核心用法
study-tour 是一款面向教育旅行场景的 Agent Skill，专为研学团、学校秋游、家庭亲子教育旅行等场景设计。该 Skill 通过调用 flyai CLI 工具，整合飞猪（Fliggy）平台的实时旅行数据，为用户提供从交通、住宿到景点门票的全链条规划服务。
使用流程遵循严格的四步工作流：环境检查 → 参数收集 → CLI 命令执行 → 结果格式化。系统会自动识别用户意图中的教育旅行关键词（如"研学"、"field trip"、"educational tour"），触发专属的 Playbook 编排——包括博物馆专线、历史文化专线、科技探索专线等场景化方案。
核心 CLI 命令覆盖六大模块：search-flight 机票查询（支持弹性日期、舱位筛选、价格排序）、search-hotel 酒店预订（支持按景点距离、星级、评分排序）、search-poi 景点检索（支持按评分、类别过滤）、keyword-search 自然语言关键词搜索。Skill 强制要求每个结果包含 [Book]({detailUrl}) 预订链接，确保数据来源于实时 API 而非训练数据。
显著优点
实时数据权威性：直接对接阿里巴巴飞猪平台的库存系统，机票价格、酒店房态、景点余票均为实时数据，避免传统 AI 规划中的"幻觉"问题。
场景化智能编排：内置 Museum Tour、History Tour、Science Tour 等多条教育专线 Playbook，自动组合"交通+住宿+学习目的地"的最优方案，减少人工比价的繁琐。
多语言无缝适配：严格遵循用户输入语言进行输出（中文输入 → 中文结果，英文输入 → 英文结果），适合国际学校双语场景。
价格透明与筛选灵活：支持按价格升序、评分降序、距离优先等多维度排序，可设置价格上限、出发时段等精细筛选条件。
潜在缺点与局限性
外部依赖单点故障：Skill 功能完全耦合于 flyai CLI 工具，若 npm 包下架、API 变更或服务中断，Skill 将完全失效，无本地知识库降级方案。
供应链安全风险：要求全局安装未固定版本的 @fly-ai/flyai-cli 包，存在依赖混淆（typosquatting）和供应链攻击向量，可能被恶意替换为包含后门的版本。
数据主权与隐私合规缺陷：用户旅行数据（出发地、目的地、日期、人数等）将传输至中国境内的飞猪服务器，Skill 文档未提供 GDPR/CCPA 合规声明，数据处理和保留期限不透明。
作者可信度不可验证：维护者为个人开发者（T3 级别），在公共平台无可见活动记录，无法验证其安全信誉和长期维护能力。
功能边界限制：仅支持教育旅行场景，常规休闲旅行需切换至 trip-planner Skill；不支持签证代办、保险购买等增值服务的在线交易闭环。
适合的目标群体
- 学校教务与家委会：组织春秋游、研学旅行、毕业旅行的中小学及国际学校
- 亲子教育家庭：注重寓教于乐的博物馆、科技馆、名校参访行程规划
- 教育培训机构：夏令营、冬令营、海外游学项目的线路设计与资源采购
- 旅行社定制师：需要快速获取实时库存数据的教育主题小包团方案设计
使用风险与建议
性能风险：CLI 冷启动和 npm 包安装可能引入 10-30 秒延迟，首次使用需完成环境初始化；网络波动时 API 调用可能超时，建议预留重试机制。
安全风险缓解：建议在 Docker 容器或虚拟机中首次运行，监控网络流量确认无异常外联；手动验证 @fly-ai/flyai-cli npm 包的作者、下载量、更新历史；避免在生产环境直接使用 npm i -g 安装未固定版本依赖。
隐私风险告知：使用前需向最终用户明确披露数据将发送至 Fliggy/阿里巴巴服务器，评估是否符合组织的数据出境合规要求。
运维建议：关注 npm 包的版本变更日志，建立固定版本锁定机制（如 npm i -g @fly-ai/flyai-cli@x.x.x）；定期审查 Skill 输出中 booking 链接的有效性。