智能車輛旅行規劃正從簡單的可行性路線生成轉向多因素優化，例如行駛時間、能耗和交通狀況。然而，現有系統大多聚焦於可行性規劃，僅生成可行路線，而未考慮全局最優性。當前基準測試也只提供參考答案而非真實最優解，這嚴重阻礙了優化性能的客觀評估。為填補這一空白，來自亞利桑那州立大學等機構的研究人員提出了一種基於智能體AI的旅行規劃優化框架。該框架採用編排式架構，通過一個編排代理協調多個專業代理——包括交通代理、充電代理和興趣點代理——各代理專注於特定子任務，協同工作以動態優化規劃方案。例如，交通代理實時分析路況，充電代理根據車輛剩餘電量和充電站分佈給出建議，興趣點代理則整合沿途景點和設施信息。編排代理負責綜合這些信息，通過多輪推理迭代生成最優路線。
除了框架設計，該研究還構建了旅行規劃優化問題數據集（TOP）。TOP數據集包含多種場景下的確切最優解，並設計了分類級任務結構，支持細粒度分析。研究者利用該數據集對系統性能進行了嚴格評估。實驗結果顯示，在TOP基準測試中，該智能體AI框架達到了77.4%的準確率，顯著優於單代理系統和傳統工作流式多代理系統。單代理系統由於缺乏分工，難以處理複雜約束；工作流式多代理系統則因流程僵化，無法靈活適應動態變化。相比之下，編排式智能體推理能夠根據實時反饋調整策略，從而實現更穩健的規劃優化。該論文已被IV 2026會議錄用，標誌着智能體AI在旅行規劃領域的重要進展，未來可進一步應用於自動駕駛車隊調度、物流路徑規劃等場景。