大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



本文将分享我如何利用腾讯位置服务Map Skills体系 + 大模型Agent + Tool Calling，零代码（低代码）构建一个自然语言驱动的智能出行助手——只需说一句“帮我规划一个青岛一日游”，它就能自动完成景点推荐、路线排序、时间编排、地图可视化全流程。

AI+地图的想象力远不止“查个位置”这么简单。本文结合腾讯位置服务提供的Map Skills工具集（JSAPI GL / WebService Skill）与大模型的Tool Calling能力，设计并实现了一款对话式智能出行助手。

文章将完整拆解：如何让大模型“学会”调用地图API？如何用自然语言驱动POI检索、路径规划、多点排序？如何将AI生成的行程一键渲染到腾讯地图上？附完整代码示例与Demo演示方案。

1.1 一个真实痛点

上周末，我计划带家人去青岛玩一天。打开地图App，我需要在多个App之间反复切换：

• 小红书查“青岛一日游攻略”
• 地图App搜“栈桥”“五四广场”“海水浴场”
• 手动计算每个景点之间的距离和时间
• 再找吃饭的地方……

为什么不能让AI帮我做完这一切？

1.2 腾讯位置服务Map Skills：打通AI与地图的“最后一公里”

腾讯位置服务推出的Map Skills体系，本质上是一套面向大模型的“地图能力工具箱”——它将复杂的地图API封装成大模型易于理解和调用的“技能函数”，让AI可以像人一样“学会”使用地图。

核心思路：大模型负责“理解意图+决策调度”，Map Skills负责“执行具体地图操作”。两者结合，AI就能像人一样“操作”地图了。

2.1 整体架构图

 ┌─────────────────────────────────────────────────────────────┐ │ 用户自然语言输入 │ │ “帮我规划一个青岛一日游，从栈桥开始， │ │ 中午想在五四广场吃烤肉，下午去海水浴场” │ └─────────────────────────┬───────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────────┐ │ 大模型Agent（意图识别层） │ │ - 解析目的地、时间偏好、餐饮需求 │ │ - 决定调用哪些Tool（POI检索/路线规划/距离计算） │ └─────────────────────────┬───────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────────┐ │ Tool Calling（工具调度层） │ │ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐│ │ │ POI检索Tool │ │ 距离矩阵Tool │ │ 路线规划Tool ││ │ │ (webservice) │ │ (webservice) │ │ (jsapi) ││ │ └─────────────────┘ └─────────────────┘ └─────────────────┘│ └─────────────────────────┬───────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────────┐ │ 腾讯位置服务API（执行层） │ │ 地点搜索 → 获取景点经纬度 → 距离计算 → 最优排序 → 路线生成 │ └─────────────────────────┬───────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────────┐ │ 前端地图渲染（腾讯地图JSAPI GL） │ │ - 标注景点位置 │ │ - 绘制最优路线 │ │ - 展示行程卡片 │ └─────────────────────────────────────────────────────────────┘

2.2 技术选型

---

3.1 定义Tool（工具）—— 大模型可调用的“地图能力”

以POI检索为例，我们需要定义一个大模型能理解的Tool Schema：

 # 使用LangChain定义Tool from langchain.tools import tool @tool def search_poi(keyword: str, city: str, limit: int = 10) -> list: """ 搜索指定城市的地点（POI）。 适用场景：用户问“附近有什么好吃的”“栈桥在哪里”“找一家咖啡厅”等。 Args: keyword: 搜索关键词，如“烤肉店”“五四广场”“咖啡厅” city: 城市名称，如“北京市”“上海市” limit: 返回结果数量，默认10 Returns: list: 地点列表，包含名称、地址、经纬度、评分等信息 """ import requests url = "https://apis.map..com/ws/place/v1/search" params = { "keyword": keyword, "boundary": f"region({city},1)", # 城市范围内搜索 "page_size": limit, "key": "YOUR_TENCENT_MAP_KEY" } response = requests.get(url, params=params) data = response.json() results = [] for item in data.get("data", []): results.append().get("lat"), "lng": item.get("location", {}).get("lng"), "category": item.get("category"), "tel": item.get("tel", "") }) return results

定义距离计算Tool：

 @tool def calculate_distance(origin_lat: float, origin_lng: float, dest_lat: float, dest_lng: float) -> dict: """ 计算两个地点之间的驾车距离和时间。 适用场景：行程规划中需要排序景点、预估通勤时间。 """ url = "https://apis.map..com/ws/distance/v1/matrix" params = { "from": f"{origin_lat},{origin_lng}", "to": f"{dest_lat},{dest_lng}", "mode": "driving", "key": "YOUR_TENCENT_MAP_KEY" } response = requests.get(url, params=params) data = response.json() if data.get("status") == 0: elem = data["rows"][0]["elements"][0] return {"distance_km": round(elem["distance"] / 1000, 1), "duration_min": round(elem["duration"] / 60)} return {"error": "计算失败"}

3.2 Agent调度逻辑：大模型如何“思考”

当用户输入“帮我规划青岛一日游，想去栈桥、五四广场、海水浴场”，大模型的内部推理流程：

 用户Query → 意图识别 → 工具调用序列 Step 1: 识别出“栈桥、五四广场、海水浴场”是POI名称 → 调用 search_poi("栈桥", "青岛市") → 调用 search_poi("五四广场", "青岛市") → 调用 search_poi("海水浴场", "青岛市") Step 2: 获取三个地点的经纬度后 → 需要计算两两之间的距离，确定最优游览顺序 → 调用 calculate_distance(栈桥, 五四广场) → 调用 calculate_distance(五四广场, 海水浴场) Step 3: 根据距离矩阵，推理出最优顺序（例如：栈桥→五四广场→海水浴场） → 生成行程方案 → 调用前端渲染函数，在地图上绘制路线

3.3 完整Agent代码示例（简化版）

python

 import json from langchain.agents import initialize_agent, AgentType from langchain.chat_models import ChatOpenAI # 注册所有工具 tools = [search_poi, calculate_distance, get_route_plan] # 初始化大模型（支持Function Calling） llm = ChatOpenAI(model="gpt-4o", temperature=0.3) # 创建Agent agent = initialize_agent( tools, llm, agent=AgentType.OPENAI_FUNCTIONS, # 使用Function Calling verbose=True, handle_parsing_errors=True ) # 用户输入 user_input = """ 我想在青岛玩一天，想去栈桥、五四广场、海水浴场，中午想在五四广场附近吃烤肉。 帮我规划一个合理的行程顺序，并告诉我每个景点之间的交通时间。 """ # Agent自动执行 response = agent.invoke({"input": user_input}) print(response["output"])

Agent输出示例：

 根据计算，推荐行程顺序如下： 1. 栈桥（9:00-12:00）- 建议上午游览，人相对较少 2. 五四广场（12:30-15:30）- 从栈桥驾车约20分钟（5.2公里） 3. 午餐：韩三胖烤肉（五四店），距离五四广场约200米，步行2分钟 4. 海水浴场（16:00-18:00）- 从五四广场驾车约40分钟（15公里） 总行车时间约60分钟，行程合理，不走回头路。

AI生成行程后，我们需要调用腾讯地图JSAPI GL将结果可视化。

4.1 地图初始化 + 标注景点

 // 初始化地图 const map = new TMap.Map(document.getElementById('container'), { center: { lat: 36.0751, lng: 120.4128 }, // 宁夏路 zoom: 11 }); // 添加景点标记 const points = [ { name: '栈桥', lat: 36.0617, lng: 120.3182 }, { name: '五四广场', lat: 36.0628, lng: 120.3844 }, { name: '海水浴场', lat: 36.0567, lng: 120.3429 } ]; const markers = points.map(point => { return new TMap.MultiMarker({ map: map, geometries: [{ id: point.name, position: new TMap.LatLng(point.lat, point.lng), properties: { title: point.name } }] }); });

4.2 绘制路线

 // 按最优顺序绘制路线 const routePoints = [ { lat: 36.0617, lng: 120.3182 }, // 栈桥 { lat: 36.0628, lng: 120.3844 }, // 五四广场 { lat: 36.0567, lng: 120.3429 } // 海水浴场 ]; // 调用腾讯地图路线规划API fetch(`https://apis.map..com/ws/direction/v1/driving?from=${routePoints[0].lat},${routePoints[0].lng}&to=${routePoints[1].lat},${routePoints[1].lng}&key=YOUR_KEY`) .then(res => res.json()) .then(data => { const route = data.result.routes[0]; const polyline = new TMap.MultiPolyline({ map: map, geometries: [{ path: route.polyline, // 腾讯地图返回的路线点串 color: '#3777FF', width: 4 }] }); });

本次Demo以“智能出行”为切入点，同样的技术架构可以扩展到更多场景：

6.1 Tool Calling的“意图漂移”

问题：大模型有时会错误理解工具的参数。例如用户问“栈桥附近有什么好吃的”，模型可能调用search_poi(keyword="栈桥", city="青岛市")而不是keyword="餐厅"。

解决方案：

• 在Tool的description中写清楚适用场景。
• 增加一个意图分类器前置处理（小模型做初筛）。

6.2 地图API的并发限制

问题：免费版腾讯地图API有QPS限制，高并发场景会报错。

解决方案：

• 在Agent中增加重试机制和限流等待。
• 使用缓存：相同POI检索结果缓存1小时。

6.3 长行程的Token消耗

问题：一次复杂的行程规划可能调用10+次API，产生大量上下文Token。

解决方案：

• 使用结构化输出：让模型只返回关键字段（景点ID、顺序），而不是完整描述。
• 采用ReAct Agent：每次工具调用后只保留必要信息。

通过这次实践，我深刻体会到：

AI+地图不是“1+1=2”，而是指数级进化：大模型让地图从“被动查询”变成“主动规划”，用户体验跃升。
 
腾讯位置服务Map Skills是AI时代的地图基础设施：它把复杂的地图能力封装成AI可调用的“函数”，大幅降低了AI+地图的应用门槛。 
自然语言将成为地图交互的新范式：未来用户不再需要学习复杂的App操作，只需要“说一句话”。