用数据契约连接 Agent
每位参与者与专属 Preference Agent 对话收集偏好，再以 Participant Preference Package 交接给 Decision Agent。
CASE 04 / VIBE CODING · MULTI-AGENT2026
黑客松 · 独立 AI 产品
今天整点啥
AI Group Outing Planner不是推荐一家店，而是替一群人拍板。
01 / 群聊里的真实问题
最难的不是找店，是没人拍板。02 / 每个人聊出偏好
AI 把“随便”继续追问成可决策的信息。
小王清淡 · 科技园 · 100–200
小李饭后想去 KTV 或桌游
小张不唱 K · 想轻松聊天
对话 → 结构化偏好包
03 / AI 替组织者协调
科技园清淡聚餐 + 饭后桌游
先排除不吃辣、不唱 K 等硬性雷区，再平衡预算、商圈和娱乐诉求。
照顾：清淡偏好照顾：饭后娱乐避开：不唱 K
结果会说明“为什么这样安排”方案还能继续改“预算再低一点”→只替换受影响的餐厅不是一次性推荐，而是一场可以继续协商的群体决策
先定义真正的问题。
多人聚会决策不是简单推荐：每个人的饮食禁忌、预算、商圈和氛围偏好都不同，群聊里的组织者还要反复追问、协调并最终拍板。
12h首个可演示 Demo
12阶段 AI Pipeline
3模型服务协作
三个关键产品判断。
从多数满意到群体公平
引入硬约束过滤、偏好冲突融合、语义匹配与公平性检查，避免任何参与者没有可接受方案。
让决策可解释、可干预
为每位参与者生成个性化理由，支持投票排序与自然语言修改，让 AI 从一次性黑盒变成可协商的决策助手。
03 / PRODUCT SYSTEM
把能力组织成闭环。
不只展示页面步骤，也展示数据如何流动、模型如何协作，以及产品如何把不确定性收进反馈回路。
每个人不必填问卷，只要和自己的偏好助手聊几句；系统把“随便”“别太辣”“想玩点什么”整理成能做决策的数据，再替组织者协调冲突。
用户输入系统处理结果输出反馈改进
01
创建活动并邀请发起人选时间、区域和活动类型
02
每人聊出真实偏好聊天识别口味、预算、商圈与模糊回答
03
整理成偏好包把对话变成结构清楚的个人偏好包
04
排雷并平衡冲突先排除不吃辣等雷区，再平衡不同诉求
05
生成带解释的方案说明照顾了谁、避开了什么、为什么这样排
06
继续修改后出发预算或第二站都能改，不必推倒重来
方案不是一次性生成
用户说出修改意见→只替换受影响部分→重新解释并共同确认
↰ 回到上游持续校准04 / OUTCOME
结果，以及仍需验证的部分。
- 12 小时内完成从产品定义到可演示 Demo。
- 演进为 Anthropic、Gemini 与 Voyage AI 协作的 12 阶段流水线。
- 支持真实地点检索、硬约束校验、群体排序与实时投票。
- 结果确认后可发送邮件与 .ics 日历邀请，形成完整决策闭环。
该案例引用本人公开仓库信息与公开截图；项目基于开源项目继续开发，页面将如实保留公开仓库与上游来源链接。
查看公开 GitHub 仓库 ↗打开 8 页产品路演 ↗