实战教程：用MCP Server在TongAgent平台搭建AI智能体

MCP（Model Context Protocol）正在成为连接大语言模型与外部工具的通用桥梁。借助MCP Server，AI智能体可以通过LLM调用各类工具，直接操控数据库、应用、服务等资源，从而把对话能力转化为真正的执行能力。本文基于一则TongAgent平台的演示视频，拆解如何从零搭建一个能够规划户外行程的AI智能体。

MCP Server的核心价值

MCP的意义在于标准化。过去让模型调用外部能力，往往需要针对每个接口单独开发适配逻辑；而MCP提供了一套统一的协议，AI智能体只需接入对应的MCP Server，就能即插即用地获得该服务暴露出的工具集。

在这则演示中，使用的是高德地图（AMAP）的MCP Server。它对外提供了路线查询、天气检测等一系列工具。智能体无需理解地图服务的底层API，LLM会根据用户请求自动决定调用哪个工具，再把工具返回的结果整合成自然语言回复。这种「模型负责决策、MCP负责执行」的分工，是当前Agent架构演进的重要方向。

MCP（Model Context Protocol）由Anthropic于2024年底提出并开源，本质上是一套定义了「客户端—服务端」通信规范的JSON-RPC协议。MCP Server负责将某项外部能力（如地图、数据库、文件系统）封装成标准化的工具（Tool）、资源（Resource）或提示词模板（Prompt Template），并通过统一接口暴露给AI智能体。MCP Client（通常内嵌在Agent框架中）负责与Server握手、获取工具列表，并在LLM需要时发起调用请求。这种设计使得同一个MCP Server可以被任何支持该协议的Agent框架复用，彻底解耦了「工具提供方」与「模型使用方」，也是其被业界称为"AI工具调用领域的USB-C接口"的原因。

搭建流程拆解

整个搭建过程在TongAgent平台上完成，可以归纳为几个关键步骤。

配置LLM与提示词

第一步是为平台接入一个LLM模型，演示中选用了Mistral的公开模型作为底座。随后创建一个提示词（Prompt），作为模型行为的基础规范——它决定了智能体的角色定位、回答风格以及如何使用手头的工具。提示词的质量在很大程度上影响着Agent调用工具的准确性。

提示词（System Prompt）在Agent场景中扮演的角色远比普通对话中更为关键。它不仅定义智能体的人格与回答风格，还需要向模型说明何时应主动调用工具、如何解读工具返回的结构化数据，以及在多工具协同时的优先级逻辑。设计不当的提示词会导致模型频繁"幻觉"——即在可以查询真实数据的情况下，仍凭记忆生成未经验证的答案。因此，一个常见的最佳实践是在提示词中明确写入"当用户询问实时信息时，必须先调用相关工具获取数据，再基于工具返回结果进行回答"，以强制模型走「工具取数」路径而非直接生成。

接入AMAP MCP Server

接下来是关键一步：添加AMAP MCP Server。添加成功后，平台会直接展示该Server所提供的全部工具列表，开发者可以清楚看到可调用的能力范围。这种可视化的工具暴露方式，降低了接入外部服务的理解成本。

在AI Plaza中组装模板

当LLM、提示词和MCP Server都就绪后，就可以在AI Plaza中创建一个模板。模板的组装逻辑很直观：先选择LLM模型和提示词，再在插件（Plugin）区域添加所需的MCP工具。这一步相当于把「大脑」（模型）、「规则」（提示词）和「手脚」（工具）组合成一个完整的智能体。

测试与验证

模板搭建完成后，需要通过实际任务验证效果。演示给出的测试场景是：让智能体规划一条香港岛的户外行程，同时查询当地的天气状况。

从执行过程可以观察到智能体的完整思考链路——它先调用MCP工具查询路线和天气数据，再由LLM模型基于这些实时信息生成行程总结并补充细节。这种「工具取数 + 模型归纳」的组合，正是Agent区别于普通聊天机器人的核心能力：它不是凭空生成答案，而是基于真实数据作出响应。

这里呈现的「思考链路」在技术上对应的是ReAct（Reasoning + Acting）框架的执行模式：模型在回答前会先输出一段内部推理（Thought），再决定调用哪个工具（Action），拿到工具结果（Observation）后再继续推理，直到信息足够才生成最终回复。这个循环可能经历多轮，例如先查天气、再查路线、最后综合两份数据生成行程建议。可视化展示这条链路，不仅有助于开发者调试提示词和工具配置，也让最终用户能够理解答案的来源依据，显著提升了AI输出的可解释性与可信度。

发布与上线

测试通过后，就可以把模板转化为正式的应用（App）。流程包括为应用分配API Key，并配置其可使用的客户端与租户资源，实现权限与资源的隔离管理。

完成配置后即可发布应用并正式上线。最终，这个「户外行程智能体」会出现在平台的应用中心（App Center），用户点击进入即可像使用普通应用一样调用它。从模型接入到用户可用的完整闭环，整个过程无需传统意义上的大量编码工作。

总结

这则演示展示了低代码Agent平台结合MCP协议的典型工作流：模型提供推理、MCP Server提供工具、平台提供编排与发布能力。对于希望快速落地垂直场景智能体的团队而言，这种模式显著缩短了从想法到可用产品的距离。随着越来越多服务提供官方MCP Server，这类即插即用的能力扩展还会进一步丰富。