itinerary-optimize

name	itinerary-optimize
description	⭐ 行程运筹核心壁垒 · 把 Top N POI 池转成"地理顺路 + 体力分配 + 时间窗匹配"的可执行行程。三步走：K-Means 地理聚类分天 → TSP 贪心+2-opt 排顺路 → 体力/营业/用时窗适配。这是通用 AI 完全做不好的事。
version	1.0.0
author	null
tags	["travel","itinerary","tsp","clustering","optimization","moat"]
license	MIT
triggers	["poi-curate 输出 poi_pool 后","用户对某主题路线确认后需要\"具体每天怎么走\""]
inputs	[{"name":"poi_pool","type":"object","required":true},{"name":"trip_request","type":"object","required":true},{"name":"user_profile","type":"file","formats":["json"],"required":true},{"name":"hotel_anchor","type":"object","doc":"当天住宿坐标，作为出发/返回锚点","required":true}]
outputs	[{"name":"itinerary","type":"object","doc":"N 天行程，每天含时间轴 + POI 顺序 + 路径距离 + 体力指数"}]

行程运筹（itinerary-optimize）⭐

这是 agent 真正的护城河

通用 AI 排行程：「上午去 A，下午去 B」— 你打开地图一看，A 和 B 跨城市了。 我做的：用真实坐标做运筹，每天的 POI 是真的顺路。

三步算法

Step 1: geo_cluster.py · K-Means 地理聚类分天

输入：N 个 POI 的坐标 输出：duration_days 个簇，每簇 5-7 个 POI

约束：

• 每天总点数 = 1 个早餐 + 1 个午餐 + 1 个晚餐 + 2-3 个景点 + 1 个咖啡/夜市 = 6-8 个
• 同一天的 POI 地理距离 < 15km（大城市）/ < 50km（小城市/跨景区）
• 第一天和最后一天预留交通时间，POI 减半

Step 2: optimize_route.py · TSP 顺路

每个簇内部：

• 锚点 = 当天住宿坐标
• 起点 = hotel
• 终点 = hotel（除非要换酒店）
• 中间点 = 簇内 POI

算法：

• 节点 ≤ 10：枚举所有排列（10! = 3.6M，可接受）
• 节点 > 10：贪心最近邻 + 2-opt 优化
• 距离：haversine 球面距离（已知精度有限但够用），并由经验系数估算驾车/步行时长（市区 1.4×，跨城 1.2×；步行 12 min/km，驾车 30 km/h 市区 60 km/h 跨城）
• v2.0 取消高德距离矩阵依赖，运筹精度从"真实驾车时长"退到"haversine + 经验估算"

Step 3: balance_pace.py · 体力/营业/时间窗适配

输入：顺路后的 POI 序列 输出：带具体时间的行程表

约束：

• 早餐 7:30-9:00
• 上午景点 9:30-12:00（≤ 2 个）
• 午餐 12:00-13:30
• 午休 + 下午景点 14:30-17:30（≤ 2 个）
• 晚餐 18:00-19:30
• 晚间活动（夜市/酒吧/夜景）20:00-22:00（可选）

体力分配规则（按 user_profile.basic.preferred_pace）：

• walker_intense：每天上限 5 个景点 + 暴走
• normal：每天 3-4 个景点
• relaxed：每天 2 个景点 + 大块自由时间

营业时间适配：

• 用 online-search 查 POI 营业时间
• POI 营业时间冲突 → 自动调换日期或顺序
• 周一闭馆景点（博物馆类）自动避开

输出 schema

{
  "trip_id": "uuid",
  "days": [
    {
      "day_index": 1,
      "date": "2026-04-15",
      "theme": "市区文化探索",
              
       
        
           
           
           
                  
           
           
           
        
        
           
           
           
              ... 
           
           
           
        
        ...