文 / 纪德

编辑 / 子夜

在 " 做攻略 " 这件事上，AI 看似已经卷到头了。

随便打开一个通用 AI 助手，丢给它旅行目的地和天数，一份排版精美、细节详尽的行程单立刻摆在眼前。交通怎么衔接，景点怎么游玩，哪个机位出片，都能安排得明明白白。

但只要用户真的照着 AI 的攻略出过一次门，大概率会撞上这样的时刻：按它给的 " 免预约 " 提示走到博物馆门口，才知道旺季要提前三天抢票；照着它标的 " 日落机位 " 导航过去，眼前是一圈施工围挡；行程单上写着 " 顺路 " 的两个景点，实际车程要绕出去两个小时。

问题出在哪？

AI 只管生成，不管兑现。

这不是某一家产品的问题，而是整个行业的处境。《2026 上半年 AI 旅游应用趋势洞察报告》里有组数字很扎眼：66.2% 的用户拿到 AI 推荐后，要回到传统 App 二次核实，敢直接下单的只有 15.2%。也就是说，用户普遍乐意让 AI 出主意，但不敢让 AI 替自己办事。

8 月 10 日，飞猪上线新一代 Agent" 飞猪帮帮 "，主打 " 一句话就出发 "。和市面上大多数旅行 AI 不同，它的产品定义里不只有问答和规划，还有订票、值机、升房这类实际的 " 办事 " 场景。

这个转向能不能走通，现在下结论为时尚早，但至少，行业评价旅行 AI 的标尺，已经从 " 攻略做得漂不漂亮 "，变成了 " 事情能不能办成 "。

而后者，才是用户真正愿意买单的关键。

旅行 AI 的临界点，卡在 " 办事 " 上 

这两年，AI 已经挤进了旅行消费的决策链。规划旅行时，越来越多人的第一反应不再是翻攻略帖子，而是打开 AI，输一句 " 帮我规划一个 XX 目的地、三天两夜的行程 "。

中国商务广告协会发布的《AI 对话与消费决策》报告显示，截至 2026 年 2 月，已有 50% 的 AI 用户在旅游出行场景使用过 AI 对话工具，渗透率在 12 个行业品类中排第一，AI 已经成为仅次于亲友推荐和社交媒体的第三大旅游决策渠道。

但这个市场还能更热，临界点卡在 " 办事 " 上。

玩家们已经动起来了。旅游研究机构 Phocuswright 的数据显示，61% 的旅游企业高管，其所在公司正在小范围试点或规模化应用 Agentic AI。

Phocuswright 还用了一个航天术语形容当下：2026 年，Agentic AI 在旅行行业将达到 " 逃逸速度 "。所谓逃逸速度，是物体挣脱引力所需的最低速度。用在行业里，意思是越过临界点之后，增长会自我加速、不再回落。

问题是，这个临界点没那么好越。

用户侧的问题在于，信任还没攒够。答案不准确、推荐太泛、不贴合自己的需求，是用户对通用 AI 助手最常见的抱怨。不少人用完一圈的感受是，还不如自己动手。

产品侧，则是交付物撑不起信任。无论思考链拉得多长，大多数旅行 AI 交出来的本质上是同一样东西：一份文本。文本之外的世界，它够不着，核验、跳转、比价、下单、变更，每一步还得用户自己来。

那这道坎谁来迈？

答案普遍指向了垂直玩家。一次旅行，涉及的是一条整合场景和消费的产业链，环节长、变量多。像飞猪这样手里握着真实供给的平台，天然离 " 办事 " 最近。

而脱胎于平台的 Agent 飞猪帮帮，相比于通用 AI 助手，确实更像是 " 一个智能助理团队 "，它直接按真实的旅行时空分工——行前 " 帮我想 "" 帮我订 "，行中行后 " 帮我办 "，来完成全流程的旅行服务。

这个定位，也决定了它在产品形态上的选择。道理很简单，AI 要办事，就不能缩在一个聊天框里，必须长在交易链路的每一个环节上。

大多数 App 做 AI，是在首页角落加一个小图标，点进去是一个聊天框，聊完退出来，本质还是附加功能。飞猪帮帮和上一代旅行 AI 本质的区别在于，Chatbot 的形式依然保留，但 AI 已经内化到了 App 的各个环节。

图源飞猪 App

它的智能面板直接落在 App 首页下方，能力同时嵌进搜索栏、行程页、订单页，以及机票、酒店、民宿、度假每个细分频道。

刷着机票列表想改筛选条件，比如 " 不要过境签 "" 中转别隔夜 "，说一句话就行。搜索需求再复杂，也不用拼凑关键词，对着搜索框直接说，AI 就能精准地搜。

不过，对普通用户来说，AI 长在 App 的哪个位置并不重要，重要的是交代出去的事能不能办成。" 帮我想 "" 帮我订 "" 帮我办 "，每一项都要过 " 兑现 " 这一关，这需要一项一项验。

从订票到值机，

飞猪帮帮把一次旅行包圆了

判断一个 Agent 的成色，最直接的办法，是看它在真实场景里办事的颗粒度。沿着一次旅行的时间线实测下来，可以发现，飞猪帮帮的功能设计撬动的，都是行业里积压已久的老问题。

今天用户的旅行意愿，大多萌生在刷帖、刷短视频时，先种草，再规划，但用户很难把这些内容传达给 AI。

飞猪帮帮专门做了两个功能：一个是 " 灵感 "，假如用户预备 " 川西自驾游 "，就可以在里面 " 收纳 " 想去的行程、目的地，有需要时，一句话即可让 AI 把它变成可用的规划。

另一个是 " 抄攻略 "，用户能直接把内容平台的攻略链接粘贴进来，AI 自动提取时间、地点、游玩顺序，制定行程表。

不过，即便用户并未 " 喂 " 给 AI 任何信息，飞猪帮帮也能生成一套直接可用的方案。

我们拿 " 川西自驾游 " 做了测试，生成出来的路书，完成度超出预期。第一天抵达成都的机票，直接显示优惠后价格；各个景点之间的车程信息准确，景点名称可以点开直达门票预订，每晚还附上住宿推荐；最后还拉了一张预算统计表。

图源飞猪 App

而比 " 规划行程 " 更难的题，是 " 帮忙预订 "。

如今，粗放的商品推荐正在失效，用户需要的是满足具体条件的方案。而长期以来，搜索和货架把这类个性化需求，过滤在了产品逻辑之外。

比如传统酒店筛选的维度，只有价格、位置、星级，至多细到 " 景观房 "。但真实需求远比这复杂，比如用户的要求可能是 " 我想要一间窗外能看到甲居藏寨全景、且离景区很近的民宿房间 "。

这两个要求，取决于房间朝向、楼层，民宿离观景台的距离。而这些信息藏在房型介绍和用户评价的角落里，没有哪个筛选项能直接查。

但在实测中，飞猪帮帮成功从全量供给里筛出两间民宿，一间距 1 号观景台仅 150 米，一间则就在 2 号观景台旁边。我们点开民宿详情核对，信息都对得上。而且两间房都提供了实时价格，可以直接点击预订。

订机票也是如此。我们设想了一个很复杂的指令—— " 帮我订 8 月 15 日杭州到成都价格最低、飞行时间最短的经济舱，起飞时间为早上 6 点 -9 点 "，飞猪帮帮在一分钟内，直接搜寻到具体航班，并将乘机人的身份证、手机号预填好，只需用户确认后自己付钱就行。

一般而言，交付往往在付款成功那一刻就结束了。而旅行中的麻烦事，恰恰集中在付款之后：值机选座、入境卡、签证材料、改签退票，件件琐碎。

飞猪帮帮没忘记补上交易后的这块空白。它的服务覆盖了行前准备、行中应变、行后收尾。比如值机和入境卡这类表单，AI 根据已有信息自动预填，用户核对后自行提交。改签退票时，AI 自动查规则、算差价、生成方案，原本跨好几个页面的流程，被压缩成一次对话。

AI 值机，图源飞猪 App

虽然飞猪帮帮办的事很多，但它的边界也划得很清。凡涉及花钱或订单变更，AI 执行前必须告知并获得确认，不自动扣款，不擅自动订单。琐碎的事归 AI，拍板的权归人。

一路拆下来，从灵感、决策、交易到履约、收尾，一次旅行的完整周期被串了起来。飞猪帮帮让旅行 AI 真正跳出 " 规划 " 这个舒适区，开始按用户真实的时空动线来组织功能。

但功能只是结果，不是原因。这些功能往下扎的东西，才是这个故事更关键的另一半。

为什么 AI 办旅行的事，

比想象中难得多？

" 让 AI 办事 "，越来越多产品都在讲这个故事，但落地难度不小。这里面既需要行业的基础设施，也需要行业的抽象层，以及模型和 Agent 架构上的进化。三样凑齐，AI 才办得成事。

最底下那层，是行业的基础设施，货和数。

旅行是个容错率极低的生意。时间要精打细算，人在陌生环境里，一次错误推荐的代价是真金白银和回不来的假期。偏偏航班、票价、房态、门票变动极快，通用 AI 助手的知识来自公开互联网，天然滞后，也没法核验。

所以履约型 AI 的地基，必须是真实供给——航司、酒店、景区直连的实时库存和价格，以及背后能真正下单的交易系统。它的作用很直接，保证飞猪帮帮的每一次推荐，都力求锚定在 " 此刻真实存在 " 的真实世界上。

货解决 " 能不能履约 "，数据则解决 " 懂不懂旅行 "。飞猪手里的专有数据，是十年积累的真实交易订单，和海量用户搜索、比价、履约的行为数据。谁在什么季节订什么房，改签的高峰出在什么时候，哪类行程最容易被退掉，这些真实的消费痕迹，是公开语料给不了的，全是训练模型的珍贵原料。

往上走一层，是行业的抽象层，know-how。

数据是原料，know-how 则是章法。改签退票有哪些规则，什么情况能争取免费升房，多程机票怎么组合最合理，这些理解只能靠长年累月在行业里泡出来。AI 要办事，得先把这些章法学会。

最上面一层，是模型和 Agent 架构的进化。前两层是资源，这一层才是能力。

先说模型。到今天，各家基座大模型的能力已经没有太大差距，卷的是数据，是数据支撑起来的模型能力。

飞猪的解法，是对大模型做后训练，在通用能力之上，用旅行域的数据和经验，把一个 " 通才 " 养成 " 专才 "。根据公开信息，飞猪基于阿里通义千问基座模型，搭建了自有的训练环境和数据管线，最终得到一个面向旅行域的自有模型，再部署对外服务。

第一层的数据、第二层的章法，就是在这个过程中被一项项教进模型的。

再说架构。模型再懂旅行，也只是单点的智能，要把一件事从头办到尾，得靠架构来组织。

2025 年 4 月，飞猪 " 问一问 " 是业内首个采用 Multi-Agent 架构的旅行 AI。这次飞猪帮帮更进一步，用 Agent Loop 的方式合并了大量子 Agent，还新增了一批工具。

这个升级听着抽象，但是不难理解。比如用户说一句 " 帮我值机，要前排靠窗 "，背后是 AI 在一个循环里自主干活：读订单、查航班状态、调值机工具、发现靠窗位置没了自动换靠过道、办完回报结果。

上一代需要几个子 Agent 接力传棒，环节多，误差容易积累。现在一个更通用的 Multi-Agent 架构就能闭环，接新能力的效率也更高。

效果有数字可查。飞猪数据显示，飞猪帮帮交付结果的可用率评分比上一代提升超 70%，可比任务的平均耗时减少近 10%。

三层合起来看，" 会办事 " 不是一个功能，而是一套系统工程。这也解释了为什么垂类玩家更得心应手，因为通用 AI 助手有技术但没货没数，内容型玩家有数据但没有交易系统，谁都接不住这张考卷。

飞猪属于有基础，也选对了路线。飞猪首席执行官庄卓然曾提到，AI 和现有业务结合有三条路：在老产品上加 AI 功能，用新技术包装老产品，或者自己动手把能力拆开重组。飞猪选了最重的一条。

他的判断是，AI 时代的 OTA 不会被干掉，但内核会被完全重构，未来的形态是全智能旅行代理（Omni-intelligent Travel Agent），飞猪帮帮正朝着这个方向努力。

当然，这事也得客观看。旅行 AI 从能聊到能订、能办杂事琐事，现在只能算迈开了第一步。商品流、交易流、履约流，本质还是移动互联网时代的基建，为 AI 重塑的进度还需要一点一点磨。这跟制造业一个道理，靠的是时间和资源的日积月累。

飞猪帮帮未必是终局，但它把全行业拉到了同一张新考卷面前。这张考卷没有捷径，货、数据、行业经验，一样都绕不过去。下一个十年的领先者，大概率不是最会聊的那个，而是离真实世界最近的那个。