用AI给一家五口排了趟北京，攻略就一张表
2026-09-24 · AI 项目实战 · 家庭出行规划 · 全文约 5300 字 · 阅读时间 13 分钟
出发前的那个晚上，我把五份攻略打印出来摊在餐桌上，我妈指着其中一张说：这个台阶，照片看着就腿疼。
那是我第三次给全家规划北京行程。第一次全靠搜，小红书、马蜂窝、公众号收藏文件夹各说各话；第二次我学乖了，让 AI 帮我“总结一份五天北京攻略”，它回了我一篇漂亮的小作文——漂亮，但没法用：没有一张票告诉我几点开售，没有一条路线标明老人中途哪里有地方坐。
第三次我换了打法：不让 AI 写攻略，让 AI 把旅行改成一个结构化问题。行程是一棵树，约束是一张表，抢票是一个日历。最后交付给家人的，就是一张纸、一张表——他们只负责在上面挑。
这篇把整套方法拆给你看：怎么收集约束、怎么让模型做决策、抢票日历怎么生成、备选方案为什么一次要出六套。所有票价和政策都写成了“怎么核对”而不是“是多少”，因为这类数字发布时一定变。
※ ※ ※
📋 第一步：把“一家人”翻译成一张约束表
模型再聪明，也不知道你妈的膝盖。家庭出行规划的第一产物不是行程，是一张约束表——把每个同行的自然人拆成一行，把每件事拆成一列：
这张表看着朴素，但它是后面一切的地基。三个经验：
一，约束必须分软硬。“日均两万步以内”是硬的，“想去环球影城”是软的。混在一起写，模型会在软需求上消耗你的硬预算。
二，票价档位单独成列。国内景区的票务体系基本按“全价 / 学生优惠 / 未成年人免票 / 老年人优待 / 身高免票”五档走，而且各档的核验介质不一样：有的看身份证，有的看学生证，有的只看身高。这一列直接决定第三步的“免票门槛核对”要不要做、怎么做。
三，这张表就是提示词的正文。后面所有对 AI 的指令，都从这张表生成，不另起炉灶。
※ ※ ※
🔍 第二步：先取数，再决策——让 AI 干检索的活，别让它干背书的活
大多数人用 AI 规划旅行的姿势错了：直接问“帮我排五天北京行程”。模型只能靠训练语料里过期的记忆硬编——票价是三年前的，预约规则是疫情前的，闭馆日是猜的。
正确姿势分两刀。第一刀：取数。把每个候选景点的“当前规则”当作调研题目扔给带联网检索的 agent，要求逐条给出官方出处。我的清单长这样：
对下列每个对象，检索并输出结构化事实卡（附官方链接与页面日期）： - 故宫博物院：门票价格与淡旺季划分 / 预约提前天数与放票时间 / 周一闭馆规则 / 未满18周岁免票政策与是否仍需预约 / 60岁以上优惠档 / 午门进、哪个门出 / 14周岁以下需要成人陪同的比例要求 - 八达岭长城：门票价格 / 60岁以上免票与核验介质 / 1.2米以下儿童政策 / 缆车、索道、滑道三种代步工具各自的到楼位置 / 地面缆车的检修日 / 高铁车站到登城口的步行距离 - 中国国家博物馆：是否免费 / 预约提前天数 / 每日放票时刻 / 讲解服务档位 - 天坛公园：大门票与联票区别 / 回音壁在哪个院 / 无障碍通道情况 - 12306：当前预售期天数 / 起售时间点分布规则 输出 JSON，字段：name, ticket, booking_rule, free_tier, senior_tier, facility_notes, source_url, verified_date。查不到的字段填 null，禁止猜测。
最后一句“查不到的字段填 null，禁止猜测”是整个提示词里最值钱的一句。不加，模型会用看起来合理的数字填空；加了，至少你知道哪里是空的、需要人肉补。
第二刀：核对。AI 交上来的事实卡，逐条点开 source_url 看原文。这一步不能省——取数快是 AI 的功劳，核对严是人的责任。两个我实际撞到的坑：
- ▪ 故宫这类热门馆，官方页面上新旧公告并存，“提前 7 日”和“提前 1 日”两种说法在不同页面出现（前者是门票预售，后者是年票登记）。AI 检索时很容易抓错那条，只有你打开官方订票须知的原始页面才能分辨。
- ▪ 景区优惠政策有陷阱后缀：“免票”常常只免大门票，不含缆车索道；“夜游项目”可能与日场政策完全不通。这种条款藏在政策页的小字里，也是第三步重点核对的对象。
一句话：AI 负责把全网规则捞成一张表，你负责给这张表签字。
※ ※ ※
🚄 第三步：抢票日历——把“哪天几点该动手”算出来
北京行程的难点从来不是“玩什么”，是“约不约得上”。故宫旺季门票放票即罄，热门场馆要卡点抢。这些全是有确定时刻表的动作，最适合让 AI 一次算完。
关键输入就两个数：目标参观日期和各渠道的提前放票规则。第一步的事实卡里已经有了，剩下的纯粹是日期算术：
# ticket_calendar.py — 生成抢票/预约行动日历
# 注意：规则字段来自第二步核对后的事实卡，示例值为占位，以官方页面为准
from datetime import datetime, timedelta
RULES = {
"故宫博物院": {"lead_days": 7, "open_time": "20:00", "note": "参观前7日20:00放票，售完即止"},
"国家博物馆": {"lead_days": 7, "open_time": "17:00", "note": "免费预约，具体放票时刻以官方公告为准"},
"八达岭长城": {"lead_days": 0, "open_time": None, "note": "可当日线上购票，节假日建议提前约"},
"高铁往返票": {"lead_days": 15, "open_time": "按出发车站起售点", "note": "预售期与起售时刻以12306为准"},
}
itinerary = [
("2026-10-02", ["故宫博物院", "国家博物馆"]),
("2026-10-03", ["八达岭长城"]),
]
def build_calendar(itin, today=datetime(2026, 9, 24)):
actions = []
for day, spots in itin:
d = datetime.strptime(day, "%Y-%m-%d")
for s in spots:
r = RULES[s]
fire = d - timedelta(days=r["lead_days"])
if r["open_time"]:
actions.append(f"{fire:%m-%d} {r['open_time']} 抢 {day} 的「{s}」 ← {r['note']}")
else:
actions.append(f"{fire:%m-%d} 前 确认 {day} 的「{s}」 ← {r['note']}")
return sorted(actions)
for a in build_calendar(itinerary):
print(a)
跑出来的东西长这样（节选）：
09-25 17:00 抢 10-02 的「国家博物馆」 ← 免费预约，具体放票时刻以官方公告为准 09-25 20:00 抢 10-02 的「故宫博物院」 ← 参观前7日20:00放票，售完即止 09-26 按出发车站起售点 抢 10-03 的「高铁往返票」 ← 预售期与起售时刻以12306为准
拿到日历后做两件事：每条动作设成手机提醒（放票时刻前 5 分钟），给每个“售完即止”的项目预设 Plan B——抢不到故宫是挪日程还是换景山？这个判断留给第四步让 AI 做，但答案要提前存在表里，抢票当晚没有思考时间。
※ ※ ※
🧩 第四步：路线不是搜出来的，是在约束下“解”出来的
现在轮到决策。给带检索能力的 agent 下这道题时，我把提示词写成约束满足而不是推荐：
基于 facts.json（已人工核对的事实卡）和 constraints.md（五人约束表）， 为 D1-D5 生成可行程方案。硬性规则，违反即废： 1. 任一日内单成员累计台阶层数 ≤ 老人的 200 级折返线，超过必须给出 代步工具方案并注明该工具到达第几楼； 2. 周一不排故宫/国博（闭馆类场馆），排了直接判废； 3. 每天 13:00-14:00 必须是无交通移动的空档（孩子午睡缓冲）； 4. 每日步行量按地图 API 实测距离输出，不许估算； 5. 输出 3 套整体方案（省力优先 / 效率优先 / 天气备选）， 每套附「本日放弃项」清单； 6. 所有涉及票种的字段落尾标注核验介质（身份证/学生证/免核验）。
为什么是“三套整体方案”而不是“每天挑最优”？因为家庭行程的失败模式不是某天不够好玩，而是一个环节崩了全盘乱——下雨、老人体力透支、孩子闹觉，都是连锁反应。三套方案各有一个清晰的取舍逻辑，出问题时整段切换，不用当天临时拼凑。
顺带一个反直觉的发现：把规则写成可判废的硬约束后，模型的输出质量跳了一个台阶。之前问“帮我规划适合带老人小孩的行程”，它回的是形容词（“节奏舒缓”“寓教于乐”）；现在回的是“本日放弃项清单”——因为它知道违反约束会被逐条对账。
※ ※ ※
🏔 第五步：长城为什么一次要六套备选
带腿脚不便的老人上长城，是全行程约束最紧的一题：台阶多、距离远、交通方式互相排斥、旺季人流不可控。单方案必翻车，所以我的做法是把备选树让 AI 一次列全，人只做删减。
第一维：选哪个长城。八达岭配套最全但人最多；慕田峪有索道、人相对少、坡道比八达岭北线缓；司马台+水镇能玩两天但车程最远；黄花镇、八达岭古长城（水关长城）是未过度开发的段位，缆车少要靠腿。筛法就一句话：老人腿脚 → 优先有索道/缆车直达敌楼的段落；孩子要“好汉感” → 优先有碑刻打卡点的段落；自驾纯电 → 查每个停车场有没有桩、回程 80km 高速在冬天打几折续航。
第二维：到了怎么上去。以八达岭为例，三种代步工具落点不同——有的直接到北八楼，有的到中段还得自己爬；而且有的有检修日、有的排队时长随人流波动。政策页上“老人免票不含缆车”这种小字（第二步挖出来的）也要在这里兑现成钱。
两维交叉，让模型生成六套组合，每套带一行“这套赌的是什么”：
注意最后一列。每套备选必须写“崩了退到哪”，这是给抢票当晚和出发早上的自己留的活路。这六套方案没有一套是我自己想全的——我只提了目的地和体力两个维度，交通工具的落点差异、检修日、滑道对老人的不友好，都是从第二步的事实卡里长出来的。这就是先取数后决策的红利。
※ ※ ※
💰 第六步：预算口径——只算高速/过路费那一行
最后是所有攻略帖最爱吵的一件事：钱。我的口径先说死，免得被抬杠：
家庭自驾纯电，预算表只算高速和过路费，不算充电费和油费对比（家充桩用户没有比价意义，出行前充满即可；北京景区充电桩密度，出发前用地图 App 按停车场逐个确认可用状态，比算每公里差几分钱重要得多）。这条口径写进约束表，AI 生成的预算表就自动干净了。
真正要 AI 算清楚的反而不是油电，是节假日免费通行的边界。7 座及以下小客车在四个法定假期免收高速通行费，但判定标准是“驶离出口的时刻”——免费窗口第一天 0 时前下高速照收，最后一天 24 时前必须下完。这条规则值得让模型算一遍你的实际进出点：
# 收费站判定：以「驶离出口时间」为准，规则以交通运输部实施方案为准
free_windows = [("10-01 00:00", "10-08 24:00")] # 国庆假期，年份不同窗口不同，以当年公告为准
exits = [("10-01 06:30", "进京检查站后第一个出口"),
("10-06 21:40", "返程下道口"),
("10-07 23:20", "备用返程窗口")]
for t, where in exits:
print(f"{t} 驶离 {where} → 免费窗口内，缴费 0 元")
顺带把票价档位表也兑现了：一家五口按约束表的档位走，免票档的孩子只需预约凭证不需钱、老人优待档需要带的是什么证件，全部落到“当天口袋里要有什么”这个颗粒度。规划的最后一步不是表，是清单：谁的手机里要装哪个官方 App、哪张证件在哪个包里，AI 生成，人过一遍。
※ ※ ※
🧭 这套方法真正省下的不是时间
五步走完，交付给家人的那张纸长这样：一页行程树、一张抢票日历（带手机提醒）、六套长城备选（每套带退路）、一张“证件装包清单”。我妈没再问“这个台阶看着就腿疼”，因为每一天的纸上那行小字写着：中途有 3 个能坐的地方。
回头看，AI 在这套流程里干的都不是“帮我想要去哪玩”，是三件脏活：把散在几十个网页里的规则捞成一张可核对的表、把日期算术做成日历、把交叉组合枚举成人想不全的备选树。而“老人膝盖行不行”“孩子会不会闹”这些判断，机器从头到尾没资格碰——它只是把我写下来的约束执行得比人勤。
旅行攻略的本质是决策支持，不是信息堆砌。AI 时代前者终于有人干了，后者我们已经被淹了好多年。
你家出游的约束表里，最难写进去的那条约束是什么？评论区聊聊。觉得这套方法有用，点个“在看”，转给那个还在手抄攻略的朋友。
下一篇预告：3 万条买家评论扒出 12 个真需求——评论区才是免费的市调公司，从抓取、清洗到需求聚类的完整链路，附可复用的提示词模板。
※ ※ ※
📚 资料来源
- ▪ 故宫博物院官网订票须知与门票政策页（预约提前天数、淡旺季票价、未成年人免票、老人半价、午门进神武门出、爽约规则），2026-09 检索核对；票价与规则以出行时官方页面为准
- ▪ 八达岭长城景区公开票务信息（60 岁以上凭身份证优待、缆车索道滑道差异、免票不含代步工具），2026-09 检索核对
- ▪ 交通运输部《重大节假日免收小型客车通行费实施方案》及官方解读（免费窗口以驶离出口时间为准）
- ▪ 铁路 12306 公开信息（预售期、起售时刻规则）
- ▪ 文中代码为本机可运行示例，票价与放票时刻字段均为占位，接入真实规则后需逐条替换核对
- ▪ 本文涉及的家庭成员为作者自家情况，景点政策适用于一般家庭出行参考，不含任何商业推广
评论 (0)
登录 或 注册 后参与讨论。