AI Tour Meeting: Group Travel Planning by LLM Agents
AI Tour Meeting：基于多智能体LLM的群组旅行规划框架
🧭 多智体协作模拟群组决策
NTT, Inc.
用多个具有不同人格的LLM Agent通过对话协商制定满足群组约束的行程，提供模拟与分析平台
📌 工作参考价值
- 群组推荐评估：可用来模拟多个用户角色对推荐列表的协商与反馈，低成本测试群组推荐算法的满意度，尤其在电商的家庭出游保险、团队外卖点餐等场景。
- 多Agent协商流程设计：框架中的讨论工作流配置（轮次、发言顺序、决策规则）可直接复用到需要多方达成共识的电商Agent场景，例如智能客服中的多利益方协商（买家、卖家、平台）。
- 用户模拟与画像注入：通过定义不同人格的Agent（预算敏感型、景点偏好型等）来生成多样化的行为数据，可用于增强推荐模型的离线评估，或为强化学习环境生成模拟用户。
- 监控与调试工具：内置的对话记录、状态追踪和LLM部署接口，为多Agent系统的可观测性和快速实验提供了工程样板，可借鉴用于内部多智能体推荐编排的调试。
动机：群组旅行规划需平衡不同参与者的成本、时间、偏好等多目标，传统基于人的研究方法成本高且难以规模化。利用LLM Agents模拟用户参与讨论，可降低大规模行为分析成本，并可用于评估现有群组推荐系统。
方法：提出AI Tour Meeting框架，核心是多个基于LLM的Agent，每个Agent被赋予独特的人格（如预算限制、兴趣点）和约束。Agent通过多轮自然语言对话协商行程，框架提供配置代理角色、讨论工作流（发言顺序、达成共识规则）、过程监控以及LLM后端（如GPT-4）的统一接口。主要作为模拟工具，并无强制推荐算法，而是观察Agent在给定对话机制下如何收敛到满足群组约束的行程。
关键结果：系统验证确认框架能正确生成符合多人约束的行程。分析表明不同LLM模型和讨论轮次设置会显著影响最终行程的平衡性与时间效率，例如增加讨论轮次可提升行程对多数人偏好的满足度，但可能牺牲个别代理的极端约束。工具已开源供研究使用。