# 🧩 Summary
- **线下指标**：
- 实体链接精度、覆盖率；近重复召回/误杀率；RAG 证据匹配率；行程可行性（违约束率）。
- **线上指标**：
完成率、被收藏/转发率、用户改动次数、投诉（闭馆/踩坑）率。
- **人工对齐**：
建一个**专家检查清单**：开放日/预约、午餐补给、儿童/长者友好、卫生间密度、下雨兜底等。
## 算法角度的理解（可以作为打分和巡检逻辑）
**普通人仅从文字交付很难看出来，哪怕实地去一次也很难感受到，偏向一锤子买卖**
> 本质是**带时间窗的 Orienteering/VRPTW**：在每天有限时长内，选择并排序 POI，使总“体验分”最大，满足开放时间、交通与节奏约束。
1. **评分函数（示例）**
$\text{score}(p)=w_\text{style}\cdot s_\text{style}(p)+w_\text{pop}\cdot s_\text{pop}(p)+w_\text{fresh}\cdot s_\text{fresh}(p)+w_\text{season}\cdot s_\text{season}(p)-w_\text{crowd}\cdot c(p)$
- **style**：与所选风格的相似度（由文本/标签学到）；
- **pop**：热度（去交互水分后）；
- **fresh**：内容新鲜度；
- **season**：与出行月份/天气兼容度；
- **crowd**：拥挤风险或排队时长估计。
2. **候选集裁剪**
- 先用 **地理聚类（H3/k-means by 坐标）**，每日选 1~2 个簇，减少跨城穿梭；
- 对每簇按 score 排前 k（如 12~15）。
3. **序列求解**
- **启发式**：Nearest Insertion / Greedy + **2-opt/3-opt** 微调路顺；
- **时间窗**：硬约束（闭馆前必须到）、软约束（午餐 60min、咖啡 45min、步行日总量 $\le$ 12k 步）；
- **交通时长**：用路网/打车/地铁 ETA（可用缓存表或第三方 API 估计）；
- **回退机制**：若违反任何约束，自动替换为同簇“备选 POI”。
4. **鲁棒性**
- 为每个 Day 产出 **Plan A（主线）/Plan B（雨天）/Plan C（人多时）**。
# 💡 Cues
# Notes