实测飞猪帮帮Agent：旅行AI终于开始干正事了

文/纪德

编辑/子夜

在“做攻略”这件事上，AI看似已经卷到头了。

随便打开一个通用AI助手，丢给它旅行目的地和天数，一份排版精美、细节详尽的行程单立刻摆在眼前。交通怎么衔接，景点怎么游玩，哪个机位出片，都能安排得明明白白。

但只要用户真的照着AI的攻略出过一次门，大概率会撞上这样的时刻：按它给的“免预约”提示走到博物馆门口，才知道旺季要提前三天抢票；照着它标的“日落机位”导航过去，眼前是一圈施工围挡；行程单上写着“顺路”的两个景点，实际车程要绕出去两个小时。

问题出在哪？

AI只管生成，不管兑现。

这不是某一家产品的问题，而是整个行业的处境。《2026上半年AI旅游应用趋势洞察报告》里有组数字很扎眼：66.2%的用户拿到AI推荐后，要回到传统App二次核实，敢直接下单的只有15.2%。也就是说，用户普遍乐意让AI出主意，但不敢让AI替自己办事。

8月10日，飞猪上线新一代Agent“飞猪帮帮”，主打“一句话就出发”。和市面上大多数旅行AI不同，它的产品定义里不只有问答和规划，还有订票、值机、升房这类实际的“办事”场景。

这个转向能不能走通，现在下结论为时尚早，但至少，行业评价旅行AI的标尺，已经从“攻略做得漂不漂亮”，变成了“事情能不能办成”。

而后者，才是用户真正愿意买单的关键。

1、旅行AI的临界点，卡在“办事”上

这两年，AI已经挤进了旅行消费的决策链。规划旅行时，越来越多人的第一反应不再是翻攻略帖子，而是打开AI，输一句“帮我规划一个XX目的地、三天两夜的行程”。

中国商务广告协会发布的《AI对话与消费决策》报告显示，截至2026年2月，已有50%的AI用户在旅游出行场景使用过AI对话工具，渗透率在12个行业品类中排第一，AI已经成为仅次于亲友推荐和社交媒体的第三大旅游决策渠道。

但这个市场还能更热，临界点卡在“办事”上。

玩家们已经动起来了。旅游研究机构Phocuswright的数据显示，61%的旅游企业高管，其所在公司正在小范围试点或规模化应用Agentic AI。

Phocuswright还用了一个航天术语形容当下：2026年，Agentic AI在旅行行业将达到“逃逸速度”。所谓逃逸速度，是物体挣脱引力所需的最低速度。用在行业里，意思是越过临界点之后，增长会自我加速、不再回落。

问题是，这个临界点没那么好越。

用户侧的问题在于，信任还没攒够。答案不准确、推荐太泛、不贴合自己的需求，是用户对通用AI助手最常见的抱怨。不少人用完一圈的感受是，还不如自己动手。

产品侧，则是交付物撑不起信任。无论思考链拉得多长，大多数旅行AI交出来的本质上是同一样东西：一份文本。文本之外的世界，它够不着，核验、跳转、比价、下单、变更，每一步还得用户自己来。

那这道坎谁来迈？

答案普遍指向了垂直玩家。一次旅行，涉及的是一条整合场景和消费的产业链，环节长、变量多。像飞猪这样手里握着真实供给的平台，天然离“办事”最近。

而脱胎于平台的Agent飞猪帮帮，相比于通用AI助手，确实更像是“一个智能助理团队”，它直接按真实的旅行时空分工——行前“帮我想”“帮我订”，行中行后“帮我办”，来完成全流程的旅行服务。

这个定位，也决定了它在产品形态上的选择。道理很简单，AI要办事，就不能缩在一个聊天框里，必须长在交易链路的每一个环节上。

大多数App做AI，是在首页角落加一个小图标，点进去是一个聊天框，聊完退出来，本质还是附加功能。飞猪帮帮和上一代旅行AI本质的区别在于，Chatbot的形式依然保留，但AI已经内化到了App的各个环节。

图源飞猪App

它的智能面板直接落在App首页下方，能力同时嵌进搜索栏、行程页、订单页，以及机票、酒店、民宿、度假每个细分频道。

刷着机票列表想改筛选条件，比如“不要过境签”“中转别隔夜”，说一句话就行。搜索需求再复杂，也不用拼凑关键词，对着搜索框直接说，AI就能精准地搜。

不过，对普通用户来说，AI长在App的哪个位置并不重要，重要的是交代出去的事能不能办成。“帮我想”“帮我订”“帮我办”，每一项都要过“兑现”这一关，这需要一项一项验。

2、从订票到值机，飞猪帮帮把一次旅行包圆了

判断一个Agent的成色，最直接的办法，是看它在真实场景里办事的颗粒度。沿着一次旅行的时间线实测下来，可以发现，飞猪帮帮的功能设计撬动的，都是行业里积压已久的老问题。

今天用户的旅行意愿，大多萌生在刷帖、刷短视频时，先种草，再规划，但用户很难把这些内容传达给AI。

飞猪帮帮专门做了两个功能：一个是“灵感”，假如用户预备“川西自驾游”，就可以在里面“收纳”想去的行程、目的地，有需要时，一句话即可让AI把它变成可用的规划。

另一个是“抄攻略”，用户能直接把内容平台的攻略链接粘贴进来，AI自动提取时间、地点、游玩顺序，制定行程表。

不过，即便用户并未“喂”给AI任何信息，飞猪帮帮也能生成一套直接可用的方案。

我们拿“川西自驾游”做了测试，生成出来的路书，完成度超出预期。第一天抵达成都的机票，直接显示优惠后价格；各个景点之间的车程信息准确，景点名称可以点开直达门票预订，每晚还附上住宿推荐；最后还拉了一张预算统计表。

图源飞猪App

而比“规划行程”更难的题，是“帮忙预订”。

如今，粗放的商品推荐正在失效，用户需要的是满足具体条件的方案。而长期以来，搜索和货架把这类个性化需求，过滤在了产品逻辑之外。

比如传统酒店筛选的维度，只有价格、位置、星级，至多细到“景观房”。但真实需求远比这复杂，比如用户的要求可能是“我想要一间窗外能看到甲居藏寨全景、且离景区很近的民宿房间”。

这两个要求，取决于房间朝向、楼层，民宿离观景台的距离。而这些信息藏在房型介绍和用户评价的角落里，没有哪个筛选项能直接查。

但在实测中，飞猪帮帮成功从全量供给里筛出两间民宿，一间距1号观景台仅150米，一间则就在2号观景台旁边。我们点开民宿详情核对，信息都对得上。而且两间房都提供了实时价格，可以直接点击预订。

订机票也是如此。我们设想了一个很复杂的指令——“帮我订8月15日杭州到成都价格最低、飞行时间最短的经济舱，起飞时间为早上6点-9点”，飞猪帮帮在一分钟内，直接搜寻到具体航班，并将乘机人的身份证、手机号预填好，只需用户确认后自己付钱就行。

图源飞猪App

一般而言，交付往往在付款成功那一刻就结束了。而旅行中的麻烦事，恰恰集中在付款之后：值机选座、入境卡、签证材料、改签退票，件件琐碎。

飞猪帮帮没忘记补上交易后的这块空白。它的服务覆盖了行前准备、行中应变、行后收尾。比如值机和入境卡这类表单，AI根据已有信息自动预填，用户核对后自行提交。改签退票时，AI自动查规则、算差价、生成方案，原本跨好几个页面的流程，被压缩成一次对话。

AI值机，图源飞猪App

虽然飞猪帮帮办的事很多，但它的边界也划得很清。凡涉及花钱或订单变更，AI执行前必须告知并获得确认，不自动扣款，不擅自动订单。琐碎的事归AI，拍板的权归人。

一路拆下来，从灵感、决策、交易到履约、收尾，一次旅行的完整周期被串了起来。飞猪帮帮让旅行AI真正跳出“规划”这个舒适区，开始按用户真实的时空动线来组织功能。

但功能只是结果，不是原因。这些功能往下扎的东西，才是这个故事更关键的另一半。

3、为什么AI办旅行的事，比想象中难得多？

“让AI办事”，越来越多产品都在讲这个故事，但落地难度不小。这里面既需要行业的基础设施，也需要行业的抽象层，以及模型和Agent架构上的进化。三样凑齐，AI才办得成事。

最底下那层，是行业的基础设施，货和数。

旅行是个容错率极低的生意。时间要精打细算，人在陌生环境里，一次错误推荐的代价是真金白银和回不来的假期。偏偏航班、票价、房态、门票变动极快，通用AI助手的知识来自公开互联网，天然滞后，也没法核验。

所以履约型AI的地基，必须是真实供给——航司、酒店、景区直连的实时库存和价格，以及背后能真正下单的交易系统。它的作用很直接，保证飞猪帮帮的每一次推荐，都力求锚定在“此刻真实存在”的真实世界上。

货解决“能不能履约”，数据则解决“懂不懂旅行”。飞猪手里的专有数据，是十年积累的真实交易订单，和海量用户搜索、比价、履约的行为数据。谁在什么季节订什么房，改签的高峰出在什么时候，哪类行程最容易被退掉，这些真实的消费痕迹，是公开语料给不了的，全是训练模型的珍贵原料。

往上走一层，是行业的抽象层，know-how。

数据是原料，know-how则是章法。改签退票有哪些规则，什么情况能争取免费升房，多程机票怎么组合最合理，这些理解只能靠长年累月在行业里泡出来。AI要办事，得先把这些章法学会。

最上面一层，是模型和Agent架构的进化。前两层是资源，这一层才是能力。

先说模型。到今天，各家基座大模型的能力已经没有太大差距，卷的是数据，是数据支撑起来的模型能力。

飞猪的解法，是对大模型做后训练，在通用能力之上，用旅行域的数据和经验，把一个“通才”养成“专才”。根据公开信息，飞猪基于阿里通义千问基座模型，搭建了自有的训练环境和数据管线，最终得到一个面向旅行域的自有模型，再部署对外服务。

第一层的数据、第二层的章法，就是在这个过程中被一项项教进模型的。

再说架构。模型再懂旅行，也只是单点的智能，要把一件事从头办到尾，得靠架构来组织。

2025年4月，飞猪“问一问”是业内首个采用Multi-Agent架构的旅行AI。这次飞猪帮帮更进一步，用Agent Loop的方式合并了大量子Agent，还新增了一批工具。

这个升级听着抽象，但是不难理解。比如用户说一句“帮我值机，要前排靠窗”，背后是AI在一个循环里自主干活：读订单、查航班状态、调值机工具、发现靠窗位置没了自动换靠过道、办完回报结果。

上一代需要几个子Agent接力传棒，环节多，误差容易积累。现在一个更通用的Multi-Agent架构就能闭环，接新能力的效率也更高。

效果有数字可查。飞猪数据显示，飞猪帮帮交付结果的可用率评分比上一代提升超70%，可比任务的平均耗时减少近10%。

三层合起来看，“会办事”不是一个功能，而是一套系统工程。这也解释了为什么垂类玩家更得心应手，因为通用AI助手有技术但没货没数，内容型玩家有数据但没有交易系统，谁都接不住这张考卷。

飞猪属于有基础，也选对了路线。飞猪首席执行官庄卓然曾提到，AI和现有业务结合有三条路：在老产品上加AI功能，用新技术包装老产品，或者自己动手把能力拆开重组。飞猪选了最重的一条。

他的判断是，AI时代的OTA不会被干掉，但内核会被完全重构，未来的形态是全智能旅行代理（Omni-intelligent Travel Agent），飞猪帮帮正朝着这个方向努力。

当然，这事也得客观看。旅行AI从能聊到能订、能办杂事琐事，现在只能算迈开了第一步。商品流、交易流、履约流，本质还是移动互联网时代的基建，为AI重塑的进度还需要一点一点磨。这跟制造业一个道理，靠的是时间和资源的日积月累。

飞猪帮帮未必是终局，但它把全行业拉到了同一张新考卷面前。这张考卷没有捷径，货、数据、行业经验，一样都绕不过去。下一个十年的领先者，大概率不是最会聊的那个，而是离真实世界最近的那个。