🤖 AI

AI Tour Meeting: Group Travel Planning by LLM Agents

Questo articolo introduce "AI Tour Meeting", un framework che utilizza molteplici agenti di Large Language Model con diverse personalità per pianificare collaborativamente itinerari di viaggio di gruppo attraverso discussioni in linguaggio naturale, fungendo da strumento flessibile per simulare e analizzare comportamenti multi-agente.

Autori originali: Daisuke Kikuta

Pubblicato 2026-07-22

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Daisuke Kikuta

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate un mondo in cui i computer non si limitano a rispondere alle domande, ma hanno effettivamente personalità, opinioni e la capacità di sostenere una conversazione. Questo è il regno dei Large Language Models (LLM). Pensateli come incredibili bibliotecari digitali che hanno letto quasi tutto ciò che c'è su internet. Di solito, parliamo con loro uno a uno, come chiedere a un bibliotecario un consiglio su un libro. Ma cosa succede quando chiedete a un intero gruppo di questi bibliotecari digitali di lavorare insieme? È qui che entrano in gioco i Sistemi Multi-Agente. È come allestire una tavola rotonda dove ogni computer ha un ruolo specifico e una personalità unica, con il compito di risolvere un problema insieme. Sebbene utilizziamo spesso questi strumenti per aiutare gli esseri umani reali a pianificare viaggi, questo articolo pone una domanda affascinante: e se i computer fossero i viaggiatori? Un gruppo di agenti IA, ognuno con i propri gusti e dispiaceri distinti, potrebbe davvero sedersi a discutere, scendere a compromessi e concordare un piano vacanze perfetto senza che un singolo essere umano debba digitare una parola?

Il documento "AI Tour Meeting" di Daisuke Kikuta introduce un nuovo framework progettato per simulare esattamente questo scenario. È un parco giochi digitale dove molteplici agenti IA, ognuno con un'unica "persona" (come un appassionato di storia, uno studente attento al budget o un buongustaio), si riuniscono per pianificare un viaggio di gruppo. Il sistema non si limita a lasciarli chiacchierare; li costringe a un incontro strutturato con regole, votazioni e obiettivi specifici. I ricercatori hanno scoperto che quando questi agenti IA ricevono le istruzioni giuste e un "cervello" sufficientemente potente (un LLM potente), possono navigare con successo tra complessi disaccordi, proporre nuove idee e raggiungere un consenso su un itinerario, proprio come un gruppo di amici che pianifica un fine settimana fuori porta.

Il Club di Viaggio Digitale

Immaginate di organizzare un viaggio per un gruppo di amici, ma invece di persone reali, avete un gruppo di personaggi IA. C'è "Alice", che ama la storia e odia spendere soldi. Poi c'è "Bob", che vuole vedere tutto in un giorno e non si cura del costo. Il framework del documento, AI Tour Meeting, è il software che gestisce questo incontro. Prepara la scena: "Ok, tutti, abbiamo 24 ore e un budget di 100 dollari. Pianifichiamo una giornata a Tokyo".

La magia avviene nel modo in cui questi agenti IA interagiscono. Non si limitano a sputare fuori un elenco di luoghi; tengono una conversazione. Si alternano parlando, facendo domande e formulando proposte. Se Alice suggerisce di visitare un museo, Bob potrebbe dire: "È bello, ma è troppo lontano dal mercato gastronomico che voglio visitare". Il sistema passa poi a una fase di voto. Tutti votano se accettare il nuovo piano o mantenere quello precedente. Se il piano ottiene abbastanza voti, diventa il nuovo "itinerario corrente". Questo ciclo di chiacchiere e votazioni continua finché tutti sono soddisfatti (o almeno, finché tutti concordano di smettere di discutere).

Le Regole del Gioco

Per evitare che l'IA vaghi all'infinito, il framework fornisce un regolamento rigoroso.

Personaggi (Personas): A ogni agente viene fornito un background dettagliato. Hanno un nome, una personalità (come "cauto" o "sociabile") e obiettivi specifici (come "devo visitare il tempio").
Turni: L'incontro segue un programma. Potrebbe essere un round-robin (tutti parlano in ordine), oppure una persona può invitare il parlante successivo.
Azioni: Durante il proprio turno, un agente può fare alcune cose:
- Cercare (Search): Cercare fatti (come "Quanto costa il biglietto del treno?").
- Chiedere (Ask): Fare una domanda a un altro agente.
- Proporre (Propose): Suggerire un nuovo percorso di viaggio.
- Votare (Vote): Nella fase di voto, possono Accettare o Rifiutare una proposta.
- Soddisfatto (Satisfied): Se il piano attuale piace loro, possono dire: "Per me va bene questo", il che aiuta a concludere l'incontro.

Il sistema è abbastanza intelligente da controllare se un piano viola le regole. Se un agente suggerisce un viaggio che costa 500 dollari quando il budget è di 100, il sistema rileva l'errore. Monitora anche quante volte il gruppo deve discutere prima di arrivare a un accordo.

Cosa hanno fatto realmente i computer

I ricercatori hanno testato questo sistema per vedere se funzionasse davvero. Hanno organizzato incontri con diversi tipi di modelli IA (alcuni più piccoli, altri più grandi) e hanno osservato cosa accadeva.

I Risultati:

Funziona (per lo più): Quando hanno utilizzato modelli IA potenti (come Qwen3.5-4B o superiori), gli incontri sono quasi sempre terminati con successo. Gli agenti sono riusciti a concordare un piano il 100% delle volte in molti test.
Il "Cervello" conta: I modelli IA più piccoli e deboli (come la versione 2B) hanno avuto difficoltà. A volte si confondevano, ripetevano la stessa frase o inventavano fatti. Il documento suggerisce che sia necessaria un'IA abbastanza intelligente (almeno pari a Qwen3.5-4B) per gestire il tutto senza glitch.
Il Conflitto richiede tempo: I ricercatori hanno creato scenari in cui gli agenti avevano obiettivi contrastanti. Quando tutti erano d'accordo su ciò che volevano, l'incontro era veloce (circa 10 turni). Ma quando c'erano grandi disaccordi, gli incontri si trascinavano (fino a 26 turni in media) e gli agenti dovevano proporre molti percorsi diversi prima di trovarne uno che funzionasse.
L'effetto "Vittima": Negli scenari più difficili, dove gli agenti avevano gusti molto diversi, alcuni agenti finivano per essere insoddisfatti. Circa l'11% delle volte, un agente era così infelice del piano finale da dare un punteggio basso (4 o meno su 10). Questo rispecchia la realtà: a volte, per far sì che un gruppo concordi, qualcuno deve scendere a compromessi e rinunciare a ciò che voleva veramente.

Perché questo è importante

Questo non è solo un gioco divertente di turisti digitali. Il documento suggerisce che questo framework è un potente strumento per la ricerca. Simulando questi incontri, gli scienziati possono studiare come i gruppi prendono decisioni senza dover assumere centinaia di persone reali. Possono testare come diverse regole (come i metodi di voto o l'ordine di parola) influenzano il risultato.

Ad esempio, hanno scoperto che in un gruppo con opinioni contrastanti, la persona che parla per prima ha spesso più difficoltà a far accettare il proprio piano. Coloro che parlano dopo hanno il vantaggio di ascoltare le lamentele di tutti e possono perfezionare la propria proposta per rendere tutti più felici. Questa è una scoperta sulla dinamica di gruppo che l'IA ha aiutato a svelare.

Il documento accenna anche a un futuro in cui si potrebbe usare questa tecnologia per pianificare viaggi per gruppi reali. Immaginate di pianificare una vacanza con amici che vivono in fusi orari diversi o che non possono partecipare alla chiamata. Potreste creare agenti IA che rappresentano le personalità e le preferenze dei vostri amici. Questi agenti potrebbero discutere con il vostro agente per trovare un piano che piaccia a tutti, così quando finalmente parlerete con i vostri amici, avrete già un itinerario perfetto pronto all'uso.

In breve, AI Tour Meeting dimostra che se si danno ai computer le giuste personalità e regole, possono imparare a essere buoni compagni di squadra, navigando nel mondo disordinato e complicato del processo decisionale di gruppo proprio come facciamo noi. È un passo verso un futuro in cui l'IA non si limita a fare il nostro lavoro, ma ci aiuta a capire come lavoriamo insieme.

Sintesi Tecnica: AI Tour Meeting

Definizione del Problema

La pianificazione di viaggi di gruppo è un compito di ottimizzazione complesso che richiede il bilanciamento di molteplici obiettivi, spesso contrastanti, tra i partecipanti, come il costo, i tempi di viaggio e le preferenze individuali. Mentre la ricerca precedente si è concentrata sul supporto ai gruppi umani per raggiungere il consenso (Nguyen e Ricci, 2018; Chen et al., 2021), esiste una crescente necessità di framework in grado di simulare queste interazioni utilizzando agenti basati su Large Language Model (LLM). Tali simulazioni sono preziose per valutare automaticamente i sistemi di raccomandazione di viaggi di gruppo e per analizzare il comportamento degli agenti senza gli elevati costi degli studi comportamentali umani su larga scala. Inoltre, applicazioni pratiche potrebbero consentire agli utenti di interagire con agenti LLM che rappresentano membri assenti del gruppo per determinare collettivamente gli itinerari. Gli esistenti framework multi-agente a scopo generale mancano delle astrazioni specifiche per il dominio necessarie per una pianificazione di viaggio strutturata, mentre le precedenti simulazioni basate su persona non hanno affrontato specificamente le dinamiche delle discussioni sulla pianificazione di tour di gruppo.

Metodologia: Framework AI Tour Meeting

Gli autori propongono AI Tour Meeting, un framework progettato per orchestrare discussioni sulla pianificazione di viaggi di gruppo tra molteplici agenti basati su LLM. Il sistema opera attraverso un flusso di lavoro strutturato che coinvolge fasi distinte, persone (persona) degli agenti e tipi di azione specifici.

Componenti Core

Rappresentazione dell'Itinerario: Un itinerario $R$ è definito come una sequenza ordinata di destinazioni $(d_1, d_2, \dots, d_N)$ . Ogni destinazione include metadati quali nome, descrizione, costo monetario, tempo di arrivo, durata della sosta, modalità di trasporto e relativi costi/durate.
Persona degli Agenti: Ogni partecipante LLM è istanziato con una persona distinta contenente attributi come Nome, Background, Personalità, Preferenze, Obiettivi Personali, Ruolo (Facilitatore o Partecipante), Tono di Voce e Stile di Spiegazione (Soggettivo, Contrastivo o Entrambi). Il framework supporta sia LLM commerciali che locali (tramite Ollama o vLLM) e consente strategie di gestione del contesto individuale (ad es., auto-compattazione, troncamento della cronologia).
Spazio delle Azioni: Gli agenti eseguono azioni all'interno di un sistema a turni. Le azioni sono categorizzate come:
- Azioni Intermedie: search (query web), ask (interrogazione di altri partecipanti) e reflect (revisione della discussione). Queste possono essere ripetute all'interno di un turno.
- Azioni Terminali: Queste terminano il turno. Nella Fase di Conversazione, le azioni includono propose (sottomissione di un nuovo itinerario), satisfied (indicazione di accordo) e pass. Nella Fase di Votazione, le azioni includono accept, reject e score.
Meccanica del Workflow:
- Ciclo a Due Fasi: L'incontro alterna una Fase di Conversazione (discussione e generazione di proposte) e una Fase di Votazione (valutazione delle proposte).
- Regole di Turno: Il framework supporta cinque regole di turno: Round Robin, Inviting (l'attuale oratore sceglie il successivo), Facilitating (il facilitatore assegna il successivo), Random e Parallel (per la votazione). Le modalità opzionali "Balancing" e "Volunteer" garantiscono l'equità o permettono di saltare i turni.
- Regole di Votazione: Sono implementate cinque regole: Maggioranza, Unanimità, Decisore Singolo, Most Pleasure (massimizzazione della somma dei punteggi) e Least Misery (massimizzazione del punteggio minimo).
- Terminazione: L'incontro si conclude quando tutti i partecipanti indicano consecutivamente soddisfazione (satisfied) rispetto all'itinerario corrente, o quando viene raggiunto un limite massimo di turni/tempo.

Dettagli di Implementazione

Il framework fornisce un'API Python e un'Interfaccia Grafica (GUI) per configurare gli incontri, monitorare il dialogo in tempo reale e visualizzare l'analisi dei dati. Include metriche integrate per le prestazioni del sistema (uso di token, violazioni dei vincoli) e la dinamica della discussione (distribuzione dei turni, modelli di voto). La gestione del contesto è gestita tramite prompt di sistema che definiscono le persone e le istruzioni specifiche per fase, con loop di riprova per JSON non validi o violazioni dei vincoli.

Contributi Chiave

Astrazione Specifica del Dominio: A differenza dei framework multi-agente generici, AI Tour Meeting fornisce astrazioni specializzate per la pianificazione di viaggi, inclusi la rappresentazione strutturata dell'itinerario, i workflow espliciti di proposta-votazione e i meccanismi di validazione dei vincoli.
Strumento di Simulazione: Il framework funge da ambiente robusto per analizzare il comportamento di molteplici agenti LLM nel processo decisionale collaborativo, specificamente per la pianificazione di tour.
Validazione e Analisi: Il documento valida la robustezza del framework attraverso diverse dimensioni di modello e dimostra la sua utilità attraverso esempi analitici riguardanti i conflitti di preferenza e gli effetti dell'ordine di parola.

Risultati Sperimentali

Validazione del Sistema

Il framework è stato testato utilizzando cinque LLM (Qwen3.5-2B/4B/9B, gpt-oss-20b, gpt-5.4-mini) con 50 incontri sintetici ciascuno.

Performance: I modelli con prestazioni comparabili o superiori a Qwen3.5-4B hanno raggiunto un tasso di completamento del 100% con errori di vincolo e fallimenti delle azioni trascurabili.
Limitazioni: Il modello Qwen3.5-2B ha incontrato difficoltà, producendo azioni non valide (ad es., ripetizione di messaggi, riferimento a rotte inesistenti) e non riuscendo a raggiungere il consenso nel 42% dei casi.
Scalabilità: Una validazione aggiuntiva con 5 e 10 partecipanti mostra che il framework mantiene un tasso di completamento del 100%, sebbene il numero di turni e l'uso di token aumentino con la dimensione del gruppo.

Esempi di Analisi

Conflitto di Preferenza: Lo studio ha simulato incontri con preferenze allineate, miste e contrastanti.
- Risultati: All'aumentare del conflitto, il numero di turni e di proposte è aumentato significativamente (da circa 10 turni per quelli allineati a circa 26 per quelli contrastanti). I tassi di consenso sono rimasti elevati (94–100%), ma il punteggio medio di soddisfazione è diminuito e il "tasso di vittima" (partecipanti con bassa soddisfazione) è salito dallo 0,7% all'11,3%.
- Modelli Comportamentali: L'analisi ha identificato modelli di costruzione del consenso, come il "prompting compromise" (dove un partecipante è esortato a cedere) e la "mediazione" (dove una terza parte propone una rotta modificata che incorpora le preferenze rifiutate).
Ordine di Parola: Utilizzando una rotazione dei posti secondo il metodo Latin-square, lo studio ha analizzato come la posizione di parola influenzi l'accettazione delle proposte.
- Risultati: Negli scenari privi di conflitti, l'ordine di parola non ha avuto un impatto significativo. Tuttavia, negli scenari misti e contrastanti, le proposte del primo partecipante hanno avuto tassi di accettazione significativamente inferiori rispetto a quelle del secondo o terzo partecipante. I partecipanti successivi potevano sfruttare il feedback delle discussioni precedenti per elaborare compromessi migliori.

Significato e Rivendicazioni

Il documento sostiene che AI Tour Meeting dimostra con successo l'utilità degli agenti LLM nel simulare processi decisionali di gruppo complessi. Il framework consente ai ricercatori di:

Condurre analisi comportamentali automatiche e su larga scala della pianificazione di viaggi di gruppo senza soggetti umani.
Valutare i sistemi esistenti di raccomandazione di viaggi di gruppo in un ambiente simulato controllato.
Esplorare nuovi scenari applicativi in cui gli agenti LLM agiscono come proxy per i membri assenti del gruppo, permettendo agli utenti di integrare prospettive diverse nella pianificazione.

Gli autori posizionano il lavoro come un passo fondamentale verso la comprensione della dinamica degli agenti LLM in domini collaborativi, sottolineando che il design specifico del dominio permette agli utenti di concentrarsi sui casi d'uso piuttosto che sull'implementazione di logiche di interazione a basso livello partendo da zero. Il documento rimane modesto riguardo alle implicazioni future, concentrandosi principalmente sulla validazione della capacità del framework di operare in modo robusto e sugli approfondimenti derivanti dagli esempi analitici iniziali.