本文同步更新于公众号：AI开发的后端厨师

出行规划新范式：让AI智能体成为你的全能旅行管家

每次规划出行，你是否也厌倦了在购票软件、地图App和餐馆推荐平台间反复横跳？查完车次查路线，看完时间还得想中午吃什么——这种碎片化的体验即将成为过去。本文将分享如何利用 Eino框架 打造一个真正的“全能出行管家”，它通过集成多个专业工具，让你用一句自然语言指令，就能获得从车票到路线再到餐饮的完整出行方案。

一、痛点与方案：从“手工拼接”到“智能集成”

传统的出行规划是一个典型的多源信息整合难题：

1. 信息孤岛：车票、实时地图、本地服务分属不同平台。
2. 决策依赖：选哪趟车次取决于目的地和耗时，而耗时又需要地图查询来确认。
3. 体验割裂：用户需要手动对比、记忆和拼接信息。

我们的解决方案是构建一个能自主调用多种工具的智能体（Agent）。这个智能体不仅能听懂“明天中午前从北京到天津”这样的复杂需求，还能自动执行以下链条式任务：

• 步骤一：调用12306 MCP工具，查询符合条件的车次。
• 步骤二：调用百度地图MCP工具，计算从你家到北京南站、以及从天津站到目标餐馆的路线与时间。
• 步骤三：综合所有信息，推荐一个时间充裕、衔接顺畅的完整出行方案。

这背后依赖的，正是Eino框架对多工具协同能力的强大支持。

二、核心升级：一触即连的多MCP工具集成

本次迭代最核心的改进，是让智能体能够同时接入并管理多个MCP（Model Context Protocol）服务。以下代码展示了如何优雅地集成多个外部工具源：

func GetMultiMCPTool(ctx context.Context, serverUrls []string) []tool.BaseTool {
    var toolList []tool.BaseTool
    for _, url := range serverUrls {
        // 1. 为每个MCP服务器创建独立的SSE客户端
        cli, err := client.NewSSEMCPClient(url)
        if err != nil {
            log.Fatal("连接MCP服务失败:", err)
        }
        
        // 2. 启动连接并初始化会话
        err = cli.Start(ctx)
        _, err = cli.Initialize(ctx, mcp.InitializeRequest{})
        
        // 3. 获取该服务器提供的所有工具，并合并到总列表
        tools, err := mcpp.GetTools(ctx, &mcpp.Config{Cli: cli})
        toolList = append(toolList, tools...)
    }
    return toolList // 返回一个包含所有跨平台能力的工具集合
}

代码精要：

• 灵活配置：通过传入的 serverUrls 数组，可以动态连接任意多个MCP服务器（如百度地图、12306等）。
• 统一抽象：无论后台是地图API还是票务系统，最终都转化为统一的 tool.BaseTool 接口。对智能体而言，它只是在调用不同的“技能”，无需关心技能背后的实现。
• 生态扩展：这种设计意味着未来可以轻松接入天气、酒店、景点门票等更多MCP服务，让智能体的能力持续生长。

三、效果实测：体验“一句话规划”的威力

当智能体装备了地图和票务工具后，其解决问题的能力发生了质变。我们提出一个复合需求：“帮我查一下明天从北京到天津的高铁，我想在午饭前到达，并在天津站附近吃午饭。”

智能体的思考与行动链条如下：

1. 理解与分解需求：智能体首先识别出三个关键子任务：查询高铁车次、确保“午饭前到达”的时间约束、寻找天津站附近的餐馆。
2. 执行工具调用：
   • 调用 12306 MCP工具，查询次日北京至天津的高铁班次。
   • 调用 百度地图MCP工具，分两步操作：首先估算从天津站出站及周边步行时间，以确定最晚到达车次；然后搜索“天津站”周边的餐饮信息。
3. 综合决策与回复：智能体并未机械地罗列所有车次和餐馆。它会进行时间推算，例如：“G8911次列车09:44抵达天津，出站后步行至‘津门老菜馆’约需10分钟，完全满足您午饭前抵达并用餐的需求。” 并主动提供备选方案：“如果您想更从容些，稍早一点的G8803次也是不错的选择。”

整个过程，用户只需提出一句自然的请求，即可获得一个可立即执行的、包含车次、时间、地点、餐饮建议的连贯方案。

四、架构启示与未来展望

本次实践证明了基于Eino框架构建的智能体，能够出色地扮演**“复杂工作流调度中枢”** 的角色。其成功的关键在于：

1. 解耦的架构：智能体的“大脑”（模型）与“手脚”（工具）分离，二者通过标准接口协作，使得工具可以独立扩展和替换。
2. 动态的推理：智能体并非预编流程，而是根据对用户请求的实时理解，动态地决定调用哪个工具、传递什么参数，形成了真正的“思考-行动”链。

展望未来，这个出行管家还能如何进化？

• 个性化推荐：通过记忆用户偏好（如“喜欢靠窗座位”“偏好清淡饮食”），提供定制化方案。
• 实时动态调整：接入实时交通数据，在发生延误时主动推荐备用方案。
• 成本最优规划：同时考虑票价、打车费用、时间成本，生成“性价比”最高的方案。

技术的最终目标是服务于人。通过将多步骤、跨平台的繁琐操作封装成一个简单的智能体交互，我们正让出行规划变得前所未有的轻松和高效。这不仅是功能的叠加，更是体验的重塑。