声明：本文来自于微信公众号 量子位（ID：QbitAI），作者：白交，授权站长之家转载发布。

既想当说走就走的酷盖，又怕踩坑当大冤种。

「既要又要」的旅行悖论，真要被AI解决了。这个垂直赛道终于杀出黑马!

五一这不是要到了，这几天小红书上旅游攻略，唰唰唰都在聊飞猪家的AI产品——

「问一问」，貌不惊人，但内有乾坤。甚至已经出现了倒卖邀请码的黄牛帖了……

一开始原以为只是个普通的聊天助手，结果出乎意料的是，只需一句话就能预订机酒，几分钟内就从交易到交互的闭环，真正做到了「所见即所能得到」。

方案不满意还可以直接定点修改重新生成，主打一个定制化服务。

而进一步扒开回顾它的思考过程，就会发现飞猪在产品的思维链上做了一个很有想象力的变化:

不是直接给你结论，而是让你看到有多个专家在分头出马，调用实时的机票报价、酒店报价、路线库等等，协同「脑暴」。

谁能懂?以往尝试了那么多AI来做旅行规划，要么就像是个「美丽的废物」，输出的内容给人感觉不错，但可用性顶天有50%，与实际的食住行有很大偏差。

要么就是内容过于泛泛，仅停留在攻略层面，光说不干。如果要按着预算比价、预订机酒什么的，还得靠自己辗转携程去哪儿Booking各种App来完成。

相比于其他领域，AI在旅行场景的落地可能远比想象中难度高得多。

但现在，「问一问」产品虽然还说不上完美，在交互界面、回答质量到用户价值闭环设计，它都比上一代的行程规划AI前进了一大步。

甚至已经有「AI直接杀死比赛」那种迹象了。

对所有AI产品来说，所问即所得、所见即所得对用户的诱惑力，只会越来越大。但从此前市面上产品来说，都还没有实现『端到端』满足需求的闭环。

飞猪到底如何做到?咱们进一步来看一看。

定制化的AI「专业团队」

点开飞猪，「问一问」在「行程」这一栏。整个页面与其他AI对话差不多——

对话框（支持语音输入）+四个可直接触达使用的基本模板:目的地推荐，机票/酒店预定、规划行程。

但是具体使用下来，其实还是有很多不同的。

以「为我发现目的地」为例，即便提示词过于泛泛，但它还是根据当前时间/所在地、各地气候、景点热度等维度思考得出了三种解决方案。

值得一提的是，有合适or不合适的方案选择，可以点击旁边「可编辑」图标，进一步去修改完善需求。

这种「点对点编辑修改」其实还蛮重要。

大多数情况下，AI产品单轮交互无法满足用户需求，除非你提示词写得很完美，模型又聪明地能完全get并执行;

而当前很多通用或者垂类模型，当给出的方案不满意的时候，补充交互的话相当于从头开始推倒重来，一次次交互中模型还有可能突然出现幻觉，那就要重新开始。

现在这样手术刀式的定点修改，其实就提升了交互效率。

这在旅游场景更为重要，人的需求并不是静态的，一次决策之前，人需要参考很多碎片化的攻略和评价信息;具体的时间安排和消费契机，在实际的行程中还会反复改变。你不可能一开始就有一份完美的攻略。

另外还值得说道的一个点，就是它的思考过程。

它首先隐去了背后的模型，毕竟产品来说用户体验第一，背后是什么模型不重要。

然后它将整个思考过程具体到步骤，每个步骤已经能看到专门的“专家”来负责，十分清晰也易于用户理解。旅游是个高决策难度、高客单价、低容错率的场景。

「合理地展示复杂」，本身就是一个说服的过程。

DeepSeek R1横空出世的炸裂感，就跟它毫无保留地展示了思考链有关。「问一问」在这个地方的巧思值得专门讲一下，因为这样不至于像通用推理模型那样展示一个单一的长路径，也降低了等待造成的焦灼感，在体验和效率上可以加分。

好，初步体验到此，已经很明显地感受到「问一问」作为垂类的C端产品同通用产品的区别。

如果想更细粒度地满足个性化需求，还是依靠对话来进一步实现。

那么就让它来给我规划一下五一行程。

五一期间想去青海省， 想去参观自然风光拍照，也想体验当地民族风情，请为我规划行程。

结果它就开始思考和分工了——有路线定制师制定路线、智慧交通顾问查询机票库存价格、攻略达人看当地游玩信息、酒店顾问则看酒店信息……

最后还有预算管理师给你估算价格。

通过调取飞猪本身的在线库存数据、实时价格以及流行本地生活玩法、用户评价等维度，才得出解决方案。

看给出的路线，既有像日月山、青海湖、茶卡盐湖等自然景色，也有塔尔寺、藏文化博物馆等，算得上是一个比较平衡的结果。

而且具体到每一天的日程安排:吃啥玩啥住啥通通都有。最后还有个预算参考。

这个解决方案并不是最终的，你可以随时点击当中的一些图标进行修改景点路线。

还可以随时调整预算，在方案的最后有个「预算调整」这一栏，你可以控制你预想的幅度，然后重新生成。

如果生成的方案你觉得OK，那么就可以预定起机酒了。它给你列了几个同类选择，一键就可以预定。

最后生成的行程路线，可以制作成手绘彩蛋，可在地图上查看、编辑和分享。

总之，最后短短几分钟，就完成了五一行程的规划，连机酒也给预定上了。

怎么说呢，世界这么大，现在更没理由不去看看了。

说走咱真的就能走哇。

“场景玩家”的隐藏实力

大模型做旅行规划这件事，业内已经有了审美疲劳。但直到用完第一个真正做到能用上「从交互到交易闭环」的AI产品，大家才会发现这件事的潜力和难度。

基于大模型开发旅行AI，技术方案的迭代还有N种可能，但在用户价值上，有了个参考答案。

为什么这么说呢?

旅行场景其实一直是大模型早期落地的「试验田」，大家看到了让人眼花缭乱的演示，都想做，但时至今日没有真正的爆品出现。

这也是为什么小红书上有人戏称，已经看到了800个旅行规划AI了，求别推送了。花了几天时间做了个Agent，做完才觉得是个「伪需求」。只是看起来像规划的规划，连自己都不想用。

背后原因与场景本身、行业本身有关。

旅行是大众的普遍需求，但又是个极为传统、极为分散、信息差巨大的产业。

每个人的需求都不相同，但从成本和效率的角度出发，目前的互联网平台最聪明的做法，就是把这部分依赖线下的庞大服务尽可能抽象并标准化，在线进行售卖。

所以，不满足于“大路货”的用户对攻略的渴望越来越强烈。但做一趟旅行规划，需要自行查阅大量信息（如景点、交通、住宿、餐饮等），耗时耗力。

而且这些大量信息融合了文本（攻略、评价）、图像(景点照片)、结构化数据(航班时刻表)等，巨大的复杂性，给利用大模型来落地服务提供了天然土壤。

这样来看，场景天然痛点明确，受众普适且广泛，大家都想要分一杯羹也就不奇怪了。

但形成强烈反差的是，旅游领域AI的进展相比于其他领域，却远远不及预期。特别是对创业公司来说，需求美好的表象也悄然隐藏了打破行业壁垒的难度。

具体从决策和数据两个方面来说。

旅行规划是一组复杂的决策链路，涉及到用户的食住行，包括不限于预算、交通、接驳、住宿、餐饮、游乐、行程舒适度、个人偏好、签证政策、退改规则、天气等几十种决策因子的相互博弈。这些因子中有的还是实时变化的，最典型的就是机票，需要实时连接到上游供给侧。

还有在数据质量方面的挑战。旅行数据具有“专有性”，很多无法从公共网络上获取。比如机票库存、航班变更，基本上都必须通过GDS（全球分销系统）来付费获取;酒店价格、房型、面积、是否能加床等，则需要通过训练有素的销售团队谈判、签约，再进行标准化，进入传统OTA的EBK等系统，以及一些景区的节令特点、适合游览的时间和风险场景等，有赖于庞大的生态和长期经验。

对于通用模型来说，决策过于复杂多变，实时数据无法获取，训练数据又有所滞后导致泛化能力下降，无法适应这个快速变化需要实时决策的场景。在面对相关问题的时候，模型出现幻觉、准确率低的情况概率会更高。但更糟糕的是，这个场景里的用户偏偏对出错的容忍度最低。

因此如果仅通过简单API或者工作流接入然后打造单个Agent来处理相对确定的需求，在实际环境中行不通。

飞猪「问一问」的可贵之处在于，它在产品思路上试图向解决这两个问题的方向前进。

从以上测评中可看出，它是先分析真实的需求，然后框定相应的服务员场景，让Agent基于此调用所涉及的数据工具，执行任务，构建出术业有专攻的专家形象。这种过程反映了飞猪的AI团队了解应该用什么样的思路、步骤去服务一个用户，以及如何交付最后的产品。

有了这一层面的know-how，让大模型的能力才能在这一范围内充分发挥、加以调优。

与此同时，针对那些确实过于极致的问题依然保留大模型的泛化能力。这一路径对数据集的建设管理、大模型调教等操作的难度更大、成本也更高。

据飞猪内部透露，他们前期调研了大量旅行社、旅游定制师等，把他们的工作流、知识、经验，加上平台的海量供应链数据、服务评价数据等结合，构建了一套相对完善的旅行数据集。

尽管目前使用上还有一些地方需要补齐，比如「附近」位置不够精细，没有链接到城际班车的信息等。但从长远角度来看，符合用户真实需求、实用性强，已经从简陋的ChatBot层面成长了一大步。

随着AI在物理世界里的深入，生活服务刚好是个备受关注也绕不开的场景。想要落地并不容易，但一旦实现，也将推动AI对于物理世界的理解和赋能。

这需要更多像飞猪这样的场景玩家站出来，去理性看待并解决这些行业难题。

（）