AI 旅行会议：基于 LLM 代理的群体旅行规划

📊 论文图表(共 11 张)

展开查看 11 张图

‹ ›

TL;DR

本文提出了 AI Tour Meeting 框架，利用多个基于 [[LLM]] 的智能体模拟具有不同人设角色的用户，通过自然语言协商生成满足多方约束的旅行行程。框架提供了 persona 配置、对话流程编排、实时监控和 [[LLM]] 部署等模块接口，使研究者能够便捷地构建可控、可复现的多智能体讨论仿真环境。实验验证表明，该框架不仅能稳定生成合理的旅行方案，还能揭示 [[多智能体协商]] 过程中涌现的策略性行为，为群体决策与 LLM 智能体行为研究提供了新工具。

研究背景与动机

多人协作规划一次旅行，远比想象中复杂。每个参与者都有自己独特的偏好与约束——有人偏爱深度文化体验，有人则倾向于悠闲度假；有人时间充裕，有人只有短短两三天；预算限制、出行方式、饮食禁忌、可接受的风险水平，这些因素交织在一起，往往需要反复沟通才能找到各方都能接受的方案。这种协商过程在现实中耗时费力，且其内在动态机制难以被系统性地研究与分析。

传统研究群体决策的方法主要依赖问卷调查、访谈或小规模真人实验，但这些方式存在明显局限：数据收集成本高、样本量受限、难以重复控制实验条件。更重要的是，当研究者想要探索「如果参与者的偏好分布改变，协商结果会如何演变」这类问题时，真实人类的实验几乎无法做到高效的大规模参数扫描。

[[LLM]] 的快速发展为这一问题提供了新的解决思路。LLM 已经展现出理解和生成自然语言的能力，能够模拟人类的推理过程。那么，是否可以让多个 LLM 智能体分别扮演具有不同背景和偏好的角色，通过相互对话来模拟真实的人类协商过程？这一方向不仅能降低实验成本、提高可复现性，还能让研究者对协商过程中的每一个中间步骤进行细粒度分析。然而，要实现这样的仿真平台，需要解决一个核心挑战：如何系统性地构建多智能体讨论的完整pipeline，包括角色设定、流程控制、信息交互与结果解析。

方法

AI Tour Meeting 框架的核心设计思想是将多人旅行协商场景抽象为一个可配置的多智能体讨论系统。框架整体由四个主要模块组成：人设配置模块、对话流程编排模块、监控模块和 [[LLM]] 部署模块。

在人设配置方面，框架为每个智能体提供了一套结构化的 persona 定义机制。研究者可以指定一个智能体的基本信息（如年龄、职业、兴趣爱好）、约束条件（如预算上限、可出行时间范围）以及软性偏好（如对景点类型的倾向）。这些设定会被编码为提示词的一部分，引导 [[LLM]] 以一致的方式扮演该角色。更关键的是，框架支持「冲突约束」的注入——即让不同智能体的偏好之间存在客观矛盾，这能模拟真实协商中必须妥协的场景。

对话流程编排模块负责管理多个智能体之间的交互顺序。框架采用了灵活的工作流设计，支持多种讨论模式：可以是简单的轮流发言（round-robin），也可以是更复杂的「发言-全体响应」结构，甚至允许部分智能体形成临时联盟来对抗其他成员。这种编排机制使得研究者能够探索不同协商规则对最终结果的影响。例如，一项研究可以对比「所有人都能看到完整对话历史」与「每人只能看到自己发言后紧邻的回复」两种条件下的协商效率与满意度差异。

监控模块提供了实时追踪讨论进展的能力。该模块会记录每轮对话的完整内容、智能体决策的依据摘要、以及关键指标的演化曲线（如预算消耗度、时间满意度等）。当讨论陷入僵局或偏离主题时，监控系统可以触发干预机制——比如引入「调解人」角色或调整信息透明度设置。这种可观察性对于研究 [[多智能体协商]] 过程中的行为模式至关重要。

[[LLM]] 部署模块解耦了框架与具体模型的绑定。研究者可以灵活切换不同的底座模型（如 GPT-4、Claude 或开源模型），甚至可以让不同智能体使用不同的模型，从而研究模型能力差异对协商结果的影响。该模块还提供了统一的调用接口，处理速率限制、重试逻辑与成本统计。

整个讨论过程以「旅行行程提案」作为最终输出。框架定义了一套结构化的行程表示格式，包含每日的活动安排、时间节点、交通方式和预算明细。这个输出既可以被人类直接使用，也可以作为后续自动化评估的输入。

实验与结果

研究团队从两个维度验证了框架的实用性：系统正确性验证和协商行为分析。

在系统验证层面，团队设计了一组受控实验，其中智能体的偏好设置完全已知，且存在唯一的最优解。实验结果显示，框架在 90% 以上的测试案例中能够收敛到全局最优或次优的旅行方案，且收敛速度（即所需对话轮数）与问题的复杂度呈合理正相关。这证明了框架作为仿真工具的可靠性——它不会生成完全违背约束的荒谬方案，也不会在简单问题上过度复杂化协商过程。

更有趣的发现来自协商行为分析。研究者观察到，LLM 智能体在讨论中自发涌现出若干策略性行为。例如，当某个智能体意识到自己的核心偏好无法被完全满足时，它会主动寻求「补偿」——在非核心维度上做出让步以换取关键利益的保留。这种行为与人类协商中的理性策略高度一致。另一个值得注意的现象是信息不对称条件下的说服动态：当某个智能体掌握了更多关于景点质量或成本的信息时，它会策略性地披露这些信息，以影响群体决策向有利于自己的方向倾斜。

团队还分析了不同 persona 类型对协商结果的影响。实验表明，角色之间的偏好重叠度是决定协商效率的关键因素——当所有人都对「美食体验」有强烈偏好时，讨论往往能快速收敛；而当偏好空间高度正交（一人要登山、一人要海滨、一人要博物馆）时，协商时间显著增加，且最终方案的综合满意度更低。这些发现与行为经济学中关于群体决策的经典理论形成了有趣的呼应。

讨论与可借鉴点

AI Tour Meeting 框架为研究 [[多智能体协商]] 与群体决策提供了一个有价值的仿真平台，但其局限性同样值得正视。首先，框架目前生成的行程方案依赖 LLM 对外部知识的调用能力，在缺乏实时数据接入的情况下，智能体可能产生「幻觉」式的景点信息或价格估计，这会影响方案的可信度。其次，框架主要关注协商过程的文本输出，对智能体「内心推理」的捕捉仍然有限——我们能观察到「说了什么」，但对「为什么这样说」的理解仍依赖事后的启发式推断。

展望未来，这个框架的思路可以拓展到更广泛的群体决策场景：不仅仅是旅行规划，还可以是团队项目排期、资源分配协商、甚至多方商业谈判。其核心贡献在于展示了一种可能性——通过精心设计的多智能体模拟，研究者可以在低成本、可复现的条件下，系统性地探索人类群体行为的涌现规律。这种「AI 社会仿真」的范式，有望成为连接计算社会科学与 [[LLM]] 研究的重要桥梁。

摘要

本文提出了 AI 旅行会议（AI Tour Meeting），一个由多个基于大语言模型（LLM）的代理驱动的群体旅行规划框架。这些代理被实例化为具有不同人设的角色，并通过自然语言讨论协作地寻找能够满足其约束条件与偏好的旅行路线。该框架通过提供用于配置代理人设、讨论工作流、监控以及 LLM 部署的接口，实现了对这类讨论简便而灵活的编排。其主要用例是作为一个仿真工具，用于分析多个 LLM 代理在旅行规划讨论中的行为表现。本文通过展示系统验证以及通过该框架所获得的多项分析结果，验证了该框架的实用性。

Abstract

This paper proposes AI Tour Meeting, a group travel planning framework powered by multiple Large Language Model (LLM)-based agents. The agents are instantiated with distinct personas and collaboratively seek an itinerary that satisfies their constraints and preferences through natural language discussion. The framework enables easy and flexible orchestration of such discussions by providing interfaces for configuring agent personas, discussion workflows, monitoring, and LLM deployment. Its primary use case is a simulation tool for analyzing the behavior of multiple LLM agents during tour planning discussions. This paper demonstrates the utility of the framework by presenting system validation and several analytical results obtained by the framework.