Text/幻覺過濾) -> 最後訊息回傳至 LINE。
MCP 伺服器架構 (MCP Server Flow)： 將「天氣查詢、記帳助手、行程表處理、影像生成」等加值功能開發為獨立的 MCP Server。此設計實現了主流程與工具端的「異步解耦」，大幅提升系統開發效率與模組重複利用率。
外部存取機制： 針對本地端部署的 n8n，使用 ngrok 建立安全加密隧道，將本地 Webhook 映射至公網 HTTPS 地址，確保 LINE 伺服器訊號能即時、安全地傳遞至系統。
5. 技術棧與整合工具 (Technology Stack)
核心模型 (LLM)
Google Gemini
負責行程邏輯生成與決策，在路線正確率上具顯著優勢
向量與長期記憶
Supabase / PostgreSQL
儲存向量資料、聊天紀錄（Session ID 管理）與長期偏好記憶
本地編碼/模型管理
Ollama
使用
mxbai-embed-large進行嵌入；亦用於 LLM 模型下載與備援
外部 API 整合 (氣象)
OpenWeather
提供即時天氣資訊及預報，作為穿搭建議依據
外部工具 (行事曆)
Google Calendar
自動同步旅遊事件與行程節點
外部工具 (通訊)
Gmail / LINE
負責前端即時互動與後端完整規劃書寄送
外部工具 (數據管理)
Google Sheets / Drive
用於即時旅遊開銷記帳與 AI 生成影像之儲存
旅遊知識庫來源
Trip.com, chicTrip, 東南旅遊網, DMM 水族館官網等等，相關旅遊資訊網站
RAG 系統之核心資料源，涵蓋官方攻略與部落格資訊
6. RAG 系統與資料管理 (RAG & Data Management)
資料採集 (Data Collection)：
手動採集： 精選官方觀光網站、專業部落格及旅行社精選攻略，進行結構化整理。
自動採集： 透過 n8n AI Agent 每週定時執行網頁搜索，針對沖繩關鍵字提取最新景點與活動資訊，確保資料時效性。
嵌入與檢索流程： 原始文本經由 Ollama 的
mxbai-embed-large模型進行向量編碼，隨後存儲於 Supabase 向量庫中。檢索時，AI Agent 根據用戶語義尋找最相關的旅遊片段作為 Prompt 上下文。記憶機制： 系統透過 PostgreSQL 儲存對話上下文，讓 LLM 具備記住使用者過往偏好的能力，實現具備連貫性的「滾動式討論」。
7. 安全機制與提示工程 (Safety & Prompt Engineering)
雙層 Guardrails 安全防護： 在流程入口與出口設置嚴格過濾機制，核心職責包含：
內容合規： 過濾有害或不適當的輸出。
攻擊防護： 攔截 Prompt Injection (提示詞攻擊)。
隱私保護： 偵測並攔截密碼、API Key 等敏感資訊外洩。
防幻覺機制： 強化對 RAG 來源的忠實度檢查，防止模型產生不實的旅遊地點資訊。
提示工程技巧 (Prompt Engineering)： 系統 System Prompt 參照
Prompting Guide 101並整合以下 10 項高級技巧：Persona–Task–Context–Format： 建立嚴謹的邏輯架構。
Persona Anchoring： 錨定親切且專業的旅遊導覽專家性格。
RAG Context Framing： 嚴格限定資料引用範圍，減少幻覺。
Format Constraining： 確保輸出結果符合 LINE 介面與 Email 的排版美感。
Few-shot Example Learning： 提供標準行程範例以統一輸出品質。
Prompt Coaching： 若用戶輸入含糊，AI 將主動引導。
Understanding Confirmation： 確認理解需求後再執行複雜任務。
Instruction Guardrail： 強化負面約束，防止偏離沖繩旅遊主題。
Semantic Anchoring： 關鍵字強化，提升語義检索準確度。
Bilingual Framing： 優化多語境下的關鍵字處理能力。
8. 結語與成果展示 (Conclusion & Exhibition)
實際應用案例：沖繩四天三夜自駕行程
系統已成功實現「波上宮、波之上海灘、沖繩 Outlet Ashibinaa」等核心景點的完美排程。
預算範例： 設定為 NT$50,000 (含機票、住宿，兩人總計)。
精準預算分配建議：
機票： 約 NT8,000 - NT15,000 (依促銷而定)。
住宿 (3晚)： 約 NT9,000 - NT15,000 (精選 CP 值飯店)。
租車 (4天)： 約 NT4,000 - NT6,000 (含保險)。
當地花費： 約 NT14,000 - NT29,000 (餐飲、門票、購物)。
未來展望
本專案成功驗證了 AI 解決方案在旅遊規劃領域的實戰價值。未來將持續深化整合更多在地化 API，提升 AI Agent 的決策智能，為用戶創造更具深度的智能化旅遊體驗。
https://github.com/BMS410Wind/n8n-tools
9. 持續更新 (Update) 26/5/22
3/13 更新 - 將檔案使用 Docker 打包 (錕)
安裝流程請看README文檔:
5/22 更新 - 新增 web search 功能 (錕)
功能說明
為 AI Agent 新增即時網路搜尋能力,補足 LLM 訓練資料無法涵蓋的「最新資訊」場景:
- 沖繩當地最新活動、節慶資訊
- 店家營業狀況、新開幕景點
- 近期天氣事件、交通異動
使用技術
採用 **Tavily Search API** 而非 SerpAPI / Brave:
- 專為 LLM/Agent 設計,直接回傳精煉後的 `answer` + `results` 結構,省去額外的 web scraping
- 免費額度 1000 次/月,適合個人專案規模
- 回傳 token 量可控 (`max_results: 3`, `include_raw_content: false`)
