AI做旅行攻略翻车现场：路线避堵变必堵，这些坑别踩

我算不上是那种特别热爱旅游的人, 然而我在每次准备出行的时候都会制定旅游攻略。我会在小红书上查阅本地人提出的推荐意见, 同时也使用携程与飞猪这两款平台来对比机票以及酒店的价格信息, 最后将这些内容整合编辑成为一份行程安排表格。

制作这份攻略的过程确实会耗费非常多的精力, 这个过程一般都需要花费一到两天的时间才能完成, 等到把最终的行程表制作完毕的时候, 自己想要出门游玩的那份强烈热情就已经因为上述的繁琐程序而大部分被消耗掉了。

于是, 很多人想到了用AI, 比如豆包这样的工具, 几分钟就能生成一份完整的规划, 吃住行玩样样齐全, 看起来很专业。问题是, 如果你真的拿着这份规划出门, 很可能会被坑惨。这个国庆假期，第一批人已经替大家踩过坑了。

[6d]

01

避堵路线，成了必堵路线

大多数人在使用人工智能来推荐出行计划的时候, 往往会遭遇一个需要避免的失误情况。

出行规划这件事, 它本身就是一个复杂的组合优化问题, 这个情况是大家都知道的。它的运作过程会受到车流量这一项条件的约束, 还会受到景点营业时间这一项条件的约束, 此外还要受到门票预约这一项条件的约束, 同时个人体力也是一个需要被考虑的条件, 这样的一大堆条件共同影响着结果。

因为AI没法获取实时的路况数据所以存在缺陷, 对于临时限行这一类关键信息它也缺失了相关认知, 针对营业时间调整这一类关键信息它同样处于缺失状态。所以它只能基于一些已经过时的信息, 去给你安排一条看起来还算是合理的路线, 但是这条路线往往会跟现实情况出现很大的偏离, 实际情况和计划之间差距很大。

朋友小张在中秋节的时候前往杭州进行旅行, 这次旅行的行程安排是由人工智能来帮助规划的。人工智能根据平时的交通状况, 为他设计了一条被称为“ 拥堵 ”的路线, 据预计, 走完这段路程需要花费四十分钟的时间。

然而, 结果却是令人意想不到的糟糕, 当天那条原本被认为不堵的道路竟然严重堵塞, 其程度宛如一个巨大的停车场, 最终, 这四十分路程的车程, 耗费了两个半小时之久。由于这个意外的延误, 他们之前所预订的、于晚上上演的《最忆是杭州》演出, 当他们抵达景区之时, 已经播放过半了。

02

小众景点，竟是“鬼城”

来自李强的这位读者所经历到的事情, 让咱们大家看了之后, 既觉得好笑又让人头疼。

他在放假期间前往厦门旅行, 心里特别担心鼓浪屿还有曾厝垵这些特别热门的旅游景点里头的人太多, 于是他就让AI推荐几个比较冷门的小众景点, 打算进行错峰出游。AI给他推荐了一个位于郊区而且特别冷门的旅游目的地, 说这个去处不仅可以看到很原生态的自然风景, 还可以去逛逛具有当地特色的集市。

李强一家真的来到了这个地方发现, 景区的大门是紧闭着的, 里面全是长得乱七八糟的杂草。他们向当地人打听才知道, 这个地方因为在大家眼里太过小众了, 前来的游客实在是太少了一些, 所以在半年之前就已经停止营业了。

整个景区安静得简直就像一座被遗弃的鬼城一样, 在方圆5公里的范围之内, 连一个像样点的餐馆都找不出来。一家人没办法, 只好饿着肚子走了一个多小时的时间, 终于才打到了一辆车, 然后赶去附近的集市去吃一顿饭。

大家之所以会觉得人工智能提供给咱们的信息老是晚了一步, 这事跟大模型背后的训练方法是有直接关系的。你要知道, 模型在刚开始做预备学习那一块的时候, 它拿来当教材的数据, 都是从那时候在网上顺手抓下来的, 这么一来, 等它正式拿出来用的时候, 通常会比数据获取的时间再往后拖个半年到一整年。

就拿那个 V4.1 版本举个实在的例子, 它能掌握的情况最多也就到二〇二五年五月份截止的那些内容, 自打那以后又发生了啥新鲜事, 它就是一概全都不知道了。

更让大家觉得头疼的一个情况是, 模型它自己并不知道它其实并不清楚情况。它会用那种看起来特别笃定的语气去跟你说, 推荐你去一个实际上早就已经不存在了的景点, 还说这个地方非常“值得一去”。

03

并不是说人工智能无法做好旅行规划这一件事, 实际上问题的关键在于你并没有使用正确的方法。

你可能会提出疑问, 人工智能的技术能力在不断攀升, 智能体的执行过程变得越来越顺利, 这样的条件下, 难道还会没有办法完成一份旅游攻略的制作任务吗?

从实际的情况来看, 生成旅游攻略这一类的基础性工作对于AI程序来说是完全能够轻松做到的, 甚至可能属于资源利用效率不高的应用场景。大多数用户在使用过程中遇到的困难或者出现的失误, 其根本原因并不是技术本身存在瓶颈, 而是出在了具体操作方式的选择和执行层面。

这里总结了三个让你避免踩坑的关于使用人工智能的方法。

1、使用那些具备专业性质的, 被称为“专家”的人物。同时, 要运用相关的工作“技能”。

人工智能现在已经跨入了代理人的新阶段, 像是豆包还有千问这类市场上最热门的智能代理工具, 它们里面都藏有不少专门负责特定领域的角色以及各类本事, 这些功能都能让你随手拿起来就用。

这就等于说它们已经是提前就把各种行业的咨询顾问给装好了, 不仅自己知道该怎么一步步去处理事情, 也清楚该去哪里找有用的信息, 所以用起来会比你自己费劲琢磨那些给机器看的指令要更靠谱不少。

假设我们使用这个方法作为例子, 那么你就需要点击左侧的“专家”按钮, 然后在输入区域填写“旅游”这两个字, 这样的话就会出现40多个可供你选择的旅游领域里的专业人士, 这里面有不少人都是专门专注于某一个特定的城市或者某一个特定的地区。

接着你需要点击那个带有召唤功能的按钮, 这个智能体的代理就会根据它所设定的专业工作流程来为你生成相应的方案, 并且在处理过程中, 它会主动地去查询最新的相关信息。

[32]

2、把事情的目的说清楚, 还有那些限制条件。

Agent这种东西和上一代产品相比, 最大的不同之处在于它具有可以自主规划任务的能力。你把你要达到的目的、需要花费的时间、个人的偏好以及必须遵守的约束条件都讲得清清楚楚, 它会根据你所提供的具体情况去进行拆解任务, 然后分步去进行操作和执行, 到最后给你送出一份专门为你量身定制的方案。

你给予它的信息内容越是具体明确, 它在其中能够发挥作用的余地就非常宽广了, 空间也就显得尤为广阔了。

我们可以给大家提供一个关于提示词实例的示例。

我是在10月5号到6号这两个日期里去上海进行旅行活动的。这次出行的阵容包括了三名成年人和一名儿童。主要的目的想要去观赏具有历史的上海建筑, 同时也喜欢去寻找那些有特色的景点区域。

当然也是希望可以品尝一下当地比较有名的美食。在出行方面是希望实现错开高峰期的效果。所以在住宿的地方是不需要一定住在市中心区域的。所以麻烦帮我规划设计出一个详细的方案出来。

您可能要问, 大模型信息滞后这样的问题到底该如何解决呢? 答案实际上是非常简洁明了的, 大家只需要在提示词的末尾部分, 再追加上一句特定的话语即可。

请务必使用即时搜索这个工具, 去获取当下最新、可靠的信息。

AI就先联网去查营业时间、票价、交通状况, 然后再结合着这些个信息来做规划。

3、通过交叉验证的办法, 可以让所得到的最终结果变得更加可靠。

许多人将人工智能所输出的首轮成果直接视作终稿, 此举属于陷入困境的又一重要缘由。无论是在撰写文本还是在制定计划方面, 均有必要促使人工智能进行多轮次的校验过程。其中最为简便的操作方式是赋予其自我审查之职能, 相关提示语的表述方式可参照如下内容: 。

请对上文生成的结果进行事实核查, 着重确认旅游景区的开放状况、具体作息时段、抵达方式以及费用标注, 并将存疑内容逐一标示。

一些使用人工智能产品比较频繁的用户可能会察觉到一个现象, 当那个工具在进行自我检查并评估它生成的结果的时候, 它会表现出一种偏向性, 这种偏向性会让它固执地去维护自己最初得出的那个结论。

面对这种情况, 我们可以尝试采取一个新的办法, 那就是换另外一款软件来进行复核动作, 拿前面提出来的那些策略方案来说吧, 你可以把它交给豆包这个工具去重新审核一遍。

[e3]

经过几轮校验过程的验证, 人工智能所提供的方案就具备了相对的可靠性。然而, 针对诸如交通路线指引、门票购买以及酒店住宿预定这类具体的应用场景而言, 直接使用专门设计的手机应用软件来进行操作, 依然是更为稳妥且值得信任的选择。

结束语

现在的人都已经能直接看懂, 人工智能这个事儿, 已经到了那个叫Agent的时代, 它已经全面地进入到了那个阶段，开始深入到工作和生活的各个场景里面去了, 在帮你提升效率方面发挥重要作用, 也在辅助决策方面提供了很大的帮助, 一个Agent是由感知、决策、行动、反馈这四个环节组成的, 当前制约它发展的一些因素, 除了模型能力本身这个问题之外, 还有数据接口、插件工具这些生态的完善程度问题需要解决。

哪怕是像编写旅游攻略这种类型的场景, 其中所需的那种专业的知识储备以及实时的数据支持, 往往会被人们给省略掉或者忽视掉。

这种情况恰好揭示了目前人工智能所面临的艰难处境: 它给人的感觉是似乎什么事情都能去尝试着介入一下, 然而一旦进入那些非常关键的营业性的场景里面之后, 便必然要求去建立起十分完备的众多工具设施以及接口功能。

在今天这个人工智能发展的时代, 到底应当怎么样去使用那些人工智能相关的人工智能工具, 这一点已经变成衡量一个人核心竞争能力的关键所在。

在未来的日子里边, 机遇会更多地属于那些人, 这些人能够通过让人工智能来帮助自己重新改变思考问题的方式方法, 同时也重塑自己工作时的模式, 而且还可以在这个过程中不停地让自己变得更好更加完善, 只有那种愿意和人工智能一起共同成长一起去进化的人, 才能够一直处在最前面的位置, 始终引领这个时代的潮流方向走在最前线。