AI Tour Meeting：基于LLM智能体的团体旅行规划

# AI Tour Meeting：基于LLM智能体的团体旅行规划
来源：https://arxiv.org/html/2607.18806
###### 摘要

本文提出了AI Tour Meeting，一个基于多个大语言模型（LLM）智能体的团体旅行规划框架。这些智能体被实例化为不同的人物角色，并通过自然语言讨论协作寻找满足其约束和偏好的行程。该框架通过提供配置智能体角色、讨论工作流、监控和LLM部署的接口，使得此类讨论的编排变得简单且灵活。其主要用途是一个模拟工具，用于分析多个LLM智能体在旅游规划讨论中的行为。本文通过系统验证和框架获得的若干分析结果，展示了该框架的实用性。

![[未标注图片]](https://arxiv.org/html/2607.18806v1/images/ai-tour-meeting-logo2.png)

AI Tour Meeting：基于LLM智能体的团体旅行规划

Daisuke KikutaNTT, [email protected]

## 1 引言

团体旅行规划旨在找到一条平衡多个参与者之间多重目标（如成本、旅行时间和个人偏好）的行程。先前的工作侧重于支持人类团体确定平衡的行程Nguyen and Ricci (2018 (https://arxiv.org/html/2607.18806#bib.bib3)); Chenet al. (2021 (https://arxiv.org/html/2607.18806#bib.bib2)); Chenget al. (2026 (https://arxiv.org/html/2607.18806#bib.bib5))。与此同时，在更广泛的领域中，近期研究探索了使用基于角色的大语言模型（LLM）智能体来模拟人类行为Parket al. (2023 (https://arxiv.org/html/2607.18806#bib.bib8)); Zhouet al. (2024 (https://arxiv.org/html/2607.18806#bib.bib6)); Jianget al. (2024 (https://arxiv.org/html/2607.18806#bib.bib7)); Hu and Collier (2024 (https://arxiv.org/html/2607.18806#bib.bib9))。这一新兴方向预计也与团体旅行规划相关。例如，在此类模拟环境中进行自动评估，可以降低团体旅行规划中大规模行为分析以及评估现有团体旅行推荐系统的成本。在应用中，用户可以与代表无法实际参与讨论的团体成员的LLM智能体进行交互，并协作确定行程。

为解决这一新兴需求，我们提出了AI Tour Meeting，一个由多个LLM智能体驱动的团体旅行规划框架。每个智能体被实例化为不同的人物角色，并通过自然语言讨论与其他智能体协作，寻找满足其约束和偏好的行程。我们的框架提供了编排此过程的接口。与现有基于角色的智能体模拟Parket al. (2023 (https://arxiv.org/html/2607.18806#bib.bib8)); Zhouet al. (2024 (https://arxiv.org/html/2607.18806#bib.bib6))和通用多智能体框架Liet al. (2023 (https://arxiv.org/html/2607.18806#bib.bib11)); Wuet al. (2024 (https://arxiv.org/html/2607.18806#bib.bib10))相比，我们的框架提供了针对团体旅行规划的领域特定抽象，包括结构化的行程表示、显式的提案-投票工作流，以及专门为旅行规划设计的约束验证和指标监控。这使得用户无需使用通用框架从头实现所需功能，就能专注于其用例。

接下来，我们将描述我们框架的技术细节，并验证其是否能够使用不同规模的Qwen 3.5和GPT模型成功完成讨论。然后，通过使用该框架进行的分析示例，展示其作为模拟工具的有效性。

参见图注图1：AI Tour Meeting 概览。用户首先配置会议设置，包括全局目标、约束、参与者和工作流，然后开始会议。每当提出新行程时，会议会在对话阶段和投票阶段之间交替进行。一旦所有参与者对当前接受的行程感到满意，会议结束。
## 2 提出的框架：AI Tour Meeting

图1 (https://arxiv.org/html/2607.18806#S1.F1)展示了我们框架的概览：我们首先设置具有不同人物角色的LLM参与者和讨论工作流，然后按照指定的工作流启动他们之间的会议。会议从对话阶段开始，在此阶段参与者轮流进行信息搜索、提问和提出行程。一旦提出行程，就会过渡到投票阶段，参与者决定接受或拒绝该行程。此两阶段过程持续进行，直到所有参与者对当前接受的行程感到满意。

在本节中，我们描述行程和参与者的定义、工作流选项、监控的指标以及用户界面。

### 2.1 行程

会议期间提出的行程由目的地及其之间的交通信息组成，定义如下：

R = (d_1, d_2, ..., d_N), R = (d_1, d_2, ..., d_N), (1)
其中R是行程，d_i是第i个目的地。每个目的地包括名称、描述、货币成本、到达时间、停留时长、来自上一目的地的交通方式、交通成本和交通时长。

### 2.2 参与者

每个LLM智能体（参与者）被实例化为一个独特的人物角色。该角色由以下属性组成：Name指定其姓名；Background指定其经历或状况；Personality指定其稳定特质；Preference指定其与旅行相关的偏好；Goal指定其在旅行中的个人目标；Role在会议中从引导者或参与者中选择其角色；Tone指定其说话语气，如正式或友好；Explanation style选择说服他人接受其提案的策略，从主观解释、对比解释Kikutaet al. (2024 (https://arxiv.org/html/2607.18806#bib.bib1))或两者中选择。前者基于其偏好提供对提案的主观意见。后者通过比较提案路线与当前路线在成本、时间和目的地数量等客观指标上的差异，解释客观利弊。我们可以选择实例化参与者的LLM，并设置模型参数（如温度和种子）。支持商业LLM和本地LLM（通过Ollama或vLLM）。还可以为每个参与者单独配置上下文管理方法，包括自动压缩和历史截断。

##### 行动

该persona作为系统提示提供给LLM，LLM参与者在会议期间根据给定的persona进行角色扮演并采取行动。会议以轮流方式进行，每个参与者在其单个回合内可以采取多个行动。回合内每一步s的行动定义如下：

(a_s^{type}, msg_s, a_s) = p_m(persona_m, H_{s-1}), (2)
其中p_m是第m个LLM参与者，a_s^{type}是行动类型，msg_s是与该行动关联的消息，a_s是采取的行动，H_{s-1}是会议历史，包括用于管理工作流msgsys的系统消息以及所有参与者过去的行动((a_1^{type}, msg_1, a_1), ..., (a_{s-1}^{type}, msg_{s-1}, a_{s-1}))。行动a_s根据所选行动类型a_s^{type}而变化，如下所示：

a_s = { Search(q_s) if a_s^{type} = search
       Ask(p_{m'}, q_s) if a_s^{type} = ask
       Reflect if a_s^{type} = reflect
       Propose(R_s) if a_s^{type} = propose
       φ otherwise
       Score(v_s) if a_s^{type} = scoring
       φ otherwise. } (3)
有两种类型的行动：中间行动和终端行动。中间行动可以在一个回合内多次采取，而一旦采取终端行动，当前回合结束。中间行动类型包括search、ask和reflect。Search发出查询q_s以通过网页搜索检索目的地位置或成本等信息。Ask向另一个参与者p_{m'}提问q_s并接收响应。Reflect整理和回顾到目前为止进行的讨论。终端行动类型在对话阶段和投票阶段有所不同。在对话阶段，它们包括propose、satisfied和pass。Propose提出一个新的行程R_s。Satisfied表示p_m对当前路线满意。Pass结束其回合而不表达特定立场。在投票阶段，它们包括accept、reject和score。Accept投票赞成提出的行程，Reject不投票赞成提出的行程，Score为提出的路线分配评分v_s。

### 2.3 讨论工作流

旅游会议由全局目标、参与者、约束、轮流规则和投票规则组成。全局目标是所有参与者共同的高级目标，例如规划东京一日观光游。每个参与者在保持与全局目标一致的同时，推进讨论以实现其个人目标。约束在旅行日期、预算和时间窗口方面限制行程。

旅游会议按照指定的轮流规则进行，参与者在此规则下在其回合内多次执行公式(4)中定义的行动。这种正常状态称为对话阶段。一旦参与者提出行程（即，以atype = propose终止回合），流程过渡到投票阶段。在此阶段，除提案者外的所有参与者对提出的行程进行投票。收集所有投票后，根据指定的投票规则确定接受或拒绝该提案路线。如果行程被接受，则当前行程被替换为提出的行程；如果被拒绝，则当前行程保持不变。然后流程返回对话阶段，并从提案者之后的下一个参与者继续轮流。

当所有参与者连续表示对当前路线满意（即，以atype = satisfied终止其回合）时，视为达成共识，会议结束。实际上，会议的终止条件可能除了全体同意外，还受最大回合数或最大执行时间的限制。

算法1 (https://arxiv.org/html/2607.18806#alg1)组织了上述讨论工作流。接下来，我们描述框架中可用的轮流规则和投票规则。

输入 :参与者 P = {p_1, p_2, ..., p_M}; 轮流规则 π_turn; 投票规则 π_vote
输出 :最终旅游行程 R_final

1. R_final ← φ; H ← φ; C ← 0
2. while C < M do
3.   p ← π_turn(P)
4.   while a^{type} ∈ {search, ask, reflect} do
5.     (a^{type}, msg, a) ← p(persona, H)
6.     H ← H + (a^{type}, msg, a)
7.     if a^{type} = propose then
8.       R' ← a
9.     end if
10.  end while
11.  if a^{type} = propose then
12.    V ← φ; C ← 0
13.    for _ ← 1 to M-1 do
14.      p' ← π_turn(P \ p)
15.      while a^{type} ∈ {search, ask, reflect} do
16.        (a^{type}, msg, a) ← p'(persona, H)
17.        H ← H + (a^{type}, msg, a)
18.      end while
19.      if a^{type} ∈ {accept, reject} then
20.        V ← V + a^{type}
21.      end if
22.    end for
23.    if π_vote(V) = accept then
24.      R_final ← R'
25.    end if
26.  else if a^{type} = satisfied then
27.    C ← C + 1
28.  else
29.    C ← 0
30.  end if
31. end while
return R_final

算法 1 旅游会议工作流程图2：AI Tour Meeting 的图形用户界面。从左到右：参与者设置、会议设置、进行中的会议屏幕和分析仪表板。

#### 2.3.1 轮流规则

我们的框架支持标准的四种轮流规则，以及两种额外的选项使其更加灵活。共有五种轮流规则类型：Round robin按固定循环顺序轮换参与者；Inviting让当前发言者确定下一个发言者；Facilitating在每个发言者之后给引导者分配一个额外回合，然后引导者决定下一个发言者；Random随机轮换参与者；Parallel允许所有参与者同时投票（仅用于投票阶段）。请注意，不同的轮流规则可以分别应用于对话阶段和投票阶段。

此外，当启用Balancing选项时，发言回合被组织成周期，使得所有参与者每个周期轮流一次以确保公平。当启用Volunteer选项时，参与者可以选择pass作为终端行动并跳过其回合（即，只有希望发言的参与者才发言）。

#### 2.3.2 投票规则

我们的框架也支持标准的五种投票规则。在Majority和Unanimous中，参与者对提出的行程进行二元投票（接受或拒绝）。如果多数投票中接受票占多数，或者全体一致投票中全体接受，则提出的行程替换当前行程。