AI 旅行规划产品普遍存在"生成得漂亮、执行不了"的问题：大模型排的行程里藏着闭馆日、赶不上的末班车、天黑后的户外景点、落地当晚不可能的到店时间。这些错误用户照着走才会发现——信任一旦崩塌，产品就废了。
验证一个产品命题：把"模型算不准的部分"从 LLM 推理中剥离，交给确定性程序校验，让每份行程"可执行、可验证、可解释"。同时验证这套方法论能跨城市迁移，而不是一次性运气。
硬性验收线：时间账校验 100% 通过才允许交付；每个票价数字带信源与检索日期；用户偏好（如怕吵）压倒"最优解"。
第一次真实跨国规划，一天内 8 轮结构迭代（V1 含卡帕 → V2.6 砍卡帕枢纽版）。项目最大的收获恰恰是踩出来的 6 个真实 bad case：LLM 心算"20:30 到店"被落地推演推翻、训练记忆里的水宫旧价 800 里拉（实际 1950/3000）、沿用备忘录的日落 17:30（公式算出 18:15–18:22）……每一个坑都变成了一条确定性规则——这是后续所有能力的地基。
查看案例复盘 →用土耳其长出的规则体系在新城市从零排程：闭馆日矩阵避开周一博物馆、龙安寺冬季"受付止 16:00"压线风险被求解器拦截、银阁寺 2026.4 涨价（500→1000 円）被时效核查抓出。五日行程 28/28 全部通过校验，证明方法论不是单城经验，是可迁移机制。
查看京都行程成品 →不是演示页：访客打开即可对话，每条回复由 GLM-4-Flash 实时生成；Agent 需要校验行程时，云端后端真实执行 8 规则求解器并把结果回喂模型——工具调用轨迹在页面上全程可见。
🚀 打开真机 Agent 工作流拆解演示版核心设计决策：模型只做模型擅长的事（理解需求、生成方案、解释结果），确定性的事交给程序（时间账、闭馆日、日落、通勤）。这不是技术炫技，是产品判断——知道 AI 能力边界在哪，才知道产品该把可靠性放在哪一层。
九步规划 SOP、12 个决策模式库（P1–P12）、数据口径规则（数字必带信源+检索日期）、意图澄清协议、方案对比卡协议、评测框架。作为 System Prompt 注入 LLM——知识库决定 Agent 的行为边界，实测开场三问被逐字执行。
| 规则 | 校验什么 | 真实拦截案例 |
|---|---|---|
| R3 闭馆日 | 活动撞上每周闭馆日 | 托普卡帕宫周二闭馆（土耳其） |
| R6 日落 | 户外活动结束晚于日落 | 日落时间 17:30→18:15 修正后窗口+50min |
| R7 落地推演 | 落地+入境+交通 vs 首个活动 | "20:30 到店"被推翻（1.0 bad case 之首） |
| R4 通勤 | 相邻活动间隙 ≥ 通勤时间 | 京都 D3 两处 0min 余量卡点被显式标出 |
| R1/R2/R5/R8 | 重叠 / 时长 / 末班 / 睡眠 | 评测集 20 条全覆盖 |
同一引擎三处同构：Python 版（tools/time_solver.py，20/20 评测）、云函数版（线上真实工具）、前端版（工作流演示页）。
关键工程决策：工具协议用文本标记而非 function calling（零 SDK、可调试、模型 1-shot 学会）；工具异常回喂后模型可优雅降级。
工具层：20 条自动化用例，20/20 可复现，禁止"感觉对了"。 输出层：6 个真实 bad case 分层归因——4 个在编排层、2 个在数据层、0 个在模型层。这个归因结论本身就是产品判断力的证据：同代际模型下，产品差异在编排层。
| 本项目的技术构造 | 它证明的产品能力 | JD 中的对应表述 |
|---|---|---|
| 线上能跑、能对话的 Agent | 不是 PPT 产品经理——想法→设计→实现→部署→验证全程闭环 | "有从 0 到 1 落地 AI 产品的经验" |
| 8 规则求解器（模型算不准的剥离为确定性校验） | 知道模型哪里不可靠，会用规则兜底；对 AI 可靠性有产品级解法 | "体验指标与评估机制""效果评测" |
| 开场三问协议（≤2 轮×≤3 问、带选项） | 会设计对话式交互、渐进式澄清，并量化收敛轮次 | "对话式交互、渐进式提问" |
| 方案对比卡协议 | 做多方案生成与结构化比较，拒绝"神谕式"单一答案 | "方案生成与对比" |
| 数据口径规则（数字必带信源+检索日期） | 懂幻觉治理，知道 AI 产物的用户信任从哪来 | "事实性/可信度""反幻觉" |
| bad case 分层归因（4 编排/2 数据/0 模型） | 问题定位到层，不把锅甩给模型——直接决定修哪里 | "AI 能力边界判断、问题定位" |
| L1–L4 四层架构 | 与算法/研发协作的共同语言，方案讨论不鸡同鸭讲 | "技术方案设计、跨团队协作" |
| 双城市验证（土耳其踩坑→京都 28/28） | 方法论可迁移、可复制——不是撞运气的一次成功 | "可复制 / 规模化" |
| 诚实边界主动声明 | 对数据口径的严谨，恰是 AI PM 最稀缺的品质 | "数据敏感度、结果导向" |