[논문리뷰] AI Tour Meeting: Group Travel Planning by LLM Agents

링크: 논문 PDF로 바로 열기

저자: Daisuke Kikuta

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• AI Tour Meeting: 다수의 LLM agents가 각자의 Persona와 선호도를 바탕으로 자연어 토론을 통해 여행 일정을 조율하는 시뮬레이션 프레임워크입니다.
• Itinerary: 여행 목적지, 교통수단, 비용, 시간 정보 등을 포함하는 구조화된 여행 계획 데이터를 의미하며, 제안 및 투표 과정을 거쳐 최종 결정됩니다.
• Discussion Workflow: 회의의 규칙을 설정하는 체계로, 누가 발언할지를 결정하는 Turn rule과 제안된 일정의 채택 여부를 결정하는 Voting rule로 구성됩니다.
• Persona: 각 에이전트에게 부여된 역할, 배경, 성격, 선호도, 개인적 목표 등의 속성으로, 에이전트가 토론 과정에서 인간처럼 행동하도록 유도하는 프롬프트 기반 정의입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 다수의 인간이 복잡한 선호도를 조율해야 하는 그룹 여행 계획 수립 과정을 모의하기 위한 전문적인 LLM-based multi-agent 시뮬레이션 프레임워크의 필요성을 제기합니다. 기존 연구들은 인간 중심의 여행 추천 시스템이나 일반적인 multi-agent 프레임워크에 치중되어 있어, 여행 계획이라는 도메인 특화적인 제약 사항과 복합적인 의사결정 과정을 심층적으로 분석하는 데 한계가 있습니다. 이를 해결하기 위해 저자들은 구조화된 일정 표현, 제안-투표 워크플로우, 도메인 특화 모니터링을 제공하는 AI Tour Meeting을 제안합니다 [Figure 1].

Figure 1 — AI Tour Meeting 전체 구조

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 대화 단계와 투표 단계가 반복되는 two-phase 구조의 협업 프레임워크를 제안합니다. 에이전트들은 Persona를 바탕으로 정보를 검색하고 제안(Proposal)을 생성하며, 다른 에이전트들의 Voting을 통해 일정을 최종 확정합니다 [Figure 1]. 시스템 검증 결과, Qwen3.5-4B 이상의 성능을 가진 모델에서 높은 안정성을 보이며 100%의 완료율(Completion rate)을 기록하였습니다 [Table 1]. 또한, 선호도 갈등(Preference conflict)이 심화될수록 토론 횟수와 제안 횟수가 증가하고 사용자 만족도가 낮아지는 경향을 확인하였으며, 이는 인간의 실제 토론 양상과 유사합니다 [Table 2]. 특히, 발언 순서 분석을 통해 갈등이 있는 환경에서는 먼저 발언하는 에이전트보다 나중에 발언하는 에이전트가 타인의 선호도를 반영한 성공적인 제안을 할 확률이 높음을 입증하였습니다 [Figure 5].

Figure 5 — 발언 순서에 따른 수락률 분석

4. Conclusion & Impact (결론 및 시사점)

본 연구는 LLM-based multi-agent 환경에서 그룹 여행 계획 수립을 위한 효율적인 프레임워크를 성공적으로 구축하고 검증하였습니다. 이 연구는 학계의 에이전트 행동 분석 연구뿐만 아니라, 향후 인간 사용자를 대신하여 에이전트가 여행 계획에 참여하는 실용적인 추천 시스템 서비스 개발에도 기여할 수 있습니다. 본 프레임워크의 도메인 특화 설계는 일반적인 multi-agent 프레임워크 대비 사용자의 구현 복잡도를 대폭 낮추는 시사점을 가집니다.

Figure 2 — GUI 및 대시보드 화면

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.