携程发布旅游行业首个垂直大模型“携程问道”实测分析

03 住宿地点，酒店预订

当我们询问模型，推荐一个住宿大致地点的时候，模型给出的推荐是一个具体的酒店，可以一键预定，但是两次询问的答案同质性比较高。

我们询问的时候是想知道哪个区域出行比较方便，但模型似乎没有理解到地点这一需求，在意图识别这一块还有改进的空间。

04 门票价格

对于端午假期这个范围区间，模型理解得大致准确，但门票的价格给出的还是平日票的价格，没有显示出端午假期的实际价格，用户还是需要去自行确定。

05 旅游建议

针对出国旅行这类需要考虑众多细节的行程，模型的回答还是比较全面的，提供了具有一定参考价值的信息，帮助用户节省了查询出行注意事项的时间。

但是在具体内容上，模型给出了曼哈顿这一不合常理的地点。

06 行程规划

可以看出前两天的规划还比较合理，景点距离的也都很近，但第三天的行程安排，火车东站，体育公园，和京华城广场有一些让人摸不着头脑，既不是热门景区也缺乏合理性。

垂直大模型的技术挑战与展望

通用 AIGC 存在的一个问题是给出的答案并不是那么可靠。

对于旅游业而言，体验感非常重要，即使规划节省半小时，但推荐的酒店或者行程结果可能有 5% 的几率是错的，那就得不偿失。

从我们实测的数据来看，模型大部分的效果还是可以的，相比于通用大模型确实可以在某些方面确实可以节省一些做攻略的时间。

当然在很多方面还存在改进的空间，再加上大模型始终存在的幻觉问题，想要让模型一键规划所有的事情还是为时尚早，想法和现实还是存在一定的差距。

技术瓶颈分析

目前垂直大模型在旅游领域的应用面临几个核心挑战：

1. 实时数据同步：旅游产品（机票、酒店、门票）价格波动频繁，大模型需要接入实时的 API 接口才能提供准确报价，否则容易产生误导。
2. 知识图谱融合：单纯的 LLM 推理容易忽略地理空间逻辑（如景点之间的距离、交通方式），需要结合知识图谱来增强路径规划的合理性。
3. 意图理解深度：用户往往表达模糊（如'想找个安静的地方'），模型需要结合上下文和用户画像进行多轮对话澄清，目前的单轮问答能力仍有提升空间。

未来发展方向

为了进一步提升垂直大模型的可用性，后续技术演进可能集中在以下方向：

• RAG（检索增强生成）：引入外部权威知识库，减少模型幻觉，确保价格和信息的准确性。
• Agent 自主规划：赋予模型调用工具的能力，使其能自动完成订票、改签等实际操作，而不仅仅是文本建议。
• 个性化微调：基于用户历史行为数据进行 SFT（监督微调），使模型更懂用户的偏好，提供定制化服务。

总体而言，旅游垂直大模型正处于从'尝鲜'向'实用'过渡的阶段。虽然目前仍存在幻觉和准确性问题，但随着多模态技术和行业数据的不断积累，AI 辅助旅行的体验将逐步接近人类专家的水平。