最近在做一个无人机租赁相关的项目客户希望引入AI能力来提升用户体验和运营效率。调研了一圈发现将大语言模型LLM与业务系统结合特别是通过 LangChain 和 Agent 来构建智能交互和决策流程是一个非常契合的方向。这不仅能实现智能客服、个性化推荐还能自动化处理一些复杂的租赁审批和调度任务。本文就将围绕这个“AI无人机租赁系统”从零开始手把手带你完成一个集成了 AI、LangChain 和 Agent 概念的可运行原型。我会详细拆解设计思路、技术选型、核心代码实现并提供完整的源码和关键配置。无论你是想用于毕业设计、课程作业还是作为面试项目来展示你的全栈和AI应用能力这篇文章都能给你提供一个清晰的路线图和可直接复用的代码库。1. 系统核心概念与技术栈解析在动手编码之前我们需要先理解这个系统要做什么以及为什么选择这些技术。1.1 项目愿景与核心功能我们设想中的AI无人机租赁系统不仅仅是一个简单的物品租赁网站。它应该具备以下智能化特征智能客服与导览用户可以用自然语言询问“有什么适合航拍的无人机”、“租一台续航2小时以上的无人机多少钱”系统能理解并给出精准回答和推荐。个性化租赁方案推荐根据用户输入的预算、使用场景如航拍、测绘、巡检、经验等级AI能自动组合无人机机型、保险套餐、备用电池等生成最优租赁方案。自动化流程处理对于租赁申请AI Agent可以自动核查用户信用信息模拟、无人机库存状态并做出初步的通过/拒绝决策将复杂任务交由人工复审。动态定价与调度建议结合天气、节假日、区域热度等因素AI可以为租赁定价提供调整建议并为无人机的归还、充电、调度提供智能提醒。1.2 为什么是 LangChain Agent要实现上述功能直接调用大模型API如 OpenAI GPT、文心一言是远远不够的。我们需要一个框架来“武装”大模型让它能使用工具、访问知识、处理长流程。这就是 LangChain 和 Agent 的用武之地。LangChain是一个用于开发由语言模型驱动的应用程序的框架。它提供了丰富的模块如Models对接各种LLM、Prompts提示词管理、Chains任务链、Agents智能代理、Memory记忆等。它像“乐高积木”一样让我们能快速搭建复杂的AI应用。Agent是 LangChain 中的核心概念之一。你可以把它理解为一个“具备执行能力的AI大脑”。用户提出一个复杂请求如“帮我租一台无人机”Agent会自己思考“要完成这个任务我需要先查库存再算价格最后创建订单。我有‘查询库存工具’、‘计算价格工具’和‘创建订单工具’。”然后它会自主调用这些工具一步步完成任务。技术栈选型后端Spring Boot。Java生态成熟适合构建稳健的业务系统处理订单、用户、支付等核心逻辑。AI层Python LangChain。Python是AI领域的事实标准LangChain生态丰富。两者通过HTTP API如FastAPI进行通信。大模型OpenAI GPT-3.5/4 API 或 国内可替代的如 文心一言、通义千问、智谱GLM 的API。本文示例将使用OpenAI格式的API进行演示。数据库MySQL。存储用户、设备、订单等结构化数据。向量数据库Chroma轻量级适合演示。用于存储无人机产品说明书、租赁条款等非结构化文本实现基于语义的智能检索。前端Vue.js / React Ant Design可选。为了聚焦后端与AI集成前端我们仅提供简单的API调用示例。2. 环境准备与项目初始化“工欲善其事必先利其器”。我们先搭建好开发环境。2.1 软件与环境清单请确保你的开发机上已安装以下软件JDK 8 或 11推荐 OpenJDK 11。Maven 3.6用于管理Java项目依赖。Python 3.8推荐 Python 3.9 或 3.10。MySQL 5.7用于业务数据存储。IDEIntelliJ IDEAJava、PyCharm/VSCodePython。API密钥准备一个可用的 OpenAI API Key或国内大模型的对应API Key。2.2 创建项目骨架我们将创建两个独立的项目或模块一个Spring Boot后端项目一个Python AI服务项目。1. 创建Spring Boot项目使用 Spring Initializr (start.spring.io) 或 IDE 创建项目。Group:com.aidroneArtifact:drone-rental-system依赖:Spring Web,Spring Data JPA,MySQL Driver,Lombok。创建后的项目结构大致如下drone-rental-backend/ ├── src/ │ ├── main/ │ │ ├── java/com/aidrone/ │ │ │ ├── controller/ # 控制器 │ │ │ ├── service/ # 业务层 │ │ │ ├── repository/ # 数据访问层 │ │ │ ├── entity/ # 实体类 │ │ │ └── config/ # 配置类 │ │ └── resources/ │ │ ├── application.properties │ │ └── ... │ └── test/ └── pom.xml2. 创建Python AI服务项目创建一个新的目录并初始化虚拟环境。mkdir drone-rental-ai cd drone-rental-ai python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Mac/Linux: source venv/bin/activate创建项目文件结构drone-rental-ai/ ├── app/ │ ├── __init__.py │ ├── main.py # FastAPI 主应用 │ ├── agents/ # Agent 定义 │ │ ├── __init__.py │ │ └── rental_agent.py │ ├── tools/ # Agent 可用的工具 │ │ ├── __init__.py │ │ ├── inventory_tool.py │ │ └── pricing_tool.py │ ├── chains/ # 业务处理链 │ └── knowledge/ # 知识库相关 ├── requirements.txt └── .env # 存储API密钥等敏感信息3. 安装Python依赖在requirements.txt中写入fastapi0.104.1 uvicorn[standard]0.24.0 langchain0.0.350 openai0.28.0 chromadb0.4.18 pymysql1.1.0 python-dotenv1.0.0 pydantic2.5.0然后安装pip install -r requirements.txt3. 核心模块设计与实现接下来我们分步实现系统的核心模块。3.1 后端基础业务模块Spring Boot首先我们实现最基础的无人机、用户、订单管理功能。1. 数据库表设计Entity创建对应的JPA实体类。// 文件src/main/java/com/aidrone/entity/Drone.java package com.aidrone.entity; import lombok.Data; import javax.persistence.*; import java.math.BigDecimal; Entity Data Table(name drone) public class Drone { Id GeneratedValue(strategy GenerationType.IDENTITY) private Long id; private String name; // 型号名如 DJI Mavic 3 private String type; // 类型如航拍、测绘 private BigDecimal rentalPricePerHour; // 每小时租金 private Integer maxFlightTime; // 最大续航分钟 private Integer stock; // 库存数量 private String description; // 详细描述 }// 文件src/main/java/com/aidrone/entity/RentalOrder.java package com.aidrone.entity; import lombok.Data; import javax.persistence.*; import java.math.BigDecimal; import java.time.LocalDateTime; Entity Data Table(name rental_order) public class RentalOrder { Id GeneratedValue(strategy GenerationType.IDENTITY) private Long id; private Long userId; private Long droneId; private LocalDateTime startTime; private LocalDateTime endTime; private BigDecimal totalPrice; private String status; // PENDING, CONFIRMED, IN_USE, COMPLETED, CANCELLED }2. 数据访问层Repository// 文件src/main/java/com/aidrone/repository/DroneRepository.java package com.aidrone.repository; import com.aidrone.entity.Drone; import org.springframework.data.jpa.repository.JpaRepository; import org.springframework.data.jpa.repository.Query; import org.springframework.data.repository.query.Param; import java.util.List; public interface DroneRepository extends JpaRepositoryDrone, Long { ListDrone findByType(String type); ListDrone findByRentalPricePerHourLessThanEqual(BigDecimal maxPrice); // 复杂查询示例根据类型和最小续航查询 Query(SELECT d FROM Drone d WHERE d.type :type AND d.maxFlightTime :minFlightTime) ListDrone findAvailableByTypeAndFlightTime(Param(type) String type, Param(minFlightTime) Integer minFlightTime); }3. 业务逻辑层Service与控制器Controller实现基本的CRUD和查询API这部分是标准Spring Boot开发代码较长此处给出一个查询无人机的API示例。// 文件src/main/java/com/aidrone/controller/DroneController.java package com.aidrone.controller; import com.aidrone.entity.Drone; import com.aidrone.service.DroneService; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.web.bind.annotation.*; import java.util.List; RestController RequestMapping(/api/drones) public class DroneController { Autowired private DroneService droneService; GetMapping(/search) public ListDrone searchDrones(RequestParam(required false) String type, RequestParam(required false) Integer minFlightTime) { return droneService.searchDrones(type, minFlightTime); } // 其他CRUD接口... }4. 配置文件application.properties:spring.datasource.urljdbc:mysql://localhost:3306/drone_rental?useSSLfalseserverTimezoneUTC spring.datasource.usernameroot spring.datasource.passwordyourpassword spring.jpa.hibernate.ddl-autoupdate spring.jpa.show-sqltrue启动Spring Boot应用确保基础API可以访问。3.2 Python AI服务工具Tools定义Agent的强大之处在于能使用工具。我们先为Agent创建几个关键工具。这些工具本质上是Python函数Agent在思考后可以调用它们。1. 查询无人机库存工具这个工具将调用我们刚才写的Spring Boot后端API。# 文件app/tools/inventory_tool.py import requests from langchain.tools import tool from pydantic import BaseModel, Field # 定义工具的输入参数模型 class InventoryCheckInput(BaseModel): drone_type: str Field(description无人机类型例如航拍、测绘) min_flight_time: int Field(description要求的最小续航时间分钟) tool(args_schemaInventoryCheckInput) def check_drone_availability(drone_type: str, min_flight_time: int) - str: 根据类型和最小续航时间查询可用的无人机列表。 返回无人机的型号、价格和库存信息。 try: # 调用后端API。注意这里需要替换为你的实际后端地址 response requests.get( http://localhost:8080/api/drones/search, params{type: drone_type, minFlightTime: min_flight_time} ) response.raise_for_status() drones response.json() if not drones: return f当前没有符合条件类型{drone_type}, 最小续航{min_flight_time}分钟的可用无人机。 result_lines [f找到 {len(drones)} 款符合条件的无人机] for drone in drones: result_lines.append(f- {drone[name]}: 时租¥{drone[rentalPricePerHour]}, 续航{drone[maxFlightTime]}分钟, 库存{drone[stock]}台。) return \n.join(result_lines) except requests.exceptions.RequestException as e: return f查询库存时发生网络错误{e}2. 计算租赁价格工具# 文件app/tools/pricing_tool.py from langchain.tools import tool from pydantic import BaseModel, Field class PriceCalculationInput(BaseModel): drone_id: int Field(description无人机ID) rental_hours: int Field(description租赁小时数) tool(args_schemaPriceCalculationInput) def calculate_rental_price(drone_id: int, rental_hours: int) - str: 根据无人机ID和租赁时长计算预估总价。 这是一个简化版本实际中需要调用后端API获取无人机单价。 # 模拟从数据库或缓存获取单价这里用固定值演示 # 真实场景应调用 GET /api/drones/{id} price_per_hour 150.0 # 假设单价150元/小时 total_price price_per_hour * rental_hours return f无人机(ID:{drone_id})租赁{rental_hours}小时预估总价为¥{total_price:.2f}元。3.3 Python AI服务构建智能代理Agent现在我们将大模型和工具组合起来创建一个能自主决策的Agent。# 文件app/agents/rental_agent.py import os from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.memory import ConversationBufferMemory from dotenv import load_dotenv # 加载环境变量里面应有 OPENAI_API_KEY load_dotenv() # 1. 导入我们定义的工具 from app.tools.inventory_tool import check_drone_availability from app.tools.pricing_tool import calculate_rental_price def create_rental_agent(): 创建并返回一个无人机租赁助手Agent。 # 2. 初始化大语言模型 # 注意如果你使用国内模型需要替换为对应的ChatModel例如 ChatZhipuAI llm ChatOpenAI( modelgpt-3.5-turbo-1106, # 或 gpt-4 temperature0, # 降低随机性让回答更确定 openai_api_keyos.getenv(OPENAI_API_KEY), # 如果使用国内模型可能需要配置 base_url 等参数 # base_urlhttps://api.openai.com/v1, # 替换为对应模型的地址 ) # 3. 定义工具列表 tools [check_drone_availability, calculate_rental_price] # 4. 构建提示词模板指导Agent的行为 prompt ChatPromptTemplate.from_messages([ (system, 你是一个专业的无人机租赁助手。你的职责是帮助用户查询可租赁的无人机、计算价格并提供租赁建议。 请根据用户的问题选择性地使用你拥有的工具来获取准确信息。 如果你没有合适的工具来回答用户的问题请礼貌地告知用户你无法处理该请求并建议其联系人工客服。 你的回答应友好、专业且简洁。 ), MessagesPlaceholder(variable_namechat_history), # 预留历史消息的位置 (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), # Agent思考过程的位置 ]) # 5. 创建记忆让Agent能记住对话上下文 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 6. 创建Agent agent create_openai_tools_agent(llm, tools, prompt) # 7. 将Agent封装成执行器 agent_executor AgentExecutor( agentagent, toolstools, memorymemory, verboseTrue, # 设置为True可以在控制台看到Agent的思考过程调试时非常有用 handle_parsing_errorsTrue # 处理解析错误 ) return agent_executor # 全局Agent实例简单示例生产环境需考虑并发和生命周期 rental_agent create_rental_agent()3.4 Python AI服务提供API接口最后我们用 FastAPI 创建一个Web服务暴露Agent的能力。# 文件app/main.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel from app.agents.rental_agent import rental_agent app FastAPI(titleAI无人机租赁助手API) class ChatRequest(BaseModel): message: str user_id: str None # 可选用于区分不同用户的对话历史 class ChatResponse(BaseModel): response: str agent_thoughts: str None # 可选返回Agent的思考链用于调试 app.post(/chat, response_modelChatResponse) async def chat_with_agent(request: ChatRequest): 与无人机租赁助手对话。 try: # 调用Agent执行器 result rental_agent.invoke({input: request.message}) response_text result.get(output, 抱歉我没有得到有效的回复。) # 可以从result中提取更多信息比如中间步骤这里简单返回 return ChatResponse(responseresponse_text) except Exception as e: # 记录日志 print(fAgent执行出错: {e}) raise HTTPException(status_code500, detailf处理您的请求时出现错误: {str(e)}) app.get(/health) async def health_check(): return {status: healthy} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)现在启动你的AI服务cd drone-rental-ai uvicorn app.main:app --reload --host 0.0.0.0 --port 8000访问http://localhost:8000/docs可以看到自动生成的API文档。4. 系统联调与测试让我们测试一下整个流程是否跑通。4.1 准备测试数据在MySQL中插入一些测试无人机数据可以通过Spring Boot启动自动生成或手动插入INSERT INTO drone (name, type, rental_price_per_hour, max_flight_time, stock, description) VALUES (DJI Mavic 3 Pro, 航拍, 200.00, 46, 5, 旗舰级航拍无人机哈苏相机), (DJI Air 3, 航拍, 120.00, 38, 8, 中端航拍无人机双摄系统), (DJI Matrice 350 RTK, 测绘, 500.00, 55, 2, 行业级无人机高精度测绘), (Autel EVO Lite, 航拍, 100.00, 40, 3, 4K航拍无人机便携性强);4.2 测试Agent对话使用curl或 Postman 调用AI服务的/chat接口。请求示例curl -X POST http://localhost:8000/chat \ -H Content-Type: application/json \ -d { message: 我想租一台用于航拍的无人机续航最好在40分钟以上有什么推荐吗 }预期响应{ response: 找到 2 款符合条件的无人机\n- DJI Mavic 3 Pro: 时租¥200.0, 续航46分钟, 库存5台。\n- Autel EVO Lite: 时租¥100.0, 续航40分钟, 库存3台。\n您可以根据预算和喜好进行选择。 }再次提问测试记忆和工具链curl -X POST http://localhost:8000/chat \ -H Content-Type: application/json \ -d { message: 如果我租DJI Mavic 3 Pro租3个小时要多少钱 }预期响应 Agent会先回忆上下文知道我们在讨论Mavic 3 Pro然后调用calculate_rental_price工具虽然我们示例工具是模拟的但逻辑正确返回计算出的价格。5. 进阶功能与优化方向一个基础的原型已经完成。要让其更完善可以考虑以下方向5.1 集成向量知识库RAG将无人机说明书、租赁协议、常见问题FAQ文档转换成向量存入ChromaDB。当用户问及“炸机了怎么办”或“你们的保险覆盖哪些情况”时Agent可以先从知识库中检索相关片段再结合检索到的信息生成回答。核心步骤文档加载与分割使用 LangChain 的TextLoader和RecursiveCharacterTextSplitter。文本嵌入使用OpenAIEmbeddings或HuggingFaceEmbeddings。向量存储使用Chroma。创建检索链并将其作为一个工具提供给Agent。5.2 实现更复杂的订单创建Agent创建一个专门的“订单创建Agent”它拥有更多工具get_user_credit_tool: 查询用户信用分。check_drone_availability_by_id_tool: 精确查询某台无人机档期。create_order_tool: 调用后端API创建订单。 这个Agent可以处理从询价到下单的完整流程。5.3 前端集成开发一个简单的前端页面Vue/React提供一个聊天窗口。前端通过WebSocket或轮询调用/chatAPI实现一个交互式的AI租赁助手界面。5.4 系统稳定性与性能错误处理与降级在Agent工具调用失败时如后端API超时应有友好的降级回复而不是抛出异常。对话记忆管理当前使用内存存储对话生产环境需换成Redis等外部存储并设置会话过期时间。提示词工程优化不断优化System Prompt让Agent更精准、更安全避免幻觉和无关输出。API密钥管理使用环境变量或专业的密钥管理服务切勿将密钥硬编码在代码中。6. 常见问题与排查思路在开发过程中你可能会遇到以下问题问题现象可能原因排查思路Spring Boot 启动失败数据库连接错误1. MySQL服务未启动。2.application.properties中的数据库URL、用户名、密码错误。3. 数据库drone_rental不存在。1. 检查MySQL服务状态。2. 核对配置文件。3. 登录MySQL执行CREATE DATABASE drone_rental;。Python AI服务启动失败提示缺少模块1. 虚拟环境未激活。2.requirements.txt中的依赖未安装完全。1. 确认终端前缀有(venv)。2. 重新运行pip install -r requirements.txt。调用/chatAPI 返回OpenAI API key not provided1. 未设置OPENAI_API_KEY环境变量。2..env文件未加载或格式错误。1. 检查是否在项目根目录创建了.env文件内容为OPENAI_API_KEYsk-xxx。2. 确认代码中load_dotenv()已执行。Agent 回答 “我没有工具处理这个问题”1. 用户问题超出已定义工具的范围。2. 提示词System Prompt未引导Agent正确使用工具。1. 检查工具函数的description是否清晰。2. 优化System Prompt明确Agent的职责和可用工具。Agent 调用工具时后端API返回4041. Spring Boot 后端服务未运行。2. 工具中调用的API路径错误。1. 确保后端在localhost:8080运行。2. 使用Postman直接测试后端API是否正常。对话没有记忆上下文ConversationBufferMemory未正确配置或每次请求创建了新实例。确保create_rental_agent中创建的memory对象被AgentExecutor复用并且API端点使用的是全局的rental_agent实例。7. 项目总结与学习收获通过这个“AI无人机租赁系统”的原型实现我们完成了一次从传统业务系统到智能化应用的跃迁。你不仅实践了Spring Boot和Python的协同开发更重要的是掌握了如何利用LangChain框架将大语言模型转化为能解决实际业务问题的智能体Agent。核心收获解耦设计业务逻辑Java后端与AI能力Python服务分离通过API通信架构清晰易于维护和扩展。Agent思维学会了如何将复杂任务分解并通过定义“工具”来赋予大模型执行能力这是构建实用AI应用的关键。工程化实践涵盖了环境搭建、依赖管理、API设计、错误处理等全流程是一个完整的全栈AI项目经验。如何用于毕设/面试毕设你可以在此基础上深化任意一个进阶方向。例如实现完整的RAG知识库并撰写对比实验报告或者实现一个多Agent协作系统如询价Agent、风控Agent、调度Agent。面试在介绍项目时重点突出你的架构设计能力为什么拆分成两个服务、技术选型思考为什么用LangChain而不是直接调API、问题解决能力在集成中遇到了什么坑如何解决的。你完全可以自信地说你实现了一个具备初步自主决策能力的AI业务系统。项目的完整源码包含了更详细的注释和一些额外的工具示例你可以在此基础上继续探索比如接入微信小程序、增加语音交互、实现更复杂的多轮谈判Agent等。技术的价值在于解决实际问题希望这个项目能成为你探索AI应用世界的一块坚实跳板。