美团 AI Hackathon 赛道05 参赛项目 团队：小张 · 小李 · 小陈 时间：2026年4月 — 2026年6月
用 AI Agent 将用户的自然语言出行意图，自动转化为可执行的本地半日/一日路线。
周末想出门，却在手机里刷了半小时——
- 打开小红书搜"广州日料推荐"，刷了 20 篇笔记，收藏了 5 家店
- 切到高德地图看距离，发现 3 家太远，2 家不顺路
- 切回大众点评查评分，发现其中 1 家评分只有 3.8
- 再切回小红书确认"这家店到底氛围好不好"
- 最后还要手动算时间：日料店 14:00 关门，咖啡馆 15:00 才开门，中间怎么衔接？
核心痛点：信息散落在 3-5 个 App 里，用户被迫在不同平台之间反复横跳，手动拼凑一条路线。更麻烦的是，很多人自己也不清楚真正想要什么——"随便逛逛""找个有氛围的地方"——这种模糊意图让传统工具完全无从下手。
| 传统方式 | NearTrip |
|---|---|
| 小红书种草 → 高德查距离 → 点评看评分 → 手动拼路线 | 一句话描述，AI 自动规划 |
| 自己也不清楚想要什么，越刷越焦虑 | AI 主动追问，帮你明确真实需求 |
| 手动对比营业时间、距离、预算 | AI 自动校验可行性 |
| 规划完还要自己手动排路线 | AI 直接输出可执行的时间轴 |
| 看到好店只能截图存相册 | 链接/截图/文字，一键智能收藏 |
用户像和朋友聊天一样描述出行意图：
"下午想出去逛逛，两个人，想吃日料但别太贵，吃完想找个地方喝咖啡"
AI 自动理解：
- 谁：2人
- 做什么：日料 + 咖啡
- 预算：中等偏低
- 时间：下午半日
信息不够时，AI 会主动追问（最多 2-3 轮，一次只问一件事），而不是甩给用户一堆表单。
四幕式体验设计：
| 幕 | 阶段 | 用户感受 |
|---|---|---|
| 第一幕：表达 | 自然语言描述需求 → AI 推理意图 → 有歧义时主动追问 | 轻松，像聊天 |
| 第二幕：生成 | AI 自主理解约束 → 筛选地点 → 规划路线 → 输出时间轴 + 地图 + 卡片 | 惊喜，秒出方案 |
| 第三幕：迭代 | 不满意就继续聊——全盘否定、局部调整、微调排序，AI 分步处理 | 被理解，随时可改 |
| 第四幕：确认 | 确认方案 → 添加到行程 | 爽，方案到手 |
NearTrip 不是"一个 AI 在干活"，而是九个专业 Agent 组成的分工协作系统，像一支配合默契的出行策划团队：
用户输入
↓
【RequirementAgent · 需求管家】理解意图 + 主动追问，收齐六大维度信息
↓
【ModelingAgent · 建模师】将模糊需求转化为结构化约束模型
↓
【SearchPlannerAgent · 搜索规划师】基于需求生成搜索策略，发现 POI 库之外的匹配地点
↓
【CandidateRetrievalService · 选址专员】从 POI 库中召回候选地点（200-400 个）
↓
【PoiCuratorAgent · 策展师】LLM 精选 50-100 个真正值得去的 POI，多轮补齐
↓
【RouteDecisionAgent · 路线设计师】自主理解约束，生成最优路线组合与排序
↓
【RouteReviewAgent · 路线评审师】LLM 评审路线方案质量，输出优化反馈
↓
【RouteGuard · 质检员】校验时间窗、营业状态、预算、交通可行性
↓
【ExplanationAgent · 讲解员】用自然语言解释"为什么选这里"
↓
用户看到方案
Agent 分工与效果：
| Agent | 职责 | 效果 |
|---|---|---|
| RequirementAgent | 从自由文本提取出行目的、风格、约束；信息缺失时按优先级主动追问 | 用户不用填表单，聊天式输入即可 |
| ModelingAgent | 将理解结果转化为结构化约束集，区分硬约束与软偏好 | 模糊表达（"别太远"）变成 Agent 可理解的约束 |
| SearchPlannerAgent | 基于用户需求生成 POI 搜索策略，调用外部搜索发现 POI 库之外的新地点 | 突破本地数据集局限，发现最新、最匹配的 POI |
| CandidateRetrievalService | 规则检索 + 向量召回，从 POI 库中初筛 200-400 个候选 | 快速缩小海量 POI 到可管理的候选池 |
| PoiCuratorAgent | LLM 从候选池中精选 50-100 个高质量 POI，不足时自动多轮补选 | 确保候选池质量而非数量，提升后续路线规划效果 |
| RouteDecisionAgent | 基于精选候选和约束条件，自主推理最优路线组合与访问顺序 | 输出 Top 3 路线草案供选择 |
| RouteReviewAgent | LLM 评审路线方案质量，从多样性、匹配度等维度给出优化建议 | RouteDecisionAgent 根据反馈修正，形成"生成-评审-修正"闭环 |
| RouteGuard | 校验时间窗、营业状态、预算、交通可行性；发现问题时反馈修正 | 确保方案真实可执行，不会推荐"已关门"的店 |
| ExplanationAgent | 解释推荐理由、POI 匹配逻辑、备选差异 | 用户知道"为什么是这个方案"，建立信任 |
| FavoriteAgent | 解析收藏输入（链接/截图/文字），生成结构化收藏卡片 | 看到好地方随手存，自动补全信息 |
关键设计：
- 纯 Agent 自主推理：路线规划全程由 AI Agent 自主完成，从约束理解到路线生成，不依赖预设算法模板
- 多级筛选与自检闭环：检索（200-400）→ LLM 精选（50-100）→ 路线生成 → LLM 评审反馈 → 规则校验，层层把关
- Agent 自检与修正：RouteReviewAgent 评审 → RouteDecisionAgent 修正 → RouteGuard 校验，形成"生成-评审-校验"三级质量控制
- LLM 默认关闭 + 自动回退：开发阶段可关闭大模型走规则 fallback，LLM 异常时自动回退到启发式策略，任何情况下都能输出方案
AI 在后台完成八步处理：
理解意图 → 澄清需求 → 建模约束 → 搜索策略 → POI 精选 → 规划路线 → 评审校验 → 解释输出
输出结果包含：
- 时间轴：每个地点的到达时间、停留时长
- POI 卡片：名称、类型、推荐理由、图片
- 路线地图：整体轨迹可视化
- 预算估算：人均花费、交通成本
四条反馈分支，覆盖从"全盘否定"到"直接接受"的完整光谱：
| 反馈类型 | 示例 | Agent 响应 |
|---|---|---|
| 全盘否定 | "重来吧" | 保持原约束，生成差异化全新方案 |
| 局部调整 | "烧烤换成粤菜，预算压到 200" | 分步依次处理：先替换 → 再调预算 → 输出变化说明 |
| 微调排序 | "先逛书店再去咖啡厅" | 按新约束重新排序，检查可行性 |
| 直接接受 | "行/好" | 方案定稿，展示添加到行程入口，仍可随时返回修改 |
多条不满组合处理：用户同时提多条修改（"换餐厅 + 压预算 + 加个点"），Agent 一次性识别全量意图，分步依次执行，每步输出中间变化说明，让用户感知到 AI 在逐条思考，而非黑盒操作。
用户在刷小红书/点评/朋友分享时看到好地方，随手收藏，Agent 自动解析补全信息。
三种输入方式：
| 输入方式 | 场景 | Agent 能力 |
|---|---|---|
| 粘贴链接 | 朋友发来点评链接 | Web Fetch 抓取页面，抽取名称、分类、区域、人均、评分、头图 |
| 上传截图 | 小红书刷到攻略截图 | Vision 多模态识别，OCR 提取 POI 名称/地址/价格/评分 |
| 文字描述 | 路过一家店随手记 | NLP 抽取结构化字段 + POI 库模糊匹配补全 |
收藏卡片：自动分类（美食/景点/咖啡/购物/文化/休闲 6 大类），支持追加个人笔记（"和 XX 下次一起来""记得点招牌奶茶"）。
当前定位（V1）：独立生活灵感收藏夹，与路线规划平行存在，即使用户不规划路线，也能用 NearTrip 管理"想去的地方"。
远期方向（V2）：收藏的 POI 自动进入 Agent 候选池，规划路线时优先推荐已收藏地点，形成「发现 → 收藏 → 规划 → 出行」完整闭环。
| 竞品 | 能做什么 | 缺什么 |
|---|---|---|
| 高德/百度地图 | 导航 + AI 语音 | 无智能路线规划 |
| 圆周旅迹 | 旅游规划 | 无本地实时数据 |
| 小红书点点 | UGC 种草 | 信息真假难辨、无规划 |
| 大众点评 | 内容 + 榜单 | 无 AI 规划、无路线串联 |
| NearTrip | Agent 自主规划 + 自然语言理解 + 智能收藏 | — |
- 不预设模板：传统工具用固定场景模板（"情侣约会"、"亲子出游"），NearTrip 的 AI 从自然语言中动态理解真实意图
- 纯 Agent 自主推理：路线规划全程由 AI Agent 自主完成，从约束理解到路线生成，不依赖固定算法和预设规则
- 智能收藏闭环：链接/截图/文字一键收藏，远期接入路线规划候选池，形成完整消费链路
- 美团生态优势：天然具备「内容 + 交易」数据基础，路线规划可直接调用真实 POI 与消费数据
NearTrip 采用多 Agent 协作架构，九个专业 Agent 各司其职，像一支配合默契的出行策划团队：
- RequirementAgent：理解用户自然语言，主动追问补全信息
- ModelingAgent：将模糊需求转化为结构化约束
- SearchPlannerAgent：基于需求生成搜索策略，发现 POI 库之外的匹配地点
- PoiCuratorAgent：LLM 精选高质量 POI 候选，多轮自动补选
- RouteDecisionAgent：基于约束自主推理，生成最优路线
- RouteReviewAgent：LLM 评审路线质量，输出优化反馈
- RouteGuard：校验方案可行性，发现问题反馈修正
- ExplanationAgent：用自然语言解释推荐逻辑
- FavoriteAgent：解析收藏输入，自动补全信息
为什么这样设计？
单一 AI 容易"懂人话但算不准"。我们将任务拆解给专业 Agent，每个 Agent 专注自己擅长的环节，协作产出既懂用户又靠谱的路线方案。新增的 SearchPlannerAgent、PoiCuratorAgent、RouteReviewAgent 分别在搜索策略、候选精选、路线评审三个环节强化了质量保障——从"海量粗筛"进化为"层层精选、生成-评审-校验"的闭环体系。
- RouteDecisionAgent 生成方案 → RouteReviewAgent LLM 评审 → RouteGuard 校验可行性
- 发现问题 → Agent 自主修正 → 重新评审 & 校验
- 异常情况下 → 自动回退到启发式策略兜底
确保任何情况下都能给用户一个可用方案。
- 后端异步计算规划，通过 实时流推送（SSE） 向前端展示 AI 的思考进度（"正在理解需求…"、"正在筛选地点…"）
- 用户不用对着空白页面干等
| 阶段 | 场景 | 情绪 |
|---|---|---|
| 😤 痛点开场 | 刷了 20 分钟小红书/点评，面对 200+ 家店无法决策 | 共鸣 |
| 🤔 自然语言输入 | 输入出行意图，Agent 主动追问澄清 | 简单 |
| 😯 方案展示 | AI 生成时间轴 + 路线地图 + POI 卡片 + 推荐理由解释 | 惊喜 |
| 🤝 迭代反馈 | 用户反馈"日料换成粤菜，预算压到 200"，AI 分步处理 | 协作 |
| 😌 方案确认 | AI 输出最终方案，附变化说明 | 安心 |
| 🎉 方案到手 | 确认方案 → 添加到行程 | 爽 |
| 🧠 落幕金句 | "从纠结到出发，只需一句话" | 记忆 |
| 成员 | 角色 | 核心贡献 |
|---|---|---|
| 小陈 | 产品负责人 | PRD 设计、竞品分析、用户场景设计（单人/情侣/朋友/亲子四场景）、Agent 对话体验设计、Demo 脚本 |
| 小张 | 算法负责人 | 核心路线规划算法、POI 召回与排序、Agent 自主推理机制、RouteGuard 校验 |
| 小李 | 全栈衔接 | 前后端架构（React + FastAPI）、六阶段会话编排（Orchestrator）、SSE 实时流、收藏功能（FavoriteAgent）、接口对接 |
| 模块 | 技术栈 | 交付内容 |
|---|---|---|
| 前端 | React 18 + TypeScript + Vite + Tailwind CSS | 对话式交互界面、路线时间轴与 POI 卡片可视化、路线地图展示、收藏管理页面、Debug 调试面板 |
| 后端 | FastAPI + Python 3.12 | 九阶段 Agent 编排引擎、Requirement/Modeling/SearchPlanner/PoiCurator/RouteDecision/RouteReview/RouteGuard/Explanation/Favorite 九大 Agent、SSE 实时流推送 |
| 数据 | 高德 AMap API 采集 + 本地索引 | 广州核心 Top 200 POI 数据集，覆盖美食/景点/咖啡/购物/文化/休闲 6 大类 |
| 收藏 | SiliconFlow 独立模型部署 | 链接抓取/截图识别/文字描述三种输入方式，自动分类与信息补全 |
| 启动 | 一键脚本 | npm run dev 同时启动前后端，前端 :5173 + 后端 :8000 |
- 产品方案 PRD v2.0：完整产品需求文档，含四幕式体验设计、四场景用户故事、Agent 六大能力架构、需求澄清六大维度、路线迭代四分支、收藏功能设计
- 算法架构设计：POI 向量召回、个性化打分、Agent 自主路线推理机制
- 工程实现与部署方案：前后端分离架构、Agent 边界定义、会话状态机、SSE 实时推送、轻量服务器部署指南
- 竞品深度分析报告：高德/百度/圆周旅迹/小红书/大众点评五维度对比
- Agent 对话设计文档：规划 Agent System Prompt、收藏 Agent System Prompt、多轮追问策略、默认值规则
- 3 分钟完整 Demo 脚本：痛点开场 → 自然语言输入 → Agent 追问 → 方案展示 → 迭代反馈 → 方案确认 → 落幕金句
- 一键启动开发环境：
scripts/dev_full.py一键启动前后端 - 多场景演示数据：广州核心 POI 数据集，支持单人/情侣/朋友/亲子四场景演示
先分别安装依赖：
cd frontend && npm install
cd ../backend && python -m pip install -e .一键启动前后端：
npm run dev启动后打开前端终端里显示的 Vite 地址，通常是：
http://127.0.0.1:5173/
前端默认请求相对路径 /api，Vite 会把 /api 和 /health 代理到：
http://127.0.0.1:8000
在"智能规划"页面底部输入需求后，点击"后端规划"，即可走完整后端链路并在页面顶部看到"后端规划结果"。
后端默认不会调用真实 LLM，以免本地测试误耗 token。要启用真实 LLM，在 backend/.env.local 中设置：
LLM_ENABLED=true
LLM_BASE_URL=https://your-openai-compatible-endpoint/v1
LLM_API_KEY=你的密钥
LLM_MODEL=你的模型名
LLM_TIMEOUT_SECONDS=10
LLM_MAX_TOKENS=1024即使 LLM 未启用或调用失败，后端也会使用 fallback 建模，并继续通过真实 POI 数据集召回候选和求解路线。
MVP 已验证的核心能力：
- ✅ 自然语言意图理解 + 六大维度需求澄清
- ✅ 动态约束建模 + 可执行路线生成
- ✅ 路线迭代四分支（全盘否定/局部调整/微调/接受）
- ✅ 智能收藏（链接/截图/文字三种输入）
正在探索的高价值方向：
| 方向 | 当前进展 | 用户价值 |
|---|---|---|
| 自动需求确认 | RequirementAgent 已具备信息状态机（collected/missing/dont_care）和结构化需求 Schema，信息收齐后可自动生成确认摘要 | 用户一键确认"2人·情侣·下午3小时·天河区·日料+咖啡·人均150"，避免理解偏差，零成本进入生成阶段 |
| 多路线推荐 | RouteDecisionAgent 已输出 main + alternative_1 + alternative_2 三条路线草案，当前 Demo 展示主路线 | 同时呈现"经典路线/小众探索/性价比之选"三条差异化方案，用户横向对比选择，告别单一黑盒推荐 |
| 收藏夹引用 | 收藏功能 V1 已完成，V2 架构设计完成：收藏 POI 自动进入 Agent 候选池 | 规划中优先推荐"你收藏过的那家咖啡馆"，让收藏不再是孤岛，成为路线规划的原料库 |
下一步方向：
- V1.1：接入美团真实 POI 数据，扩大城市覆盖；历史偏好学习，越用越懂用户
- V1.2：收藏 POI 智能接入路线规划候选池，实现「发现 → 收藏 → 规划 → 出行」闭环
- V2.0：移动端适配与微信小程序，融入美团 App 首页入口
NearTrip 的愿景：让每一次本地出行，从"想想而已"变成"说走就走"。
一句话总结：把美团的内容数据资产，通过多 Agent 协作系统转化为用户可直接执行的路线方案——从种草到出发，一句话搞定。