新火種
2025-04-23 
飛豬AI意外出圈！邀請碼被黃牛倒賣，分分鐘搞定機酒預訂，堪比專業定制團隊
既想當說走就走的酷蓋，又怕踩坑當大冤種。
「既要又要」的旅行悖論，真要被AI解決了。這個垂直賽道終于殺出黑馬！
五一這不是要到了，這幾天小紅書上旅游攻略，唰唰唰都在聊飛豬家的AI產品——
「問一問」，貌不驚人，但內有乾坤。甚至已經出現了倒賣邀請碼的黃牛帖了……
一開始原以為只是個普通的聊天助手，結果出乎意料的是，只需一句話就能預訂機酒，幾分鐘內就從交易到交互的閉環，真正做到了「所見即所能得到」。
方案不滿意還可以直接定點修改重新生成，主打一個定制化服務。
而進一步扒開回顧它的思考過程，就會發現飛豬在產品的思維鏈上做了一個很有想象力的變化：
不是直接給你結論，而是讓你看到有多個專家在分頭出馬，調用實時的機票報價、酒店報價、路線庫等等，協同「腦暴」。
just be like專業團隊竭誠為你服務~
誰能懂？以往嘗試了那么多AI來做旅行規劃，要么就像是個「美麗的廢物」，輸出的內容給人感覺不錯，但可用性頂天有50%，與實際的食住行有很大偏差。
要么就是內容過于泛泛，僅停留在攻略層面，光說不干。如果要按著預算比價、預訂機酒什么的，還得靠自己輾轉攜程去哪兒Booking各種App來完成。
相比于其他領域，AI在旅行場景的落地可能遠比想象中難度高得多。
但現在，「問一問」產品雖然還說不上完美，在交互界面、回答質量到用戶價值閉環設計，它都比上一代的行程規劃AI前進了一大步。
甚至已經有「AI直接殺死比賽」那種跡象了。
對所有AI產品來說，所問即所得、所見即所得對用戶的誘惑力，只會越來越大。但從此前市面上產品來說，都還沒有實現『端到端』滿足需求的閉環。
飛豬到底如何做到？咱們進一步來看一看。
定制化的AI「專業團隊」點開飛豬，「問一問」在「行程」這一欄。整個頁面與其他AI對話差不多——
對話框（支持語音輸入）+四個可直接觸達使用的基本模板：目的地推薦，機票/酒店預定、規劃行程。
但是具體使用下來，其實還是有很多不同的。
以「為我發現目的地」為例，即便提示詞過于泛泛，但它還是根據當前時間/所在地、各地氣候、景點熱度等維度思考得出了三種解決方案。
值得一提的是，有合適or不合適的方案選擇，可以點擊旁邊「可編輯」圖標，進一步去修改完善需求。
這種「點對點編輯修改」其實還蠻重要。
大多數情況下，AI產品單輪交互無法滿足用戶需求，除非你提示詞寫得很完美，模型又聰明地能完全get并執行；
而當前很多通用或者垂類模型，當給出的方案不滿意的時候，補充交互的話相當于從頭開始推倒重來，一次次交互中模型還有可能突然出現幻覺，那就要重新開始。
現在這樣手術刀式的定點修改，其實就提升了交互效率。
這在旅游場景更為重要，人的需求并不是靜態的，一次決策之前，人需要參考很多碎片化的攻略和評價信息；具體的時間安排和消費契機，在實際的行程中還會反復改變。你不可能一開始就有一份完美的攻略。
另外還值得說道的一個點，就是它的思考過程。
它首先隱去了背后的模型，畢竟產品來說用戶體驗第一，背后是什么模型不重要。
然后它將整個思考過程具體到步驟，每個步驟已經能看到專門的“專家”來負責，十分清晰也易于用戶理解。旅游是個高決策難度、高客單價、低容錯率的場景。
「合理地展示復雜」，本身就是一個說服的過程。
DeepSeek R1橫空出世的炸裂感，就跟它毫無保留地展示了思考鏈有關。「問一問」在這個地方的巧思值得專門講一下，因為這樣不至于像通用推理模型那樣展示一個單一的長路徑，也降低了等待造成的焦灼感，在體驗和效率上可以加分。
好，初步體驗到此，已經很明顯地感受到「問一問」作為垂類的C端產品同通用產品的區別。
如果想更細粒度地滿足個性化需求，還是依靠對話來進一步實現。
那么就讓它來給我規劃一下五一行程。
五一期間想去青海省， 想去參觀自然風光拍照，也想體驗當地民族風情，請為我規劃行程。
結果它就開始思考和分工了——有路線定制師制定路線、智慧交通顧問查詢機票庫存價格、攻略達人看當地游玩信息、酒店顧問則看酒店信息……
最后還有預算管理師給你估算價格。
通過調取飛豬本身的在線庫存數據、實時價格以及流行本地生活玩法、用戶評價等維度，才得出解決方案。
看給出的路線，既有像日月山、青海湖、茶卡鹽湖等自然景色，也有塔爾寺、藏文化博物館等，算得上是一個比較平衡的結果。
而且具體到每一天的日程安排：吃啥玩啥住啥通通都有。最后還有個預算參考。
這個解決方案并不是最終的，你可以隨時點擊當中的一些圖標進行修改景點路線。
還可以隨時調整預算，在方案的最后有個「預算調整」這一欄，你可以控制你預想的幅度，然后重新生成。
如果生成的方案你覺得OK，那么就可以預定起機酒了。它給你列了幾個同類選擇，一鍵就可以預定。
最后生成的行程路線，可以制作成手繪彩蛋，可在地圖上查看、編輯和分享。
總之，最后短短幾分鐘，就完成了五一行程的規劃，連機酒也給預定上了。
怎么說呢，世界這么大，現在更沒理由不去看看了。
說走咱真的就能走哇。
“場景玩家”的隱藏實力大模型做旅行規劃這件事，業內已經有了審美疲勞。但直到用完第一個真正做到能用上「從交互到交易閉環」的AI產品，大家才會發現這件事的潛力和難度。
基于大模型開發旅行AI，技術方案的迭代還有N種可能，但在用戶價值上，有了個參考答案。
為什么這么說呢？
旅行場景其實一直是大模型早期落地的「試驗田」，大家看到了讓人眼花繚亂的演示，都想做，但時至今日沒有真正的爆品出現。
這也是為什么小紅書上有人戲稱，已經看到了800個旅行規劃AI了，求別推送了。花了幾天時間做了個Agent，做完才覺得是個「偽需求」。只是看起來像規劃的規劃，連自己都不想用。
背后原因與場景本身、行業本身有關。
旅行是大眾的普遍需求，但又是個極為傳統、極為分散、信息差巨大的產業。
每個人的需求都不相同，但從成本和效率的角度出發，目前的互聯網平臺最聰明的做法，就是把這部分依賴線下的龐大服務盡可能抽象并標準化，在線進行售賣。
所以，不滿足于“大路貨”的用戶對攻略的渴望越來越強烈。但做一趟旅行規劃，需要自行查閱大量信息（如景點、交通、住宿、餐飲等），耗時耗力。
而且這些大量信息融合了文本（攻略、評價）、圖像（景點照片）、結構化數據（航班時刻表）等，巨大的復雜性，給利用大模型來落地服務提供了天然土壤。
這樣來看，場景天然痛點明確，受眾普適且廣泛，大家都想要分一杯羹也就不奇怪了。
但形成強烈反差的是，旅游領域AI的進展相比于其他領域，卻遠遠不及預期。特別是對創業公司來說，需求美好的表象也悄然隱藏了打破行業壁壘的難度。
具體從決策和數據兩個方面來說。
旅行規劃是一組復雜的決策鏈路，涉及到用戶的食住行，包括不限于預算、交通、接駁、住宿、餐飲、游樂、行程舒適度、個人偏好、簽證政策、退改規則、天氣等幾十種決策因子的相互博弈。這些因子中有的還是實時變化的，最典型的就是機票，需要實時連接到上游供給側。
還有在數據質量方面的挑戰。旅行數據具有“專有性”，很多無法從公共網絡上獲取。比如機票庫存、航班變更，基本上都必須通過GDS（全球分銷系統）來付費獲取；酒店價格、房型、面積、是否能加床等，則需要通過訓練有素的銷售團隊談判、簽約，再進行標準化，進入傳統OTA的EBK等系統，以及一些景區的節令特點、適合游覽的時間和風險場景等，有賴于龐大的生態和長期經驗。
對于通用模型來說，決策過于復雜多變，實時數據無法獲取，訓練數據又有所滯后導致泛化能力下降，無法適應這個快速變化需要實時決策的場景。在面對相關問題的時候，模型出現幻覺、準確率低的情況概率會更高。但更糟糕的是，這個場景里的用戶偏偏對出錯的容忍度最低。
因此如果僅通過簡單API或者工作流接入然后打造單個Agent來處理相對確定的需求，在實際環境中行不通。
飛豬「問一問」的可貴之處在于，它在產品思路上試圖向解決這兩個問題的方向前進。
從以上測評中可看出，它是先分析真實的需求，然后框定相應的服務員場景，讓Agent基于此調用所涉及的數據工具，執行任務，構建出術業有專攻的專家形象。這種過程反映了飛豬的AI團隊了解應該用什么樣的思路、步驟去服務一個用戶，以及如何交付最后的產品。
有了這一層面的know-how，讓大模型的能力才能在這一范圍內充分發揮、加以調優。
與此同時，針對那些確實過于極致的問題依然保留大模型的泛化能力。這一路徑對數據集的建設管理、大模型調教等操作的難度更大、成本也更高。
據飛豬內部透露，他們前期調研了大量旅行社、旅游定制師等，把他們的工作流、知識、經驗，加上平臺的海量供應鏈數據、服務評價數據等結合，構建了一套相對完善的旅行數據集。
盡管目前使用上還有一些地方需要補齊，比如「附近」位置不夠精細，沒有鏈接到城際班車的信息等。但從長遠角度來看，符合用戶真實需求、實用性強，已經從簡陋的ChatBot層面成長了一大步。
隨著AI在物理世界里的深入，生活服務剛好是個備受關注也繞不開的場景。想要落地并不容易，但一旦實現，也將推動AI對于物理世界的理解和賦能。
這需要更多像飛豬這樣的場景玩家站出來，去理性看待并解決這些行業難題。
所以大家五一想去哪里玩？有什么旅行需求想要拷問AI的？
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
