🤖 AI

AI Tour Meeting: Group Travel Planning by LLM Agents

Dit artikel introduceert "AI Tour Meeting", een framework dat gebruikmaakt van meerdere Large Language Model-agenten met onderscheidende persona's om gezamenlijk groepsreizen te plannen via natuurlijke taaldiscussie, wat dient als een flexibele tool voor het simuleren en analyseren van multi-agentgedrag.

Oorspronkelijke auteurs: Daisuke Kikuta

Gepubliceerd 2026-07-22

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daisuke Kikuta

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin computers niet alleen vragen beantwoorden, maar ook daadwerkelijk persoonlijkheden, meningen en het vermogen hebben om een gesprek te voeren. Dit is het domein van Large Language Models (LLM's). Denk aan hen als ongelooflijk goed geïnformeerde digitale bibliothecarissen die bijna alles op het internet hebben gelezen. Meestal praten we met hen één-op-één, zoals je een bibliothecaris om een boekaanbeveling vraagt. Maar wat gebeurt er als je een hele groep van deze digitale bibliothecarissen vraagt om samen te werken? Dat is waar Multi-Agent Systems om de hoek komen kijken. Het is alsof je een ronde tafel instelt waar elke computer een specifieke rol en een unieke persoonlijkheid heeft, met de taak om samen een probleem op te lossen. Hoewel we deze tools vaak gebruiken om echte mensen te helpen bij het plannen van reizen, stelt dit artikel een fascinerende vraag: wat als de computers de reizigers zijn? Zou een groep AI-agenten, elk met hun eigen duidelijke voorkeuren en afkeur, daadwerkelijk kunnen gaan zitten om te discussiëren, compromissen te sluiten en tot overeenstemming te komen over een perfect reisplan, zonder dat er een mens een woord hoeft te typen?

Het paper "AI Tour Meeting" door Daisuke Kikuta introduceert een nieuw framework dat precies dit scenario simuleert. Het is een digitale speeltuin waar meerdere AI-agenten, elk gekleed in een unieke "persona" (zoals een geschiedenisliefhebber, een budgetbewuste student of een fijnproever), samenkomen om een groepsreis te plannen. Het systeem laat hen niet alleen chatten; het dwingt hen in een gestructureerde vergadering met regels, stemmingen en specifieke doelen. De onderzoekers ontdekten dat wanneer deze AI-agenten de juiste instructies en een sterk genoeg "brein" (een krachtig LLM) krijgen, ze succesvol complexe meningsverschillen kunnen navigeren, nieuwe ideeën kunnen voorstellen en een consensus kunnen bereiken over een reisschema, net zoals een groep vrienden die een weekendje weg plant.

De Digitale Reisclub

Stel je voor dat je een reis organiseert voor een groep vrienden, maar in plaats van echte mensen heb je een groep AI-personages. De een is "Alice", die van geschiedenis houdt en een hekel heeft aan geld uitgeven. Een ander is "Bob", die alles in één dag wil zien en niet om de kosten geeft. Het framework van het paper, AI Tour Meeting, is de software die deze vergadering beheert. Het zet het toneel neer: "Oké iedereen, we hebben 24 uur en een budget van $100. Laten we een dag in Tokio plannen."

De magie zit in de manier waarop deze AI-agenten met elkaar interageren. Ze geven niet alleen een lijst met plaatsen uit; ze voeren een gesprek. Ze wisselen beurten af in het spreken, stellen vragen en doen voorstellen. Als Alice voorstelt om een museum te bezoeken, kan Bob zeggen: "Dat is leuk, maar het is te ver van de voedselmarkt die ik wil bezoeken." Het systeem gaat vervolgens over naar een stemfase. Iedereen stemt over de vraag of het nieuwe plan geaccepteerd wordt of dat men vasthoudt aan het oude plan. Als het plan genoeg stemmen krijgt, wordt het het nieuwe "huidige reisschema". Deze cyclus van chatten en stemmen gaat door totdat iedereen tevreden is (of in ieder geval iedereen het eens is om te stoppen met discussiëren).

De Regels van het Spel

Om ervoor te zorgen dat de AI niet eindeloos rond blijft dwalen, geeft het framework hen een strikt regelboek.

Personas: Elke agent krijgt een gedetailleerde achtergrond. Ze hebben een naam, een persoonlijkheid (zoals "voorzichtig" of "sociaal") en specifieke doelen (zoals "Ik moet de tempel bezoeken").
Beurten: De vergadering volgt een schema. Het kan een round-robin zijn (iedereen spreekt in volgorde), of één persoon kan de volgende spreker uitnodigen.
Acties: Tijdens hun beurt kan een agent een paar dingen doen:
- Zoeken: Feiten opzoeken (zoals "Hoe duur is het treinkaartje?").
- Vragen: Een andere agent een vraag stellen.
- Voorstellen: Een nieuwe route voor de reis voorstellen.
- Stemmen: In de stemfase kunnen ze een voorstel Accepteren of Afwijzen.
- Tevreden: Als ze tevreden zijn met het huidige plan, kunnen ze zeggen: "Ik ben oké met dit," wat hels bij het beëindigen van de vergadering.

Het systeem is slim genoeg om te controleren of een plan de regels overtreedt. Als een agent een reis voorstelt die $500 kost terwijl het budget $100 is, vangt het systeem deze fout op. Het houdt ook bij hoe vaak de groep moet discussiëren voordat ze het eens zijn.

Wat de Computers Daadwerkelijk Deden

De onderzoekers testten dit systeem om te zien of het daadwerkelijk werkt. Ze zetten vergaderingen op met verschillende soorten AI-modellen (sommige kleiner, sommige groter) en observeerden wat er gebeurde.

De Resultaten:

Het werkt (grotendeels): Wanneer ze krachtige AI-modellen gebruikten (zoals Qwen3.5-4B of groter), werden de vergaderingen bijna altijd succesvol afgerond. De agenten kwamen in veel tests 100% van de tijd tot overeenstemming over een plan.
Het "Brein" is van belang: Kleinere, zwakkere AI-modellen (zoals de 2B-versie) hadden moeite. Ze raakten soms in de war, herhaalden dezelfde zin of verzonnen feiten. Het paper suggereert dat je een vrij slimme AI nodig hebt (minstens zo goed als Qwen3.5-4B) om dit zonder problemen te laten verlopen.
Conflict kost tijd: De onderzoekers creëerden scenario's waarin de agenten tegenstrijdige doelen hadden. Wanneer iedereen het eens was over wat ze wilden, was de vergadering kort (ongeveer 10 beurten). Maar wanneer er grote meningsverschillen waren, sleepten de vergaderingen voort (gemiddeld tot 26 beurten) en moesten de agenten veel verschillende routes voorstellen voordat ze er een vonden die werkte.
Het "Slachtoffer"-effect: In de meest moeilijke scenario's, waarbij de agenten zeer verschillende smaken hadden, eindigde een aantal agenten ontevreden. Ongeveer 11% van de tijd was een agent zo ontevreden met het uiteindelijke plan dat hij een lage score gaf (4 of lager op een schaal van 10). Dit weerspiegelt het echte leven: soms moet iemand een compromis sluiten en opgeven wat hij echt wilde om de groep tot overeenstemming te laten komen.

Waarom dit Belangrijk is

Dit is niet alleen een leuk spelletje met digitale toeristen. Het paper suggereert dat dit framework een krachtig instrument is voor onderzoek. Door deze vergaderingen te simuleren, kunnen wetenschappers bestuderen hoe groepen beslissingen nemen zonder honderden echte mensen in te huren. Ze kunnen testen hoe verschillende regels (zoals stemmethoden of de volgorde van spreken) de uitkomst beïnvloeden.

Ze ontdekten bijvoorbeeld dat in een groep met tegenstrijdige meningen, de persoon die eerst spreekt, vaak meer moeite heeft om zijn plan geaccepteerd te krijgen. De mensen die later spreken hebben het voordeel dat ze de klachten van anderen kunnen horen en hun voorstel kunnen aanpassen om iedereen gelukkiger te maken. Dit is een ontdekking over groepsdynamiek die de AI heeft blootgelegd.

Het paper hint ook naar een toekomst waarin je deze technologie kunt gebruiken om reizen te plannen voor echte groepen. Stel je voor dat je een vakantie plant met vrienden die in verschillende tijdzones wonen of niet bij de oproep kunnen zijn. Je zou AI-agenten kunnen creëren die de persoonlijkheden en voorkeuren van je vrienden vertegenwoordigen. Deze agenten zouden met jouw eigen agent kunnen chatten om een plan te bedenken waar iedereen tevreden mee is, zodat je, wanneer je eindelijk met je vrienden praat, al een perfect reisschema klaar hebt staan.

Kortom, AI Tour Meeting laat zien dat als je computers de juiste persoonlijkheden en regels geeft, ze kunnen leren goede teamgenoten te zijn, waarbij ze de rommelige, ingewikkelde wereld van groepsbesluitvorming navigeren net zoals wij dat doen. Het is een stap richting een toekomst waarin AI niet alleen ons werk doet, maar ons ook helpt begrijpen hoe we samenwerken.

Technische Samenvatting: AI Tour Meeting

Probleemstelling

Groepsreizen plannen is een complexe optimalisatietaak die het balanceren van meerdere, vaak tegenstrijdige doelstellingen tussen deelnemers vereist, zoals kosten, reistijd en individuele voorkeuren. Hoewel eerder onderzoek zich heeft gericht op het ondersteunen van menselijke groepen bij het bereiken van consensus (Nguyen en Ricci, 2018; Chen et al., 2021), is er een groeiende behoefte aan frameworks die deze interacties kunnen simuleren met behulp van Large Language Model (LLM) agents. Dergelijke simulaties zijn waardevol voor het automatisch evalueren van groepsreis-recommendsystemen en het analyseren van agentgedrag zonder de hoge kosten van grootschalige menselijke gedragsonderzoeken. Bovendien zouden praktische toepassingen gebruikers de mogelijkheid bieden om te interageren met LLM-agents die afwezige groepsleden vertegenwoordigen om gezamenlijk reisschema's te bepalen. Bestaande algemene multi-agent frameworks missen de domeinspecifieke abstracties die nodig zijn voor gestructureerde reisplanning, terwijl eerdere persona-gebaseerde simulaties niet specifiek de dynamiek van discussies over groepsreisplanning hebben geadresseerd.

Methodologie: AI Tour Meeting Framework

De auteurs stellen AI Tour Meeting voor, een framework ontworpen om discussies over groepsreisplanning te orkestreren tussen meerdere LLM-gebaseerde agents. Het systeem werkt via een gestructureerde workflow bestaande uit afzonderlijke fasen, agent-persona's en specifieke actietypes.

Kerncomponenten

Itinerarium Representatie: Een reisschema $R$ wordt gedefinieerd als een geordende sequentie van bestemmingen $(d_1, d_2, \dots, d_N)$ . Elke bestemming bevat metadata zoals naam, beschrijving, monetaire kosten, aankomsttijd, verblijfsduur, transportmodus en bijbehorende kosten/duur.
Agent Persona's: Elke LLM-deelnemer wordt geïnstancieerd met een onderscheidend persona dat attributen bevat zoals Naam, Achtergrond, Persoonlijkheid, Voorkeuren, Persoonlijke Doelen, Rol (Facilitator of Deelnemer), Spreektoon en Verklaringstijl (Subjectief, Contrastief of Beiden). Het framework ondersteunt zowel commerciële als lokale LLM's (via Ollama of vLLM) en staat individuele contextbeheerstrategieën toe (bijv. auto-compaction, geschiedenis-truncatie).
Actieruimte: Agents voeren acties uit binnen een beurtgestuurd systeem. Acties worden gecategoriseerd als:
- Intermediaire Acties: search (webqueries), ask (vragen aan andere deelnemers) en reflect (het bespreken van de discussie). Deze kunnen binnen een beurt worden herhaald.
- Terminale Acties: Deze beëindigen de beurt. In de Conversatiefase omvatten acties propose (een nieuw reisschema indienen), satisfied (instemming aangeven) en pass. In de Stemfase omvatten acties accept, reject en score.
Workflow Mechanica:
- Tweefasige Cyclus: De vergadering wisselt af tussen een Conversatiefase (discussie en generatie van voorstellen) en een Stemfase (evaluatie van voorstellen).
- Beurtregels: Het framework ondersteunt vijf beurtregels: Round Robin, Inviting (huidige spreker kiest de volgende), Facilitating (facilitator wijst de volgende toe), Random, en Parallel (voor stemmingen). Optionele "Balancing" en "Volunteer" modi zorgen voor eerlijkheid of maken het overslaan van beurten mogelijk.
- Stemregels: Vijf regels zijn geïmplementeerd: Majority, Unanimous, Single Decider, Most Pleasure (maximaliseren van de som van scores), en Least Misery (maximaliseren van de minimale score).
- Terminatie: De vergadering eindigt wanneer alle deelnemers opeenvolgend tevredenheid (satisfied) aangeven met het huidige reisschema, of wanneer een maximaal aantal beurten/tijd bereikt is.

Implementatiedetails

Het framework biedt een Python API en een Grafische Gebruikersinterface (GUI) voor het configureren van vergaderingen, het monitoren van realtime dialoog en het visualiseren van analytics. Het bevat ingebouwde metrieken voor systeemprestaties (tokengebruik, schendingen van beperkingen) en discussiedynamiek (beurtverdeling, stempatronen). Contextbeheer wordt afgehandeld via system prompts die persona's en fase-specifieke instructies definiëren, met retry-loops voor ongeldige JSON of schendingen van beperkingen.

Belangrijkste Bijdragen

Domeinspecifieke Abstractie: In tegenstelling tot algemene multi-agent frameworks biedt AI Tour Meeting gespecialiseerde abstracties voor reisplanning, inclusief gestructureerde reisschema-representaties, expliciete voorstel-stemwerkstromen en mechanismen voor validatie van beperkingen.
Simulatietool: Het framework dient als een robuuste omgeving voor het analyseren van het gedrag van meerdere LLM-agents in collaboratieve besluitvorming, specifiek voor tour planning.
Validatie en Analyse: Het paper valideert de robuustheid van het framework over verschillende modelgroottes en demonstreert het nut ervan door middel van analytische voorbeelden met betrekking tot voorkeursconflicten en effecten van de spreekvolgorde.

Experimentele Resultaten

Systeemvalidatie

Het framework werd getest met vijf LLM's (Qwen3.5-2B/4B/9B, gpt-oss-20b, gpt-5.4-mini) met elk 50 synthetische vergaderingen.

Prestaties: Modellen met prestaties vergelijkbaar met of hoger dan Qwen3.5-4B behaalden een voltooiingspercentage van 100% met verwaarloosbare fouten in acties of beperkingen.
Beperkingen: Het Qwen3.5-2B model ondervond problemen, waarbij het ongeldige acties produceerde (bijv. het herhalen van berichten, verwijzen naar niet-bestaande routes) en in 42% van de gevallen geen consensus bereikte.
Schaalbaarheid: Aanvullende validatie met 5 en 10 deelnemers toonde aan dat het framework een voltooiingspercentage van 100% behoudt, hoewel het aantal beurten en het tokengebruik toenemen met de groepsgrootte.

Analysevoorbeelden

Voorkeursconflict: De studie simuleerde vergaderingen met gelijke, gemengde en conflicterende voorkeuren.
- Bevindingen: Naarmate het conflict toenam, namen het aantal beurten en voorstellen aanzienlijk toe (van ~10 beurten bij gelijke voorkeuren naar ~26 bij conflicterende voorkeuren). De consensuspercentages bleven hoog (94–100%), maar de gemiddelde tevredenheidsscores daalden en de "victim rate" (deelnemers met een lage tevredenheid) steeg van 0,7% naar 11,3%.
- Gedragspatronen: De analyse identificeerde consensusopbouwende patronen, zoals "prompting compromise" (waarbij een deelnemer wordt aangespoord tot concessies te doen) en "mediation" (waarbij een derde partij een aangepaste route voorstelt die de afgewezen voorkeuren incorporeert).
Spreekvolgorde: Met behulp van een Latin-square zitplaatsrotatie analyseerde de studie hoe de spreekpositie de acceptatie van voorstellen beïnvloedt.
- Bevindingen: In scenario's zonder conflict had de spreekvolgorde geen significante impact. Echter, in gemengde en conflicterende scenario's hadden voorstellen van de eerste deelnemer significant lagere acceptatiepercentages dan die van de tweede of derde deelnemer. Latere deelnemers konden gebruikmaken van feedback uit eerdere discussies om betere compromissen te sluiten.

Betekenis en Claims

Het paper claimt dat AI Tour Meeting succesvol aantoont dat LLM-agents nuttig zijn voor het simuleren van complexe groepsbesluitvormingsprocessen. Het framework stelt onderzoekers in staat om:

Automatische, grootschalige gedragsanalyses van groepsreisplanning uit te voeren zonder menselijke proefpersonen.
Bestaande groepsreis-recommendsystemen te evalueren in een gecontroleerde, gesimuleerde omgeving.
Nieuwe toepassingsscenario's te verkennen waarbij LLM-agents fungeren als proxies voor afwezige groepsleden, waardoor gebruikers diverse perspectieven in de planning kunnen integreren.

De auteurs positioneren dit werk als een fundamentele stap naar het begrijpen van de dynamiek van LLM-agents in collaboratieve domeinen, waarbij zij opmerken dat het domeinspecifieke ontwerp van het framework gebruikers in staat stelt zich te richten op use cases in plaats van het vanaf nul implementeren van laag-niveau interactielogica. Het paper blijft bescheiden over toekomstige implicaties en richt zich primair op de validatie van het vermogen van het framework om robuust te draaien en de inzichten die zijn verkregen uit de initiële analytische voorbeelden.