RETAIL: Towards Real-world Travel Planning for Large Language Models

📄 arXiv: 2508.15335v1 📥 PDF

作者: Bin Deng, Yizhe Feng, Zeming Liu, Qing Wei, Xiangrong Zhu, Shuai Chen, Yuanfang Guo, Yunhong Wang

分类: cs.AI

发布日期: 2025-08-21

💡 一句话要点

RETAIL：面向真实世界的大语言模型旅行规划数据集与主题引导多智能体框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 旅行规划 大语言模型 多智能体 数据集 环境感知 用户偏好 隐式查询

📋 核心要点

  1. 现有旅行规划系统难以处理用户隐式需求，忽略环境因素和用户偏好，导致规划方案可行性低。
  2. 论文提出主题引导的多智能体框架TGMA，通过多智能体协作和主题引导，提升规划质量。
  3. 实验表明，现有模型在RETAIL数据集上表现不佳，而TGMA显著提升了旅行规划的成功率。

📝 摘要（中文）

本文旨在解决现有大语言模型在真实世界旅行规划中存在的不足，包括无法处理隐式查询、忽略环境因素和用户偏好、以及缺乏详细的行程规划能力。为此，作者构建了一个名为RETAIL的新数据集，该数据集支持隐式和显式查询的决策，考虑了环境因素以确保计划的可行性，并包含了详细的POI信息以提供一体化的旅行计划。此外，作者还提出了一个主题引导的多智能体框架TGMA。实验结果表明，即使是最强大的现有模型也仅达到1.0%的通过率，表明真实世界的旅行规划仍然极具挑战性。相比之下，TGMA的性能显著提高至2.72%，为真实世界的旅行规划提供了有希望的方向。

🔬 方法详解

问题定义：现有的大语言模型旅行规划系统主要面临三个问题：一是无法处理用户提出的隐式查询，二是忽略了环境因素和用户偏好，三是生成的计划缺乏详细的POI信息，无法提供一体化的旅行方案。这些问题导致现有系统在真实世界场景下的实用性大打折扣。

核心思路：论文的核心思路是构建一个更贴近真实世界场景的数据集RETAIL，并设计一个能够有效利用该数据集进行训练的主题引导多智能体框架TGMA。通过RETAIL数据集，模型可以学习处理隐式查询、考虑环境因素和用户偏好，并生成更详细的旅行计划。TGMA框架则通过多智能体协作和主题引导，提升规划的效率和质量。

技术框架：TGMA框架包含多个智能体，每个智能体负责旅行规划的不同方面，例如景点选择、路线规划、时间安排等。这些智能体通过协作和交流，共同完成旅行计划的制定。框架还引入了主题引导机制，通过预先定义的主题来引导智能体的规划过程，从而提高规划的效率和质量。整体流程包括：用户输入（显式或隐式查询），主题提取，多智能体协作规划，最终生成详细的旅行计划。

关键创新：论文的关键创新在于RETAIL数据集的构建和TGMA框架的设计。RETAIL数据集更贴近真实世界场景，包含了隐式查询、环境因素和详细的POI信息。TGMA框架则通过多智能体协作和主题引导，有效利用了RETAIL数据集，提升了旅行规划的性能。

关键设计：TGMA框架的关键设计包括：1) 智能体的数量和职责划分；2) 智能体之间的协作机制，例如信息共享和协商；3) 主题的定义和提取方法；4) 智能体的训练方法，例如强化学习或监督学习。具体的参数设置、损失函数和网络结构等技术细节在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在RETAIL数据集上，现有最强模型的通过率仅为1.0%，而TGMA框架的通过率显著提升至2.72%。这表明TGMA框架在真实世界旅行规划方面具有显著优势，为未来的研究提供了有希望的方向。虽然绝对数值不高，但提升幅度显著，证明了方法的有效性。

🎯 应用场景

该研究成果可应用于智能旅行助手、个性化推荐系统等领域，为用户提供更智能、更便捷的旅行规划服务。通过考虑环境因素和用户偏好，可以生成更可行、更符合用户需求的旅行计划，提升用户体验。未来，该技术有望进一步发展，实现更复杂的旅行规划任务，例如多目的地旅行、定制化旅行等。

📄 摘要（原文）

Although large language models have enhanced automated travel planning abilities, current systems remain misaligned with real-world scenarios. First, they assume users provide explicit queries, while in reality requirements are often implicit. Second, existing solutions ignore diverse environmental factors and user preferences, limiting the feasibility of plans. Third, systems can only generate plans with basic POI arrangements, failing to provide all-in-one plans with rich details. To mitigate these challenges, we construct a novel dataset \textbf{RETAIL}, which supports decision-making for implicit queries while covering explicit queries, both with and without revision needs. It also enables environmental awareness to ensure plan feasibility under real-world scenarios, while incorporating detailed POI information for all-in-one travel plans. Furthermore, we propose a topic-guided multi-agent framework, termed TGMA. Our experiments reveal that even the strongest existing model achieves merely a 1.0% pass rate, indicating real-world travel planning remains extremely challenging. In contrast, TGMA demonstrates substantially improved performance 2.72%, offering promising directions for real-world travel planning.