従来の車両ルーティングシステムは、時間や距離といった単一の指標を効率的に最適化しますが、複数の指標を考慮する際にはプロセスが増加します。さらに、ドライバーの複雑な意味的かつ動的なコンテキスト（複数のステップのタスク、状況制約、緊急ニーズなど）を解釈・統合する能力に欠けています。本研究では、従来の経路探索アルゴリズムにコンテキスト推論を加えたハイブリッドエージェント「PAVe（パーソナライズされたエージェント車両ルーティング）」を提案し、評価しました。PAVeは、大規模言語モデル（LLM）エージェントを活用し、ユーザー提供のタスクや好み、回避ルールに基づいて経路候補を評価します。都市のポイントオブインタレスト（POI）の事前処理された地理空間キャッシュを利用することで、PAVeはリアルな都市シナリオのベンチマークで88%以上の正確性を達成しました。従来のルーティングアルゴリズムとLLMベースの意味推論層を組み合わせることで、個別化された適応的でスケーラブルな都市モビリティ最適化ソリューションの創出が可能になると結論づけています。