重规划、修复还是编辑？资源中断下旅行智能体行程修订的统一实证评测

一篇 arXiv 论文针对行程在航班取消、酒店无房或景点关闭后失效的问题，用两个源自 TREK 的基准集（500 个单一中断案例，含可行与不可行；200 个可行的同时复合中断案例）统一比较了 LLM-Z3 全量重规划、IPyHOPPER 分层修复和 iTIMO 局部修订适配器，在有效性、方案稳定性和计算成本上做系统评测。

此前全量重规划、经典计划修复与 LLM 旅行智能体修订各自使用不同的任务表述和评测协议，结果无法横向比较。该研究用统一基准和统一指标把三类方法放在同一口径下评测，使可行性恢复、已接受承诺保留与计算成本的权衡第一次可以被直接对照。

三类方法处理中断的机制不同：LLM-Z3 调用 LLM 配合 Z3 做整体重规划；IPyHOPPER 用分层计划修复，只改动受影响部分；iTIMO 适配器做局部修订。由于修复范围更小，分层与局部方法在成功时编辑更少、保留更多已接受承诺，但复合中断下全量重规划成功率更高；成本差异主要来自是否调用 LLM 及调用次数。

对旅行类产品的研发意味着：不必默认对所有中断都触发全量重规划。可按中断类型与复杂度分流——简单单一中断走分层或局部修复，以保住用户已确认的行程与承诺；同时把 LLM 调用集中到复合中断场景，从而在成功率、用户行程稳定性和 token 成本之间做可量化的取舍。

• 在行程修订流程中按中断数量和类型做路由：单一中断优先修复、复合中断再升级到全量重规划。
• 把“已接受行程的保留程度”和编辑次数加入线上指标，与成功率一起监控修订质量。
• 对 LLM 调用做预算控制，仅在修复失败或复合中断时触发，以压低 token 成本。
• 基于 TREK 类基准建立内部回归测试集，比较不同修订策略再决定上线方案。

• 论文未说明这些结论在 TREK 之外的真实旅行数据或其他语言场景是否成立。
• 摘要未给出各方法具体的成功率、稳定性与成本数值，无法判断差距幅度。
• LLM-Z3、IPyHOPPER、iTIMO 三种方案各自的工程落地复杂度与延迟未在证据中说明。
• 复合中断仅测试了可行案例，不可行复合中断下的表现尚不明确。