Case Study · 自研 Demo · 真实跑批
TripPilot — 从需求到 MVP 的智能出行 Agent
基于 MCP 协议 + LangGraph ReAct， 完成「查天气 → 搜地点 → 写行程」多工具编排。下方 Demo 为 DeepSeek Agent 真实调用输出（2026-06-02 跑批）。
3
MCP Server
5
Agent 工具
4
跑批场景
3步
最多工具链
1. 需求与用户洞察
周末规划短途出行时，用户要在天气 App、地图、备忘录之间切换，信息分散、难以形成可执行文档。TripPilot 用一句话入口串联工具链。
「查完天气还要自己记笔记，太麻烦了。」
「想要一份能直接带着走的行程，而不是聊天框里一堆文字。」
「如果能自动查天气再帮我排时间就更好了。」
| 功能 | 作用 |
|---|---|
| 查询天气 | 获取目的地实时温度、湿度与风力，判断是否适合出行，并给出穿衣与备品建议 |
| 规划行程 | 按时段安排景点与活动，自动写入 Markdown 文件，生成可直接携带的一日游方案 |
| 查询路线 | 提供起终点之间的交通方式、耗时与缓冲时间提示，降低换乘与迟到风险 |
2. MCP 工具设计
每个工具独立 MCP Server（STDIO），Agent 通过 LangGraph ToolNode 调用，与业务逻辑层解耦。
query_weather
Weather MCP · OpenWeather
输入城市 → 温度、湿度、风力、出行建议
search_place
Places MCP · 地理编码
输入景点 → 位置与游览建议
route_hint
Places MCP
起终点 → 交通与缓冲时间提示
write_itinerary
Itinerary MCP · 本地文件
标题+正文 → 输出 .md 行程文件（可交付物）
System Architecture · 系统架构流程
Streamlit UI
用户交互界面
用户输入
LangGraph ReAct Agent
ReAct 智能体编排
推理与决策
DeepSeek LLM
大语言模型
工具调用
Weather MCP
天气服务
Places MCP
地点服务
Itinerary MCP
行程服务
3. Live Demo — 真实 Agent 输出
点击下方示例，展示 DeepSeek ReAct Agent 的工具调用链与最终回复。
4. 产出物示例：故宫一日游 Markdown
Agent 调用 write_itinerary 生成的真实文件片段：
北京故宫一日游行程_20260602.md
Agent 生成Itinerary Output
🏯 北京故宫一日游行程
生成时间：2026-06-02 13:58 · 由 write_itinerary 工具写入
天气
晴 ☀️
气温
15°C
穿衣建议
薄外套 + 长袖
🎫 游览安排
-
08:00 – 08:30
地铁 1 号线天安门东站 → 步行至午门，开园入场
-
08:30 – 12:00
中轴线：太和殿 → 中和殿 → 保和殿 → 乾清宫 → 坤宁宫
-
12:00 – 13:00
午餐休息
-
13:00 – 15:30
东西六宫、珍宝馆 / 钟表馆
-
15:30 – 16:30
御花园 → 神武门出宫
-
16:30 – 17:00
景山公园俯瞰故宫全景
🗺 路线总结
天安门东 → 午门 → 中轴线 → 东西六宫 → 景山公园
祝您故宫之行愉快 🎉
5. 复盘与指标
- 工具调用成功率：4/4 跑批场景完成（live_agent 模式）
- 多步链路：故宫场景触发 3 次工具（search → route → write）
- 可交付物：每次「保存行程」生成独立 .md 文件
- V2：高德 MCP SSE、多轮记忆、行程分享链接
- 与案例一：数据 Agent vs 工具型 Agent 产品化
- 本地运行：
streamlit run app/streamlit_app.py