企业官网建设流程全解析

这类项目最值得关注的不是“AI+无人机”这个组合本身，而是如何用 LangChain 和 Agent 把“租赁”这个业务流程真正自动化、智能化起来。它适合两类人：一是需要做毕业设计或课程设计的学生，想找一个有完整前后端、有实际业务逻辑、又能结合大模型热点的项目；二是准备面试的开发者，需要一个能讲清楚从需求拆解、技术选型到核心模块实现的综合案例。

很多人一看到“AI无人机”就觉得是视觉识别、自动飞行，但在这个租赁系统里，AI 的核心是处理用户对话、理解租赁意图、自动执行查询和预订流程。LangChain 负责编排调用链，Agent 负责决策和工具调用，这才是项目的技术骨架。下面我会按实际开发的顺序，从环境搭建到核心模块，拆解一遍实现思路和关键代码，确保你能跑起来，也能讲明白。

1. 先理清业务，再确定技术栈：这个系统到底要做什么？

在动手写代码之前，必须把“无人机租赁”这个业务场景拆解成具体的功能模块和流程。这决定了你的数据库设计、接口设计和 Agent 的决策逻辑。

1.1 核心业务流程与功能模块

一个典型的无人机租赁系统，用户侧的核心流程是：查询 -> 选择 -> 预订 -> 支付 -> 取机/还机 -> 评价。后台则需要管理无人机库存、订单、用户和财务。

基于此，我们可以梳理出以下核心模块：

• 用户模块：注册、登录、个人信息管理。
• 无人机管理模块：无人机信息的增删改查（型号、品牌、续航、载重、日租金、库存状态、图片等）。
• 租赁订单模块：创建订单、查看订单历史、取消订单、支付状态管理。
• 库存与调度模块：这是业务核心，需要根据租赁时间实时更新无人机可用状态，防止超租。
• 智能客服与导租模块（AI Agent核心）：这就是 LangChain + Agent 的用武之地。用户可以通过自然语言与系统交互，例如：“我想租一台能航拍4K、续航30分钟以上的无人机，这周末用。” Agent 需要理解这个请求，调用工具（比如查询数据库）找到符合条件的无人机，并引导用户完成预订。

1.2 技术选型与架构设计

根据上述业务，一个可行的全栈技术选型如下：

• 后端：Python + FastAPI（轻量、异步支持好，适合快速构建API）。数据库用 PostgreSQL 或 MySQL。
• AI 核心：LangChain + 大模型 API（如 OpenAI GPT、国内智谱、月之暗面等）。用 LangChain 来构建 Agent，定义工具（Tools），并管理对话记忆（Memory）。
• 前端：Vue.js 或 React，用于构建管理后台和用户页面。对于课程设计，也可以用简单的 HTML + JavaScript 演示核心交互。
• 其他：Redis（用于缓存和会话管理）、Celery（可选，用于处理异步任务，如发送邮件、库存同步）。

整个系统的数据流大致是：前端请求 -> FastAPI 后端 -> 根据路由，如果是普通API则直接处理；如果是自然语言请求，则交给 LangChain Agent 处理 -> Agent 分析意图，决定调用哪个工具（如search_drones）-> 工具执行（如查询数据库）-> 结果返回给 Agent -> Agent 组织语言回复给前端。

2. 搭建基础环境与项目骨架

不要一上来就写复杂的 Agent 逻辑。先把 Web 服务和数据库的基础架子搭好，确保基础功能（如用户登录、无人机列表）能跑通。

2.1 项目初始化与依赖安装

创建一个标准的 Python 项目目录，并使用requirements.txt管理依赖。

# 创建项目目录 mkdir ai-drone-rental && cd ai-drone-rental mkdir app api core agents tools models schemas utils touch main.py requirements.txt .env # 一个精简的 requirements.txt 示例 fastapi==0.104.1 uvicorn[standard]==0.24.0 sqlalchemy==2.0.23 pydantic==2.5.0 python-dotenv==1.0.0 langchain==0.0.340 langchain-openai==0.0.2 # 如果你用OpenAI openai==1.3.0 redis==5.0.1 celery==5.3.4

使用虚拟环境安装依赖：pip install -r requirements.txt。

2.2 数据库模型设计（SQLAlchemy）

在models/目录下定义核心的数据表。这里的关键是Drone（无人机）和RentalOrder（租赁订单）模型，它们直接关联库存逻辑。

# models/drone.py from sqlalchemy import Column, Integer, String, Float, Boolean, DateTime from sqlalchemy.sql import func from core.database import Base class Drone(Base): __tablename__ = "drones" id = Column(Integer, primary_key=True, index=True) name = Column(String(100), nullable=False) # 型号名称 brand = Column(String(50)) max_flight_time = Column(Integer) # 最大续航（分钟） camera_quality = Column(String(50)) # 如 “4K” daily_rate = Column(Float, nullable=False) # 日租金 total_inventory = Column(Integer, default=1) # 总库存 available_inventory = Column(Integer, default=1) # 当前可用库存 is_active = Column(Boolean, default=True) created_at = Column(DateTime(timezone=True), server_default=func.now()) # models/order.py class RentalOrder(Base): __tablename__ = "rental_orders" id = Column(Integer, primary_key=True, index=True) user_id = Column(Integer, index=True) drone_id = Column(Integer, index=True) start_date = Column(DateTime, nullable=False) end_date = Column(DateTime, nullable=False) total_amount = Column(Float) status = Column(String(20), default='pending') # pending, confirmed, cancelled, completed created_at = Column(DateTime(timezone=True), server_default=func.now())

注意：Drone模型中的available_inventory是关键。每次创建有效订单时，需要原子性地减少它；订单取消或完成后，再增加回来。这需要在业务逻辑层做严格的并发控制，防止超租。

2.3 实现基础 CRUD API（FastAPI）

在api/目录下创建路由。先实现最简单的无人机查询接口，这是后续 Agent 工具的基础。

# api/drones.py from fastapi import APIRouter, Depends, Query from sqlalchemy.orm import Session from models.drone import Drone from schemas.drone import DroneOut from core.database import get_db router = APIRouter(prefix="/drones", tags=["drones"]) @router.get("/", response_model=list[DroneOut]) def list_drones( db: Session = Depends(get_db), skip: int = 0, limit: int = 100, min_flight_time: int = Query(None, ge=0), max_daily_rate: float = Query(None, ge=0) ): """查询无人机列表，支持基础过滤""" query = db.query(Drone).filter(Drone.is_active == True) if min_flight_time is not None: query = query.filter(Drone.max_flight_time >= min_flight_time) if max_daily_rate is not None: query = query.filter(Drone.daily_rate <= max_daily_rate) drones = query.offset(skip).limit(limit).all() return drones

到这一步，你应该能通过uvicorn main:app --reload启动服务，并访问/docs看到 Swagger 文档，测试/drones/接口返回数据。这是后续所有复杂功能的基石。

3. 构建 AI Agent 核心：LangChain 工具与智能体

这是项目的亮点，也是面试时最能体现你技术深度的部分。重点不是调用 API，而是设计合理的工具（Tools）和清晰的 Agent 执行流程。

3.1 设计 Agent 所需的工具（Tools）

Agent 本身不直接查数据库，它通过“工具”与外界交互。我们需要把业务能力封装成工具。至少需要以下几个：

1. 搜索无人机工具：根据用户自然语言描述（如“续航长的”、“便宜的”、“能拍4K的”）查询数据库。
2. 查询订单状态工具：根据用户ID或订单号查询历史订单。
3. 创建租赁订单工具：用户选定无人机和日期后，Agent 调用此工具创建订单。

首先，实现一个工具函数，它将被 LangChain 包装。

# tools/drone_search.py from typing import Optional, Dict, Any from sqlalchemy.orm import Session from models.drone import Drone from core.database import SessionLocal def search_available_drones( camera_quality: Optional[str] = None, min_flight_time: Optional[int] = None, max_daily_rate: Optional[float] = None ) -> str: """ 根据条件搜索可用无人机。 返回一个格式化的字符串结果，供Agent阅读。 """ db: Session = SessionLocal() try: query = db.query(Drone).filter( Drone.is_active == True, Drone.available_inventory > 0 ) if camera_quality: query = query.filter(Drone.camera_quality.ilike(f"%{camera_quality}%")) if min_flight_time: query = query.filter(Drone.max_flight_time >= min_flight_time) if max_daily_rate: query = query.filter(Drone.daily_rate <= max_daily_rate) drones = query.order_by(Drone.daily_rate).all() if not drones: return "目前没有找到符合您条件的可用无人机。" result_lines = [] for drone in drones: result_lines.append( f"- 型号：{drone.name} (品牌：{drone.brand}), " f"续航：{drone.max_flight_time}分钟, " f"相机：{drone.camera_quality}, " f"日租金：¥{drone.daily_rate}, " f"可用数量：{drone.available_inventory}" ) return "找到以下符合您条件的无人机：\n" + "\n".join(result_lines) finally: db.close()

3.2 使用 LangChain 创建 Agent

现在，我们用 LangChain 将上面的函数包装成 Tool，并创建一个能够使用这些工具的 Agent。

# agents/drone_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.tools import Tool from langchain.memory import ConversationBufferMemory from tools.drone_search import search_available_drones from tools.order_tools import get_user_orders, create_rental_order # 假设其他工具也已实现 # 1. 定义工具列表 tools = [ Tool( name="SearchDrones", func=search_available_drones, description="""当用户想租赁无人机、查询无人机信息或询问有什么无人机可选时，使用此工具。 输入应该是一个包含以下可选键的JSON字符串：camera_quality（相机质量，如'4K'）、 min_flight_time（最小续航分钟数）、max_daily_rate（最高日租金）。""" ), # Tool(name="GetMyOrders", func=get_user_orders, description="..."), # Tool(name="CreateOrder", func=create_rental_order, description="..."), ] # 2. 设置LLM和Prompt llm = ChatOpenAI( model="gpt-3.5-turbo-1106", # 或 gpt-4 temperature=0, openai_api_key=os.getenv("OPENAI_API_KEY") ) # 系统提示词至关重要，它定义了Agent的角色和能力边界 system_prompt = """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、查看订单状态以及创建新的租赁订单。 请遵循以下规则： 1. 首先，友好地问候用户并了解他们的需求。 2. 如果用户想找无人机，先使用`SearchDrones`工具查询，然后根据结果向用户推荐。 3. 如果用户想创建订单，你需要先确认无人机型号、租赁开始和结束日期，然后使用`CreateOrder`工具。 4. 如果用户想查看订单，使用`GetMyOrders`工具。 5. 始终以清晰、有条理的方式呈现信息。 6. 如果你无法处理用户请求，请礼貌地告知并建议他们联系人工客服。""" prompt = ChatPromptTemplate.from_messages([ ("system", system_prompt), MessagesPlaceholder(variable_name="chat_history"), ("human", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) # 3. 创建Agent和Executor，并加入记忆 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True) agent = create_openai_tools_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True) # 4. 调用示例 if __name__ == "__main__": # 模拟一个对话 response = agent_executor.invoke({"input": "你好，我想租一台能拍4K视频的无人机，预算每天不超过500块。"}) print(response["output"])

关键点：

• 提示词工程：system_prompt是 Agent 的“大脑”，必须清晰定义其角色、步骤和边界。写得越具体，Agent 行为越可控。
• 工具描述：Tool的description字段是给 LLM 看的说明书，它根据这个来决定是否以及如何调用工具。描述要准确、包含输入格式。
• 记忆（Memory）：ConversationBufferMemory让 Agent 能记住对话上下文，实现多轮交互。这对于租赁这种需要多次确认信息的场景是必须的。
• Verbose 模式：开发时设置verbose=True，可以在控制台看到 Agent 的思考链（ReAct），极大方便调试。

4. 将 Agent 集成到 Web 服务并提供 API

Agent 不能只在脚本里跑，需要提供一个 HTTP 接口供前端调用。同时，需要考虑用户会话隔离（每个前端用户应有独立的 Agent 记忆）。

4.1 创建 Agent 服务层与会话管理

我们不能为每个请求都创建一个新的AgentExecutor和Memory，这样会丢失历史。需要用一个字典来管理以user_id或session_id为键的 Agent 实例。

# agents/agent_manager.py from langchain.memory import ConversationBufferMemory from .drone_rental_agent import create_agent_executor # 假设我们把创建逻辑封装成了函数 class AgentManager: def __init__(self): self.user_agents = {} # {session_id: agent_executor} def get_agent_for_session(self, session_id: str): """获取或创建一个属于某个会话的Agent""" if session_id not in self.user_agents: memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True) agent_executor = create_agent_executor(memory) # 传入memory创建 self.user_agents[session_id] = agent_executor return self.user_agents[session_id] def clear_session(self, session_id: str): """清除某个会话的Agent和记忆""" if session_id in self.user_agents: del self.user_agents[session_id] agent_manager = AgentManager()

4.2 提供聊天 API 端点

在 FastAPI 中创建一个新的路由来处理与 AI 助手的对话。

# api/chat.py from fastapi import APIRouter, HTTPException, Header from pydantic import BaseModel from agents.agent_manager import agent_manager import uuid router = APIRouter(prefix="/ai", tags=["ai-assistant"]) class ChatRequest(BaseModel): message: str session_id: str | None = None # 前端可传递已有的session_id class ChatResponse(BaseModel): reply: str session_id: str @router.post("/chat", response_model=ChatResponse) async def chat_with_agent(request: ChatRequest): """ 与无人机租赁AI助手对话。 如果未提供session_id，将生成一个新的，用于保持多轮对话上下文。 """ session_id = request.session_id or str(uuid.uuid4()) agent = agent_manager.get_agent_for_session(session_id) try: result = agent.invoke({"input": request.message}) reply = result["output"] except Exception as e: # 处理Agent执行中的错误，如工具调用失败、LLM API异常等 raise HTTPException(status_code=500, detail=f"AI助手处理请求时出错: {str(e)}") return ChatResponse(reply=reply, session_id=session_id)

现在，前端就可以通过向/ai/chat发送 POST 请求（携带message和可选的session_id）来与 AI 租赁助手交互了。助手会根据对话历史，调用合适的工具来回答问题或执行操作。

5. 核心业务逻辑实现与避坑指南

有了 AI 交互，基础业务逻辑的健壮性同样重要。这里最容易出问题的是库存并发和订单状态机。

5.1 库存扣减与并发控制

当多个用户同时预订同一台无人机时，简单的“查询-判断-更新”流程会导致超租。必须使用数据库的悲观锁或乐观锁。

使用数据库行锁（悲观锁）示例：

# services/order_service.py from sqlalchemy import select from sqlalchemy.orm import Session from models.drone import Drone from models.order import RentalOrder import datetime def create_rental_order_with_lock(db: Session, user_id: int, drone_id: int, start_date: datetime, end_date: datetime): # 1. 开始一个数据库事务 with db.begin(): # 2. 使用 with_for_update() 锁定要操作的无人机行 drone = db.execute( select(Drone).where(Drone.id == drone_id, Drone.is_active == True).with_for_update() ).scalar_one_or_none() if not drone: raise ValueError("无人机不存在或已下架") if drone.available_inventory < 1: raise ValueError("该型号无人机暂无库存") # 3. 在锁内扣减库存 drone.available_inventory -= 1 # 4. 创建订单 days = (end_date - start_date).days + 1 total_amount = days * drone.daily_rate new_order = RentalOrder( user_id=user_id, drone_id=drone_id, start_date=start_date, end_date=end_date, total_amount=total_amount, status='confirmed' ) db.add(new_order) # 5. commit时，锁释放，更改持久化 db.commit() return new_order # 如果中间任何步骤失败，事务回滚，锁释放，库存不会错误扣减。

5.2 订单状态流转与定时任务

订单有生命周期（pending, confirmed, cancelled, completed）。需要一个后台任务（如 Celery Beat）定期扫描已过end_date的confirmed订单，将其标记为completed，并释放无人机库存。

# tasks/order_tasks.py from celery import Celery from core.database import SessionLocal from models.order import RentalOrder from models.drone import Drone import datetime celery_app = Celery('tasks', broker='redis://localhost:6379/0') @celery_app.task def check_and_complete_orders(): """定时任务：检查并完成已结束的订单""" db = SessionLocal() try: now = datetime.datetime.now() # 查找租赁结束时间已到且状态为 confirmed 的订单 expired_orders = db.query(RentalOrder).filter( RentalOrder.end_date < now, RentalOrder.status == 'confirmed' ).all() for order in expired_orders: order.status = 'completed' # 释放库存 drone = db.query(Drone).filter(Drone.id == order.drone_id).first() if drone: drone.available_inventory += 1 db.commit() finally: db.close()

你需要配置 Celery Worker 和 Beat 来执行这个定时任务。

5.3 前端与 Agent 的协同

前端界面需要两个主要部分：

1. 传统功能页面：用户管理、无人机列表浏览、订单列表等。
2. AI 聊天窗口：一个类似聊天框的组件，用于与/ai/chat接口通信，并维护session_id。

在聊天窗口中，当 Agent 通过工具搜索到无人机列表时，前端可以解析回复（或让 Agent 返回结构化数据），并高亮展示相关无人机，甚至提供“立即预订”按钮，点击后调用传统的订单创建 API。这实现了 AI 引导与最终操作的闭环。

6. 项目部署、扩展与面试要点

6.1 基础部署

对于课程设计或毕设演示，最简单的部署方式是：

1. 后端：在云服务器上用nohup或systemd运行uvicorn。
2. 数据库：使用云数据库服务或本地 Docker 运行的 PostgreSQL。
3. 前端：使用npm run build生成静态文件，由 Nginx 提供服务。
4. 环境变量：务必通过.env文件管理敏感信息，如数据库连接串、大模型 API Key，并确保.env文件在.gitignore中。

6.2 可能的扩展方向

要让项目更出彩，可以考虑：

• 多模态：让 Agent 不仅能处理文本，还能接收用户上传的航拍场景图片，并推荐合适的无人机型号（需要结合视觉描述模型）。
• 复杂工具调用：集成支付网关工具（模拟）、天气查询工具（租赁日期若下雨则提醒用户）、物流工具（模拟配送）。
• 使用 LangGraph：如果租赁流程非常复杂（如先询价、再选保险、再选择配件），可以使用 LangGraph 来定义更清晰的状态图和流程。
• 评估与监控：记录用户与 Agent 的对话日志，评估工具调用的准确率和用户满意度。

6.3 面试时如何讲解这个项目

如果你在简历或面试中提及此项目，建议按以下逻辑阐述：

1. 业务理解：先一句话说清系统做什么（一个基于自然语言交互的无人机租赁平台）。
2. 技术架构：点明核心是“FastAPI 后端 + LangChain Agent 中间层 + 传统数据库/业务逻辑”。
3. 我的角色：重点讲清楚你如何设计 Agent 的提示词（System Prompt）和工具（Tools），这是思维能力的体现。
4. 难点与解决：提及库存并发控制（悲观锁）、Agent 会话管理、工具函数的设计与封装。
5. 结果与思考：演示一个完整的对话流程（用户询问 -> Agent 理解并调用工具 -> 返回结果 -> 引导下单）。并讨论局限性，比如 LLM 可能“幻觉”出不存在的信息，以及如何通过严格的工具输入验证和错误处理来缓解。

这个项目的价值在于，它不是一个简单的 CRUD 系统，也不是一个纯 AI 对话 demo，而是将 AI Agent 技术落地到一个有完整业务闭环的真实场景中。从环境搭建、数据库设计、API 编写，到最核心的 Agent 编排和工具调用，每一步都踩一遍，你对“AI 应用开发”的理解会扎实很多。