出发前一周，你把「五天四晚、带老人、预算中等、不想太赶」这四句话丢给 AI，两分钟后拿到一份行程：每天三个景点、两顿推荐餐厅、交通方式写得很清楚。看着挺像回事，落地才发现第三天要爬两百级台阶，第四天的博物馆周一闭馆。旅行规划是 AI 用得最顺手、也最容易踩坑的场景之一，差别就在你有没有分清哪部分能信。
攻略最耗时的，是查和比
做一份能用的攻略，时间大多花在三件事上：查，这个地方有什么；比，住哪、怎么走更划算；排，几天怎么分配。前两件是信息检索，第三件是组合优化。AI 在这三件事上的表现差别很大，混在一起用，就会得到一份看着完整、实际走不通的行程。
有个粗略的规律：越靠近通用知识，它越靠谱；越靠近此时此刻，它越不可靠。城市有哪些值得去的地方、大概需要几天、什么季节合适，这些属于通用知识；门票多少钱、今天开不开门、这周有没有临时管制，属于实时信息。
五件事里，三件它做得比人快
把行程规划拆成五个环节，每个环节的能力边界并不一样：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 定框架 | 按天数、体力、偏好排出每天的主题和动线 | 判断同行的人实际能走多久，老人和孩子的差异它看不到 |
| 排顺序 | 把景点按地理位置分组，减少折返 | 知道某个景点正在维修、某条路在施工 |
| 选住宿片区 | 按预算和交通便利度给出几个片区 | 判断这个片区晚上安不安全、吵不吵 |
| 查实时信息 | 告诉你该去哪个官方渠道查 | 给出准确的航班动态、临时闭园、天气突变 |
| 应急处理 | 列出改签、退订、求助的一般流程 | 替你跟平台交涉，或判断某笔费用该不该退 |
第二行和第四行是分水岭。排顺序靠的是空间关系，这是模型擅长的；但它手上的地图是训练时的地图，不是今天的路况。所以正确用法是让它排逻辑顺序，你再用地图软件核对实际距离和通行时间。两个动作分开做，比让它一步到位可靠得多。
看着合理的行程，为什么走不通
三类错误最常见。第一类是时间估算失真：它按景点之间平均半小时算，实际旺季排队就要四十分钟。第二类是地理错觉：把两个名字相近的地方当成一个片区，动线绕了一大圈。第三类是信息过期：某个展馆三年前免费，现在要预约，它不知道。
这三类错误的共同点是，它们都不像错误。行程表格式整齐、时间连贯、理由充分，正因为太顺，人就不去核对了。这跟AI 幻觉的机制一样：编出来的内容在形式上完全合规，破绽只在事实上。
有个便宜的自查办法：让它把每天的行程按「几点到几点、在哪、怎么去、多久」列成表，再逐行问这一段如果堵车会怎样。它答不上来的地方，就是你需要自己确认的地方。
实时这一层，模型永远是滞后的
航班变动、景区临时闭园、突发的天气、临时的交通管制，这四类信息有一个共同点：它们在模型训练完成之后才发生。不管模型多大，它都不可能知道今天下午的暴雨预警。想让它查，得给它接上检索，也就是RAG那套做法，先搜再答，答案里带来源。没接检索的模型，遇到这类问题会给一个语气笃定的旧答案。
价格也是同理。机票和酒店的价格随时在变，任何它给出的具体数字都只能当量级参考，不能当预算依据。真要做预算，去平台上看实时报价，顺便看一眼退改规则——这部分条款往往比价格更影响总花费。
把核实留给自己：三个必查项
不管行程做得多细，出发前有三件事必须自己查官方渠道：签证与入境要求、景点开放时间与预约规则、当地近几天的天气与预警。这三项的共同点是变了就整趟作废，所以不能靠二手信息。
行中也一样。真出了状况，比如航班取消、行李丢失，第一件事是找承运方或使领馆的官方渠道，不是问 AI。它可以告诉你一般流程，但处理时效和具体政策以现场为准。
至于哪家店好吃、哪条路好走这类本地经验，它的答案来自网上的公开评价，往往是几年前的，或者被刷过的。这类信息可以当线索，不能当结论。
用它省时间，别用它做决定
比较务实的定位是：让它做从 0 到 1 的草案，你做从 1 到能用的修订。它给出的框架能省掉对着空白页发呆的两小时，剩下的核对、取舍、临场调整，本来就是旅行的一部分。
现在也有能连着查地图、查天气的智能体形态，能自动完成多步查询。它比单轮问答靠谱一些，但同样受限于它能接到的数据源，以及它判断这个信息够不够新的能力。
速查：AI 行程的四条使用边界
- 框架、动线、片区推荐可以用，具体时刻表要自己核
- 价格、余票、开放状态，一律以官方渠道为准
- 让它排逻辑顺序，用地图软件核实际距离
- 行中出状况，先找承运方和官方渠道
