最近我准备去走一次麦理浩径。
一开始，我做的事情和大多数人差不多：查路线、看天气、订住宿、研究交通，再让 AI 帮我补一份尽可能完整的清单。
很快我就发现，这种做法有一个根本问题。
攻略可以越来越完整，但它仍然没有回答最重要的问题：
如果天气变了、交通停了、体力不够，或者某个关键条件没有满足，我到底还去不去？去了之后又该在哪里改变计划？
于是这次我没有继续做一份更长的攻略，而是先做了一个会持续读取香港天文台数据的天气监控页。它把雷暴、强风、降雨、酷热和海况拆成风险信号，再根据事先设定的规则给出 Go / No-go 判断。
最后，这套系统没有鼓励我出发。
它告诉我：当前预报下，不应该进山。
这件事反而让我意识到，AI 在出行里的真正价值远不止替人找更多景点。它更适合帮助我们建立一套稳定的决策机制。
后来我又把工具往前推了一步。
原来的页面只回答“这个周末能不能走麦理浩径”。现在它先问目的地、出行日期和活动类型，再判断“这个时间去做这件事，合不合适”。
这个变化看起来只是多了几个输入框，实际改变了系统的判断方式：天气不再被单独评分，它必须和人准备进行的活动一起解释。
攻略解决的是“有什么”，决策系统解决的是“怎么选”
普通攻略通常围绕信息展开。
哪里值得去，住在哪里，坐哪班车，吃什么，需要带什么。
这些信息当然有用，但复杂出行真正困难的地方，往往在于信息之间存在冲突。
天气很好，但机票很贵。路线很漂亮，但撤退困难。住宿已经订了，但第二天有雷暴。同行的人时间有限，但为了赶行程必须把风险阈值压得很低。
这时候，再多十篇攻略也不会自动产生答案。
因为答案取决于你的目标、限制和风险偏好。
所以我现在会先让 AI 帮我完成一次转换：把“我想去哪里”，转换成“这次出行需要做哪些决定”。
以徒步为例，真正的决策可能包括：
- 这条路线是否适合当前季节和队伍能力；
- 哪些天气信号一出现就必须取消；
- 哪些路段可以继续，哪些位置适合中途退出；
- 住宿和交通是否允许临时改变；
- 如果原计划不能执行，还有没有值得去的替代方案。
当问题变成这些，AI 才开始从攻略生成器变成决策助手。
第一层：先写清楚目标和约束
AI 很容易给出一个看起来完美的行程。
但它并不知道什么对你最重要。
同样是一次周末旅行，有人要的是尽可能多看几个地方，有人想放空，有人必须控制预算，有人最在意安全，有人不能接受太早起床。
如果这些条件没有提前写清楚，AI 就会用“景点最多、路线最顺、评价最高”替你定义一次好旅行。
这通常不是你真正想要的。
我会先明确五类约束：
- 时间：真正可用的出发和返回窗口，而不是理想时间。
- 预算：交通、住宿和临时改签可以承受的上限。
- 体力：队伍里最弱成员的能力，而不是最强成员的能力。
- 风险：哪些情况可以接受，哪些情况不能谈判。
- 体验目标：这次出行究竟想获得什么。
这一层决定的是系统的方向。
没有它，后面所有自动化都只是在更高效地安排一场不属于你的旅行。
第二层：把信息分成稳定层和动态层
旅行信息并不处在同一种时间尺度里。
路线长度、营地位置、签证规则和景点分布相对稳定，可以提前整理。天气、交通状态、道路封闭、票价和现场警告则会不断变化。
如果把它们混在同一份文档里，最容易发生两件事：旧信息看起来仍然有效，重要变化被埋在大量静态资料里。
所以我会把信息分成两层。
稳定层负责建立地图：
- 路线、距离、爬升和预计用时；
- 住宿、补给和交通节点；
- 签证、预约、开放时间和装备要求；
- 可替代路线与撤退点。
动态层负责决定当下能不能执行：
- 天气预报与实时警告；
- 航班、公交、街渡和道路状态；
- 住宿价格与库存；
- 同行人员的体力和健康状态；
- 临近出发时才会确定的现场条件。
AI 很适合整理稳定层，也很适合定时检查动态层。
但两者不能混为一谈。读过一次网页，不代表掌握了实时状态；刷新一个页面，也不代表底层数据已经更新。
一个可靠的出行系统必须告诉我：这条信息来自哪里，最后更新时间是什么，多久之后需要重新确认。
第三层：在出发前写下判断阈值
这是整套机制里最重要的一步。
不要等到机票、酒店和装备都付完钱之后，再决定什么天气算危险。
因为那时候，人会天然地降低标准。
“雨好像也没有那么大。”
“都走到这里了，再坚持一下。”
“住宿不能退，还是去吧。”
这些并非信息判断，而是沉没成本在接管决策。
所以我在做麦理浩径天气监控时，先写下了硬规则：雷暴、高地强风、较大降雨和涌浪分别增加多少风险；当某些信号同时出现时，无论其他条件多好，都直接进入 No-go。
不同旅行的阈值当然不同，同一份天气也不应该只有一个结论。
城市旅行可以容忍下雨，海岛行程会更在意风浪，自驾要关注道路和能见度，高海拔旅行则需要把温度、风速和身体反应放在更高位置。
新版工具把这件事明确写进了模型。山径徒步、露营过夜和海滩活动暴露度更高；城市漫游可以缩短户外时间、切换室内场馆；美食探店更多影响交通、排队和步行安排。
同样的天气，山径徒步只有 5 分，应该取消；切换成城市漫游后是 50 分，可以去，但必须调整计划。
这让我把方法重新说得更准确一些：
先定义不可谈判的红线，再让 AI 持续检查它有没有被触发。
AI 可以帮助拆解风险、寻找官方标准、检查遗漏，也可以把分散的信号汇总起来。
但阈值最终应该由人确认。
因为风险不是一个纯粹的数学问题。它还包含经验、责任，以及你愿不愿意为同行的人承担后果。
我把这部分整理成了一个脱敏后的开源示例。仓库不包含个人行程、预订信息或账号凭证，只保留目的地、日期、活动暴露度、公开天气数据和可解释的调整建议。
第四层：不要只准备 Plan A
很多行程的问题，来自只有一条路径。计划写得再详细，也承受不了条件变化。
航班晚点，整张时间表就散了。天气恶化，所有准备都作废。某个景点关闭，剩下的时间只能临时搜索。
更好的做法，是让 AI 帮你同时准备三种状态：
- Plan A：条件良好时的完整体验；
- Plan B：部分条件变差时的缩短或替代路线；
- Plan C：关键条件失效时，仍然值得执行的另一种旅行。
这次麦理浩径计划里，Plan A 是两天徒步，Plan B 是保留有快速撤退条件的短线，Plan C 则是不进山，把周末改成香港城市行程。
Plan C 并不是失败。
它让“取消危险路线”和“整个周末泡汤”不再是同一件事。
真正好的计划会降低改变决定的心理成本。当天气已经不适合进山时，我不需要在安全和损失之间纠结，因为另一个仍然有价值的方案已经存在。
第五层：把决定放在正确的时间点上
一次出行不应该只在出发前做一次判断。
不同信息会在不同时间变得可靠。
两周前适合确认大方向和可取消资源，一周前开始观察天气系统，前一天确认预警和交通，当天早上再做最后判断。进入路线之后，还需要在关键节点根据体力和现场情况重新决定。
这里还有一个很容易被忽略的原则：没有可靠信息时，不要假装精确。
香港天文台只提供九日预报。如果选择的日期还没有进入这个窗口，新版工具不会硬算一个看起来专业的分数，而是明确告诉我“日期还不在可靠预报范围内”，并给出下一次复查的时间。
等待本身也是一种判断。一个诚实的系统必须知道什么时候应该暂时没有答案。
我会把这些时点写成决策门：
- 预订前：目标、预算、路线和取消规则是否匹配；
- 出发前一周：动态风险是否已经出现；
- 出发前一天：天气、交通和住宿是否仍满足阈值；
- 当天早上：官方警告和队伍状态是否允许执行；
- 行程途中：是否到达继续、缩短或撤退的条件。
AI 可以在这些时间点主动重新读取数据，列出发生了什么变化，并提醒我需要做决定。
它不应该不停地制造通知。
它应该只在决定真正需要被重新打开时出现。
AI 不替我出行，它让我更有余地地出行
做完这套系统之后，我对“规划充分”的理解发生了变化。
充分规划不等于把每天几点几分做什么全部排满。
那种计划看起来精确，实际上非常脆弱。
真正的规划，是知道哪些东西确定，哪些东西仍在变化；知道什么时候可以继续，什么时候应该调整；知道原计划失效之后，下一步还有什么选择。
AI 在这里最适合承担三种工作：
第一，整理。把散落在官方页面、地图、预订平台和个人笔记里的信息接起来。
第二，监控。持续检查会变化的条件，并诚实显示数据的新鲜度。
第三，提醒。按照预先确定的阈值和决策门，在真正需要判断时把问题重新摆到我面前。
最后的选择仍然由我来做。
这和我做其他 AI 工具时的感受很像。
好的 AI 系统不应该替人制造一种“万事已经安排妥当”的错觉。它应该把不确定性摊开，把风险说清楚，把可以选择的路径准备好。
这样出发的时候，计划不会绑住人，反而会留下更多余地。
一套可以复用的出行决策清单
如果要把这套方法压缩成一张清单，我会保留下面这些问题：
- 这次出行真正想获得什么？
- 时间、预算、体力和风险边界是什么？
- 哪些信息相对稳定，哪些必须临近出发重新确认？
- 每条动态信息来自哪里，最后更新时间是什么？
- 哪些条件一旦出现，就必须缩短、改期或取消？
- Plan A、Plan B 和 Plan C 分别是什么？
- 出发前和行程中，在哪些节点重新做决定？
- 旅行结束后，哪些判断应该进入下一次计划？
AI 可以帮助回答其中的大部分问题。
但更重要的，是这些问题会迫使我们在出发之前，先对自己诚实。
好的旅行计划无法保证一切都按计划发生。
它真正提供的，是当变化发生时，我们仍然知道该怎么选。