論文の概要: AI Tour Meeting: Group Travel Planning by LLM Agents
- arxiv url: http://arxiv.org/abs/2607.18806v1
- Date: Tue, 21 Jul 2026 07:36:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.350625
- Title: AI Tour Meeting: Group Travel Planning by LLM Agents
- Title（参考訳）: AI Tour Meeting: LLMエージェントによるグループ旅行計画
- Abstract要約: 本稿では,多言語モデル(LLM)を用いたグループ旅行計画フレームワークであるAI Tour Meetingを提案する。
このフレームワークはエージェントのペルソナ、ディスカッション監視、デプロイメントの設定のためのインターフェースを提供することで、このような議論の容易かつ柔軟なオーケストレーションを可能にする。
- 参考スコア（独自算出の注目度）: 0.8883733362171032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes AI Tour Meeting, a group travel planning framework powered by multiple Large Language Model (LLM)-based agents. The agents are instantiated with distinct personas and collaboratively seek an itinerary that satisfies their constraints and preferences through natural language discussion. The framework enables easy and flexible orchestration of such discussions by providing interfaces for configuring agent personas, discussion workflows, monitoring, and LLM deployment. Its primary use case is a simulation tool for analyzing the behavior of multiple LLM agents during tour planning discussions. This paper demonstrates the utility of the framework by presenting system validation and several analytical results obtained by the framework.
- Abstract（参考訳）: 本稿では,多言語モデル(LLM)を用いたグループ旅行計画フレームワークであるAI Tour Meetingを提案する。
エージェントは別個のペルソナでインスタンス化され、自然言語の議論を通じて制約や嗜好を満たすイテレーションを共同で探す。
このフレームワークはエージェントのペルソナ、議論ワークフロー、監視、LLMデプロイメントの設定のためのインターフェースを提供することで、このような議論の容易かつ柔軟なオーケストレーションを可能にする。
主なユースケースは、ツアー計画中の複数のLLMエージェントの挙動を解析するためのシミュレーションツールである。
本稿では,本フレームワークのシステム検証と分析結果を提示し,本フレームワークの有用性を実証する。
関連論文リスト
- GroupTravelBench: Benchmarking LLM Agents on Multi-Person Travel Planning [21.321198339300334]
textbfGroupTravelBenchは、textbfmulti-user, multi-turn travel planningの最初のベンチマークである。
実際のユーザプロファイル、POIデータ、チケット価格データに基づいて、650のタスクを合成し、3つの難易度に分割する。
我々は広い範囲のLLMを評価し、フロンティアモデルでさえも、好みのカバレッジとグループフェアネスに重大な弱点があることを見出した。
論文 参考訳（メタデータ） (2026-05-24T17:59:58Z) - Bridging the Knowledge Void: Inference-time Acquisition of Unfamiliar Programming Languages for Coding Tasks [22.908904483320953]
コーディングタスクにおけるLarge Language Models (LLM) は、しばしばその広範な事前学習コーパスの反映である。
動作プリミティブのセットをLCMに装備する一般のIRAフレームワークであるIRAエージェントを提案する。
我々は,Cangjie 用の ILA エージェントをインスタンス化し,コード生成,翻訳,プログラム修復タスクのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2026-01-16T09:06:47Z) - HELP: Hierarchical Embodied Language Planner for Household Tasks [75.38606213726906]
複雑なシナリオを扱うエージェントは、堅牢な計画能力に大きく依存する。
広範な言語知識を備えた大規模言語モデルは、この役割を果たすことができる。
LLMをベースとした一組のエージェントからなる階層型エンボディード言語プランナーHELPを提案する。
論文 参考訳（メタデータ） (2025-12-25T15:54:08Z) - Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。
既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。
ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
論文 参考訳（メタデータ） (2025-10-06T10:44:04Z) - IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。
エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。
最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
論文 参考訳（メタデータ） (2025-05-23T09:37:52Z) - Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems [10.67359331022116]
textitTalk 構造的には、Act Hierarchically (TalkHier) はコンテキスト豊富な交換のための構造化通信プロトコルを導入する新しいフレームワークである。
textitTalkHierは、推論スケーリングモデル(OpenAI-o1)、オープンソースのマルチエージェントモデル(AgentVerseなど)など、さまざまな種類のSoTAを追い越している。
論文 参考訳（メタデータ） (2025-02-16T12:26:58Z) - Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。
本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
論文 参考訳（メタデータ） (2024-06-18T14:07:28Z) - Rethinking the Bounds of LLM Reasoning: Are Multi-Agent Discussions the
Key? [84.36332588191623]
本稿では,議論機構の集合を充実させる新しいグループディスカッションフレームワークを提案する。
マルチエージェントの議論は,プロンプトに実演がない場合にのみ,単一のエージェントよりも優れていることが観察された。
論文 参考訳（メタデータ） (2024-02-28T12:04:05Z) - Improving Planning with Large Language Models: A Modular Agentic Architecture [6.394504490512812]
大規模言語モデル(LLM)は、多段階の推論や目標指向の計画を必要とするタスクに悩まされることが多い。
本稿では,特殊モジュールの反復的相互作用によって計画が達成されるエージェントアーキテクチャ,MAPを提案する。
MAPは両方の標準LLM法よりも大幅に改善されていることがわかった。
論文 参考訳（メタデータ） (2023-09-30T00:10:14Z) - Recommender AI Agent: Integrating Large Language Models for Interactive
Recommendations [53.76682562935373]
我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。
InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
論文 参考訳（メタデータ） (2023-08-31T07:36:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。