🤖 AI

AI Tour Meeting: Group Travel Planning by LLM Agents

Este artigo apresenta o "AI Tour Meeting", um framework que utiliza múltiplos agentes de Grandes Modelos de Linguagem com personas distintas para planejar colaborativamente itinerários de viagens em grupo por meio de discussões em linguagem natural, servindo como uma ferramenta flexível para simular e analisar comportamentos multiagentes.

Autores originais: Daisuke Kikuta

Publicado 2026-07-22

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Daisuke Kikuta

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde os computadores não apenas respondem perguntas, mas realmente possuem personalidades, opiniões e a capacidade de manter uma conversa. Este é o reino dos Modelos de Linguagem de Grande Escala (LLMs). Pense neles como bibliotecários digitais incrivelmente bem informados que leram quase tudo na internet. Normalmente, conversamos com eles um a um, como pedir a um bibliotecário uma recomendação de livro. Mas o que acontece quando você pede a um grupo inteiro desses bibliotecários digitais para trabalharem juntos? É aí que entram os Sistemas Multiagentes. É como montar uma mesa redonda onde cada computador tem um papel específico e uma personalidade única, encarregado de resolver um problema em conjunto. Embora usemos essas ferramentas frequentemente para ajudar humanos reais a planejar viagens, este artigo faz uma pergunta fascinante: E se os computadores fossem os viajantes? Poderia um grupo de agentes de IA, cada um com seus próprios gostos e desgostos distintos, sentar-se para discutir, chegar a um compromisso e concordar com um plano de férias perfeito sem que um único humano precise digitar uma palavra?

O artigo "AI Tour Meeting", de Daisuke Kikuta, introduz um novo framework projetado para simular exatamente esse cenário. É um parquinho digital onde múltiplos agentes de IA, cada um vestido com uma "persona" única (como um entusiasta de história, um estudante preocupado com o orçamento ou um amante da gastronomia), reúnem-se para planejar uma viagem em grupo. O sistema não permite apenas que eles batam papo; ele os força a participar de uma reunião estruturada com regras, votações e objetivos específicos. Os pesquisadores descobriram que, quando esses agentes de IA recebem as instruções corretas e um "cérebro" suficientemente forte (um LLM poderoso), eles conseguem navegar com sucesso por desentendimentos complexos, propor novas ideias e chegar a um consenso sobre um itinerário, tal como um grupo de amigos planejando uma escapadela de fim de semana.

O Clube de Viagens Digital

Imagine que você está organizando uma viagem para um grupo de amigos, mas em vez de pessoas reais, você tem um grupo de personagens de IA. Uma é a "Alice", que ama história e odeia gastar dinheiro. Outro é o "Bob", que quer ver tudo em um único dia e não se importa com o custo. O framework do artigo, AI Tour Meeting, é o software que gerencia essa reunião. Ele prepara o cenário: "Ok, pessoal, temos 24 horas e um orçamento de US$ 100. Vamos planejar um dia em Tóquio".

A magia acontece na forma como esses agentes de IA interagem. Eles não apenas cospem uma lista de lugares; eles mantêm uma conversa. Eles se revezam para falar, fazer perguntas e fazer propostas. Se a Alice sugere visitar um museu, o Bob pode dizer: "Isso é legal, mas é muito longe do mercado de comida que eu quero visitar". O sistema então avança para uma fase de votação. Todos votam se aceitam o novo plano ou se mantêm o antigo. Se o plano obtiver votos suficientes, ele se torna o novo "itinerário atual". Esse ciclo de conversa e votação continua até que todos estejam satisfeitos (ou, pelo menos, até que todos concordem em parar de discutir).

As Regras do Jogo

Para garantir que a IA não fique apenas divagando para sempre, o framework fornece um livro de regras estrito.

Personas: Cada agente recebe um histórico detalhado. Eles têm um nome, uma personalidade (como "cauteloso" ou "sociável") e objetivos específicos (como "Eu devo visitar o templo").
Turnos: A reunião segue um cronograma. Pode ser um round-robin (todos falam em ordem) ou uma pessoa pode convidar o próximo falante.
Ações: Durante seu turno, um agente pode fazer algumas coisas:
- Pesquisar: Procurar fatos (como "Quanto custa a passagem de trem?").
- Perguntar: Fazer uma pergunta a outro agente.
- Propor: Sugerir uma nova rota de viagem.
- Votar: Na fase de votação, eles podem Aceitar ou Rejeitar uma proposta.
- Satisfeito: Se eles gostarem do plano atual, podem dizer: "Estou de acordo com isso", o que ajuda a encerrar a reunião.

O sistema é inteligente o suficiente para verificar se um plano quebra as regras. Se um agente sugere uma viagem que custa US$ 500 quando o orçamento é de US$ 100, o sistema detecta esse erro. Ele também rastreia quantas vezes o grupo teve que discutir antes de chegar a um acordo.

O Que os Computadores Realmente Fizeram

Os pesquisadores testaram este sistema para ver se ele realmente funciona. Eles configuraram reuniões com diferentes tipos de modelos de IA (alguns menores, outros maiores) e observaram o que acontecia.

Os Resultados:

Funciona (na maior parte): Quando utilizaram modelos de IA poderosos (como o Qwen3.5-4B ou superiores), as reuniões quase sempre terminavam com sucesso. Os agentes conseguiram chegar a um acordo sobre um plano 100% das vezes em muitos testes.
O "Cérebro" Importa: Modelos de IA menores e mais fracos (como a versão 2B) tiveram dificuldades. Eles às vezes ficavam confusos, repetiam a mesma frase ou inventavam fatos. O artigo sugere que é necessário uma IA razoavelmente inteligente (pelo menos tão boa quanto o Qwen3.5-4B) para rodar isso sem falhas.
O Conflito Leva Tempo: Os pesquisadores criaram cenários onde os agentes tinham objetivos conflitantes. Quando todos concordavam sobre o que queriam, a reunião era rápida (cerca de 10 turnos). Mas quando havia grandes desentendimentos, as reuniões se arrastavam (até 26 turnos em média), e os agentes tinham que propor muitas rotas diferentes antes de encontrar uma que funcionasse.
O Efeito "Vítima": Nos cenários mais difíceis, onde os agentes tinham gostos muito distintos, alguns agentes acabavam insatisfeitos. Cerca de 11% das vezes, um agente ficava tão insatisfeito com o plano final que dava uma nota baixa (4 ou menos de 10). Isso reflete a vida real: às vezes, para que um grupo chegue a um acordo, alguém precisa ceder e abrir mão do que realmente queria.

Por Que Isso Importa

Isso não é apenas um jogo divertido de turistas digitais. O artigo sugere que este framework é uma ferramenta poderosa para a pesquisa. Ao simular essas reuniões, cientistas podem estudar como grupos tomam decisões sem a necessidade de contratar centenas de pessoas reais. Eles podem testar como diferentes regras (como métodos de votação ou ordens de fala) afetam o resultado.

Por exemplo, descobriram que, em um grupo com opiniões conflitantes, a pessoa que fala primeiro muitas vezes tem mais dificuldade em fazer seu plano ser aceito. As pessoas que falam depois têm a vantagem de ouvir as reclamações de todos e podem ajustar sua proposta para tornar todos mais felizes. Esta é uma descoberta sobre a dinâmica de grupo que a IA ajudou a revelar.

O artigo também aponta para um futuro onde você poderia usar esta tecnologia para planejar viagens para grupos reais. Imagine que você está planejando as férias com amigos que vivem em fusos horários diferentes ou que não podem participar da chamada. Você poderia criar agentes de IA que representem as personalidades e preferências de seus amigos. Esses agentes poderiam conversar com o seu próprio agente para elaborar um plano que agrade a todos, de modo que, quando você finalmente falar com seus amigos, já tenha um itinerário perfeito pronto para ir.

Em suma, o AI Tour Meeting mostra que, se você der aos computadores as personalidades e as regras certas, eles podem aprender a ser bons companheiros de equipe, navegando pelo mundo confuso e complicado da tomada de decisão em grupo, exatamente como nós fazemos. É um passo em direção a um futuro onde a IA não apenas faz o nosso trabalho, mas nos ajuda a entender como trabalhamos juntos.

Resumo Técnico: Reunião de Tour de IA

Declaração do Problema

O planejamento de viagens em grupo é uma tarefa de otimização complexa que exige o equilíbrio de múltiplos objetivos, muitas vezes conflitantes, entre os participantes, tais como custo, tempo de viagem e preferências individuais. Embora pesquisas anteriores tenham se concentrado em apoiar grupos humanos para alcançar o consenso (Nguyen e Ricci, 2018; Chen et al., 2021), há uma necessidade crescente de estruturas que possam simular essas interações usando agentes de Grandes Modelos de Linguagem (LLM). Tais simulações são valiosas para avaliar automaticamente sistemas de recomendação de viagens em grupo e analisar o comportamento de agentes sem os altos custos de estudos comportamentais humanos em larga escala. Além disso, aplicações práticas poderiam permitir que usuários interajam com agentes de LLM representando membros ausentes do grupo para determinar itinerários de forma colaborativa. Os frameworks multiagente de propósito geral existentes carecem das abstrações específicas de domínio necessárias para o planejamento estruturado de viagens, enquanto simulações baseadas em personas anteriores não abordaram especificamente a dinâmica das discussões de planejamento de tours em grupo.

Metodologia: Framework de Reunião de Tour de IA

Os autores propõem o AI Tour Meeting, um framework projetado para orquestrar discussões de planejamento de viagens em grupo entre múltiplos agentes baseados em LLM. O sistema opera através de um fluxo de trabalho estruturado envolvendo fases distintas, personas de agentes e tipos de ações específicos.

Componentes Principais

Representação de Itinerário: Um itinerário $R$ é definido como uma sequência ordenada de destinos $(d_1, d_2, \dots, d_N)$ . Cada destino inclui metadados como nome, descrição, custo monetário, tempo de chegada, duração da estadia, modo de transporte e custos/durações associados.
Personas de Agentes: Cada participante de LLM é instanciado com uma persona distinta contendo atributos como Nome, Histórico, Personalidade, Preferências, Objetivos Pessoais, Papel (Facilitador ou Participante), Tom de Fala e Estilo de Explicação (Subjetivo, Contrastivo ou Ambos). O framework suporta tanto LLMs comerciais quanto locais (via Ollama ou vLLM) e permite estratégias de gerenciamento de contexto individual (ex: compactação automática, truncamento de histórico).
Espaço de Ação: Os agentes realizam ações dentro de um sistema baseado em turnos. As ações são categorizadas como:
- Ações Intermediárias: search (consultas na web), ask (questionar outros participantes) e reflect (revisar a discussão). Estas podem ser repetidas dentro de um turno.
- Ações Terminais: Estas encerram o turno. Na Fase de Conversação, as ações incluem propose (submeter um novo itinerário), satisfied (indicar concordância) e pass. Na Fase de Votação, as ações incluem accept, reject e score.
Mecânica de Fluxo de Trabalho:
- Ciclo de Duas Fases: A reunião alterna entre uma Fase de Conversação (discussão e geração de propostas) e uma Fase de Votação (avaliação de propostas).
- Regras de Turno: O framework suporta cinco regras de turno: Round Robin, Convite (o falante atual escolhe o próximo), Facilitação (o facilitador atribui o próximo), Aleatório e Paralelo (para votação). Modos opcionais de "Equilíbrio" e "Voluntário" garantem a justiça ou permitem pular turnos.
- Regras de Votação: Cinco regras são implementadas: Maioria, Unanimidade, Decisor Único, Maior Prazer (maximizando a soma dos scores) e Menor Sofrimento (maximizando o score mínimo).
- Terminação: A reunião termina quando todos os participantes indicam satisfação consecutiva (satisfied) com o itinerário atual, ou quando um limite máximo de turnos/tempo é atingido.

Detalhes de Implementação

O framework fornece uma API Python e uma Interface Gráfica de Usuário (GUI) para configurar reuniões, monitorar o diálogo em tempo real e visualizar análises. Inclui métricas integradas para desempenho do sistema (uso de tokens, violações de restrições) e dinâmica de discussão (distribuição de turnos, padrões de voto). O gerenciamento de contexto é tratado via prompts de sistema que definem personas e instruções específicas de fase, com loops de tentativa para JSON inválido ou violações de restrição.

Contribuições Principais

Abstração Específica de Domínio: Diferente de frameworks multiagente gerais, o AI Tour Meeting fornece abstrações especializadas para planejamento de viagens, incluindo representações estruturadas de itinerários, fluxos explícitos de proposta-votação e mecanismos de validação de restrições.
Ferramenta de Simulação: O framework serve como um ambiente robusto para analisar o comportamento de múltiplos agentes de LLM em tomada de decisão colaborativa, especificamente para planejamento de tours.
Validação e Análise: O artigo valida a robustez do framework em diferentes tamanhos de modelos e demonstra sua utilidade através de exemplos analíticos sobre conflitos de preferência e efeitos da ordem de fala.

Resultados Experimentais

Validação do Sistema

O framework foi testado usando cinco LLMs (Qwen3.5-2B/4B/9B, gpt-oss-20b, gpt-5.4-mini) com 50 reuniões sintéticas cada.

Desempenho: Modelos com desempenho comparável ou superior ao Qwen3.5-4B alcançaram uma taxa de conclusão de 100% com erros de restrição e falhas de ação negligenciáveis.
Limitações: O modelo Qwen3.5-2B apresentou dificuldades, produzindo ações inválidas (ex: repetir mensagens, referenciar rotas inexistentes) e falhando em alcançar o consenso em 42% dos casos.
Escalabilidade: Validação adicional com 5 e 10 participantes mostrou que o framework mantém uma taxa de conclusão de 100%, embora o número de turnos e o uso de tokens aumentem com o tamanho do grupo.

Exemplos de Análise

Conflito de Preferência: O estudo simulou reuniões com preferências alinhadas, mistas e conflitantes.
- Descobertas: À medida que o conflito aumentava, o número de turnos e propostas aumentava significativamente (de ~10 turnos em alinhados para ~26 em conflitantes). As taxas de consenso permaneceram altas (94–100%), mas a satisfação média diminuiu e a "taxa de vítima" (participantes com baixa satisfação) subiu de 0,7% para 11,3%.
- Padrões Comportamentais: A análise identificou padrões de construção de consenso, como "indução ao compromisso" (onde um participante é instigado a ceder) e "mediação" (onde um terceiro propõe uma rota modificada incorporando preferências rejeitadas).
Ordem de Fala: Usando uma rotação de assento de quadrado latino, o estudo analisou como a posição de fala afeta a aceitação de propostas.
- Descobertas: Em cenários sem conflitos, a ordem de fala não teve impacto significativo. No entanto, em cenários mistos e conflitantes, as propostas do primeiro participante tiveram taxas de aceitação significativamente menores do que as do segundo ou terceiro participantes. Participantes posteriores puderam aproveitar o feedback das discussões anteriores para elaborar melhores compromissos.

Significância e Alegações

O artigo afirma que o AI Tour Meeting demonstra com sucesso a utilidade dos agentes de LLM na simulação de processos complexos de tomada de decisão em grupo. O framework permite que pesquisadores:

Realizem análise comportamental automatizada e em larga escala de planejamento de viagens em grupo sem sujeitos humanos.
Avaliem sistemas de recomendação de viagens em grupo existentes em um ambiente simulado controlado.
Explorem novos cenários de aplicação onde agentes de LLM atuam como proxies para membros ausentes do grupo, permitindo que usuários incorporem diversas perspectivas no planejamento.

Os autores posicionam o trabalho como um passo fundamental para entender a dinâmica dos agentes de LLM em domínios colaborativos, observando que o design específico do domínio permite que os usuários foquem nos casos de uso em vez de implementar a lógica de interação de baixo nível do zero. O artigo permanece modesto quanto às implicações futuras, focando primariamente na validação da capacidade do framework de rodar de forma robusta e nos insights obtidos a partir dos exemplos analíticos iniciais.