MCP HubMCP Hub
Volver a habilidades

plan-tour-route

pjt222
Actualizado Yesterday
2 vistas
17
2
17
Ver en GitHub
Otrogeneral

Acerca de

Esta habilidad planifica y optimiza rutas de viaje con múltiples paradas reordenando los puntos de ruta para minimizar el tiempo o la distancia de viaje utilizando datos de OSM. Calcula estimaciones de duración para conducir o caminar, genera matrices de distancia y descubre puntos de interés cercanos, como restaurantes o atracciones, a lo largo de la ruta. Los desarrolladores pueden utilizarla para generar itinerarios detallados y comparar modos de transporte en aplicaciones de planificación de viajes.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add pjt222/agent-almanac -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativo
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/plan-tour-route

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

謀行徑

謀並優化多停之行徑,附時估、距算、沿途景點。

用時

  • 謀多目地之公路行或徒步行
  • 優訪序以減總旅時或距
  • 發掘沿途之餐館、觀景、文化地
  • 生實時預算之日行程
  • 比駕/行/公共交通之選

  • 必要:途點之列(地名、址、座標)
  • 必要:旅模(駕、行、騎、公共)
  • 可選:起終點(若異於首末途點)
  • 可選:時制(出發時、必至時、開放時)
  • 可選:欲發掘之 POI 類(食、觀景、博物館、燃料)
  • 可選:徑型之偏(最速、最短、景觀)

第一步:定途點

採並結構行所必含之諸停。

Waypoint Schema:
┌──────────┬────────────────────────────────────────────┐
│ Field    │ Description                                │
├──────────┼────────────────────────────────────────────┤
│ name     │ Human-readable label for the stop          │
│ address  │ Street address or place name               │
│ lat/lon  │ Coordinates (if known; otherwise geocode)  │
│ duration │ Time to spend at this stop (minutes)       │
│ priority │ Must-visit vs. nice-to-have                │
│ hours    │ Opening/closing times (if applicable)      │
│ notes    │ Parking, accessibility, booking required    │
└──────────┴────────────────────────────────────────────┘

分定序途點(如起終之店)與可重序之途點。

得:諸途點之結構列,至少含名與址或座標。

敗則:若途點模糊(如「該城堡」),用 WebSearch 釋為特定地。若需座標而唯有名,留至第二步地理編碼。

第二步:地理編碼並驗

化諸途點為緯經座標並驗其可達。

Geocoding Sources (in preference order):
1. Nominatim (OpenStreetMap) - free, no key required
   https://nominatim.openstreetmap.org/search?q=QUERY&format=json

2. Overpass API - for POI-type queries
   https://overpass-api.de/api/interpreter

3. Manual coordinates from mapping services

各途點:

  1. 對地理編碼服務查址或地名
  2. 驗返之座標於預期區
  3. 察多結果消歧(擇正確者)
  4. 將座標與原途點數據並存

得:諸途點皆有有效緯經座標,諸點皆於合理地理區(無越洲之異點)。

敗則:若地理編碼無果,試他拼、加區/國限、或搜近地標。若途點於 OSM 覆稀之偏地,用 WebSearch 自旅遊網或文找座標。

第三步:優徑序

定減總旅時或距之訪序。

Optimization Strategies:
┌─────────────────────┬────────────────────────────────────────┐
│ Strategy            │ When to use                            │
├─────────────────────┼────────────────────────────────────────┤
│ Fixed order         │ Stops must be visited in given sequence│
│ Nearest neighbor    │ Quick approximation for 5-15 stops     │
│ TSP solver          │ Optimal ordering for any number        │
│ Time-window aware   │ Stops have opening hours constraints   │
│ Cluster-then-route  │ Stops span multiple days/regions       │
└─────────────────────┴────────────────────────────────────────┘

近鄰啟發法:

  1. 自指定之起點始
  2. 自當前位,擇旅時最近之未訪途點
  3. 移至該途點並標已訪
  4. 重至諸途點皆訪
  5. 返指定之終點(若往返)

多日之行,先依地理近聚途點,再各日內優化。

得:途點有序之序,徑無過倒回。少於 10 停者,總距當於理論最優之 20% 內。

敗則:若近鄰之果有顯倒回(後停近於前者),試反徑或用 2-opt 改進:交對邊,若縮徑則留交。時窗制者,驗各停之至時於開放時內。

第四步:算時與距

對徑各段算旅時與距。

Time Estimation Methods:
┌──────────────┬────────────┬────────────────────────────────┐
│ Mode         │ Avg Speed  │ Notes                          │
├──────────────┼────────────┼────────────────────────────────┤
│ Highway      │ 100 km/h   │ Varies by country/road type    │
│ Rural road   │ 60 km/h    │ Add 20% for winding roads      │
│ City driving │ 30 km/h    │ Add time for parking            │
│ Walking      │ 4.5 km/h   │ Flat terrain; reduce for hills │
│ Cycling      │ 15 km/h    │ Touring pace with luggage      │
│ Hiking       │ 3-4 km/h   │ Use Munter formula for accuracy│
└──────────────┴────────────┴────────────────────────────────┘

各連續途點對:

  1. 算直線(haversine)距為基
  2. 施繞路因子(路 1.3、城 1.4、高速 1.2)
  3. 自調距與模速估旅時
  4. 加緩衝時:駕 10%、公共 15%
  5. 段時加各停之停留時為總行久

得:諸段之時/距矩,附累時計旅與停留。總行久當實(徒步行不逾日光)。

敗則:若估時不實(如 2 時於 10 km 城駕),察繞路因子是否宜。山路者,繞路因子升至 1.6-2.0。公共交通者,用 WebSearch 察實時表而非估。

第五步:附 POI 生行程

將優化之徑匯為含發掘景點之完整行程。

POI Discovery (Overpass API query pattern):
  [out:json];
  (
    node["tourism"="viewpoint"](around:RADIUS,LAT,LON);
    node["amenity"="restaurant"](around:RADIUS,LAT,LON);
    node["amenity"="cafe"](around:RADIUS,LAT,LON);
  );
  out body;

Recommended search radius:
- Along route corridor: 500 m for walking, 2 km for driving
- At waypoints: 1 km radius

立行程文:

  1. 含行名、日、總距、總時之首
  2. 各日(多日者):
    • 日要(始、終、總 km、總時)
    • 各段:出發時、旅模、距、久
    • 各停:至時、停留、述、近 POI
  3. 事務節:泊、燃料、休、緊急聯
  4. 圖參(OpenStreetMap 之徑連結或 GPX 匯)

得:完備、時預算之行程文,含實時、各停 POI 薦、實事務訊。

敗則:若 POI 查返果太多,依評或相關濾。若行程逾可用時,標較低優先停為可選或分日。若偏地無 POI,記之並建議旅人至而地察。

  • 諸途點皆已地理編碼附有效座標
  • 徑序減倒回(無顯不效)
  • 旅時對所擇模實際
  • 各停之停留時計入
  • 總行久於可用時窗內
  • POI 相關且近徑
  • 時敏停之開放時受尊
  • 行程含實事務(泊、燃料、休)

  • 忽開放時:純依距優化或致館閉後而至。常察景之時窗制。
  • 低估城旅:城駕與泊或倍預期時。城停加豐之緩衝。
  • 行程過載:填每分留無延誤或自發發現之餘。每半日留 30-60 分之鬆。
  • 直線距之謬:Haversine 距嚴重低估實路距,尤山地或海岸。常施繞路因子。
  • 忘返事務:單向徑需謀返租車、追火車、或安接送。
  • 季節閉路:山口、渡輪、景觀道或季節閉。徑前驗准入日。

  • create-spatial-visualization — 於互動圖渲染所謀徑
  • generate-tour-report — 將行程匯為格式之 Quarto 報
  • plan-hiking-tour — 行內徒步段之專謀
  • assess-trail-conditions — 察任何步行/徒步段之情

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan/skills/plan-tour-route
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Habilidades relacionadas

llamaguard

Otro

LlamaGuard es el modelo de Meta de 7-8B parámetros para moderar las entradas y salidas de LLM en seis categorías de seguridad como violencia y discurso de odio. Ofrece una precisión del 94-95% y puede implementarse usando vLLM, Hugging Face o Amazon SageMaker. Utiliza esta skill para integrar fácilmente filtrado de contenido y barreras de seguridad en tus aplicaciones de IA.

Ver habilidad

cost-optimization

Otro

Esta Skill de Claude ayuda a los desarrolladores a optimizar los costes en la nube mediante el ajuste de tamaño de recursos, estrategias de etiquetado y análisis de gastos. Proporciona un marco para reducir los gastos en la nube e implementar una gobernanza de costes en AWS, Azure y GCP. Úsala cuando necesites analizar los costes de infraestructura, ajustar el tamaño de los recursos o cumplir con restricciones presupuestarias.

Ver habilidad

quantizing-models-bitsandbytes

Otro

Esta habilidad cuantiza LLMs a precisión de 8 o 4 bits utilizando bitsandbytes, logrando una reducción de memoria del 50-75% con pérdida mínima de precisión. Es ideal para ejecutar modelos más grandes en memoria GPU limitada o para acelerar la inferencia, admitiendo formatos como INT8, NF4 y FP4. La habilidad se integra con HuggingFace Transformers y permite entrenamiento QLoRA y optimizadores de 8 bits.

Ver habilidad

dispatching-parallel-agents

Otro

Esta Skill de Claude despliega múltiples agentes para investigar y solucionar 3 o más problemas independientes de forma concurrente. Está diseñada para escenarios que involucran fallos no relacionados que pueden resolverse sin estado compartido o dependencias. Su capacidad principal es la resolución paralela de problemas, asignando un agente por cada dominio problemático independiente para maximizar la eficiencia.

Ver habilidad