智能车辆旅行规划正从简单的可行性路线生成转向多因素优化，例如行驶时间、能耗和交通状况。然而，现有系统大多聚焦于可行性规划，仅生成可行路线，而未考虑全局最优性。当前基准测试也只提供参考答案而非真实最优解，这严重阻碍了优化性能的客观评估。为填补这一空白，来自亚利桑那州立大学等机构的研究人员提出了一种基于智能体AI的旅行规划优化框架。该框架采用编排式架构，通过一个编排代理协调多个专业代理——包括交通代理、充电代理和兴趣点代理——各代理专注于特定子任务，协同工作以动态优化规划方案。例如，交通代理实时分析路况，充电代理根据车辆剩余电量和充电站分布给出建议，兴趣点代理则整合沿途景点和设施信息。编排代理负责综合这些信息，通过多轮推理迭代生成最优路线。
除了框架设计，该研究还构建了旅行规划优化问题数据集（TOP）。TOP数据集包含多种场景下的确切最优解，并设计了分类级任务结构，支持细粒度分析。研究者利用该数据集对系统性能进行了严格评估。实验结果显示，在TOP基准测试中，该智能体AI框架达到了77.4%的准确率，显著优于单代理系统和传统工作流式多代理系统。单代理系统由于缺乏分工，难以处理复杂约束；工作流式多代理系统则因流程僵化，无法灵活适应动态变化。相比之下，编排式智能体推理能够根据实时反馈调整策略，从而实现更稳健的规划优化。该论文已被IV 2026会议录用，标志着智能体AI在旅行规划领域的重要进展，未来可进一步应用于自动驾驶车队调度、物流路径规划等场景。