Prototype · 原型验证Case 02 / Agent product
BJ-Pal
不只给路线，而是显式展示偏好、风险与备选，让 AI 承担复杂决策中的信息组织工作。
A hackathon prototype that turns an ambiguous group outing request into an inspectable plan with preference reflection, risk checks, and replanning.
- Role
- Jason：项目负责人、产品 / Agent / 评测设计；KeepL：共同作者
- Stage
- 黑客松原型 · 非生产服务
- Core loop
- 意图 → 候选 → 风险 → 群体收敛 → 改线
- Public check
- 2026.07 · 源码与设计材料公开
BJ·Pal
路线规划容易，替一群人减少决策摩擦很难。
“周六下午找个地方聚一聚”包含了地点、时间、交通、排队、预算和成员偏好的组合约束。真正让人疲惫的不是少一个景点列表，而是没人愿意为“选错”负责。
BJ-Pal 因此把产品目标放在决策透明度：先照出偏好，再展示每一步选择依据；发现闭店、排队或群体冲突时，系统需要解释为什么改线。
从一句话到可追踪方案的 Plan-and-Execute 管线。
- 文本或多模态输入提取时间、区域、同行者和偏好缺口。
- Planner 生成候选活动序列，并记录决策、置信度与回退项。
- 地点、路线、UGC 软信号和可用性探测共同参与排序。
- 群体模式用偏好收敛与投票处理成员之间的冲突。
- 触发风险后，Replanner 在同区域同类型候选中替换失败步骤。
- Python
- Plan-and-Execute
- Streamlit
- folium
- SQLite
- OR-Tools
- OpenTelemetry
把“智能”变成用户能看懂的选择过程。
偏好镜子先于方案
系统先把用户说过与没说清的条件返还给用户，再生成路线；这比直接给结果更容易发现需求误读。
风险探测先于漂亮行程
地点高分不等于当下可用。可用性探测把排队、闭店、预约和 UGC 负面信号放到执行之前，并保留主动改线入口。
群体偏好不是简单平均
原型分别处理沉默、反复变化和隐性领导等群体模式；投票与 Pareto 比较用于暴露取舍，而不是伪装出唯一最优答案。
公开可检查的证据。
边界与下一步。
Prototype boundary
这是黑客松原型，不是生产级预订服务。仓库中的餐厅预订与消息发送是 mock；所谓“用户访谈”是 AI 模拟研究，不能替代真实用户研究或付费验证。
团队署名为 Jason 与 KeepL；本案例聚焦 Jason 对外承担的项目负责人工作，不把全部团队产出归为个人完成。Claude Code 是协作工具。
当前公开证据能够支持架构、数据管线、行为评测与交互方案；真实地点可用性、第三方交易闭环、长期留存和多人真实使用仍需在生产环境中验证。