我目前在做的项目涉及酒旅方向的 AI Agent，所以最近花了不少时间研究 Travel MCP 这个赛道。过程中踩了很多坑，也整理了一些相对完整的东西，决定写成一个系列，供有同样需求的开发者参考。
先说一个真实的痛点
上个月，我想让通用大模型帮我做一件事：
"帮我在6月15日-18日东京找一家预算600元以内、离东京站步行10分钟以内的酒店，优先选含早餐的。"
结果通用大模型给我的回复是："东京站附近600元以内的酒店选择很多，建议您可以考虑新宿、池袋等区域……"
它能给你写一篇攻略，但没法帮你查一间房。
这就是当前大多数模型的真实状态：擅长聊天，弱于办事。
为什么通用大模型"不会办事"
通用大模型的本质是语言模型，训练数据里没有实时的酒店库存和价格。它能告诉你"东京酒店一般多少钱"，但它不知道"你指定的那家酒店明天的实际价格"。
要让 Agent 真正帮用户完成任务，需要两个关键要素：
- 真实世界的 API：能查到实时价格、库存、评价
- 标准化的协议：让 Agent 能调用这些 API，而不是靠猜测
这就是 MCP（Model Context Protocol）存在的意义。
现在出来了 AI Agent ，但是codex也好，claude也好，在办事之前，还是需要你提供数据源，提供接口，提供实时的参考，可靠的MCP。
MCP 协议到底是什么
MCP（Model Context Protocol）是一个让 AI 模型与外部工具交互的开放协议。你可以把它理解为 AI 世界的"USB 接口"——不管设备是什么厂商，只要支持 MCP，就能即插即用。
对于 Agent 开发者来说，MCP 的核心价值是：
| 传统方式 | MCP 方式 |
|---|---|
| 每个 API 单独对接，格式不一 | 统一协议，一次接入，工具自动发现 |
| 大模型靠"猜"返回结果 | 工具真实执行，返回可验证数据 |
| 扩展新能力要改核心代码 | 新增 MCP Server，不动主逻辑 |
换句话说：MCP 把 AI 从"回答问题"变成"执行任务"的关键桥梁。
我给 Agent 装上了酒店机票 MCP，实测了一下
我分别接入了两个 MCP：酒店搜索和机票查询，看 Agent 能做到什么程度。
场景一：Agent 自动筛选最优酒店方案
需求： 帮用户找杭州6月10日-12日，预算500元以内评分4.5以上的酒店，并给出性价比排序。
配置过程（3步）：
# Step 1: 安装 RollingGo MCP Server
# 参考文档：https://rollinggo.store/docs
# Step 2: 配置 API Key（个人直接申请，无需商务对接）
# 申请入口：https://rollinggo.store/apply
# Step 3: 在 Agent 客户端配置 mcpServers
{
"mcpServers": {
"rollinggo-hotel": {
"url": "https://mcp.rollinggo.cn/mcp",
"options": {
"headers": {
"Authorization": "Bearer mcp_your_key_here"
}
}
}
}
}
Agent 实际执行过程：
用户：帮我查杭州6月10日-12日的酒店，预算500元，评分4.5以上
Agent 思考：我需要调用酒店搜索工具，输入城市、入离日期、价格区间、评分筛选条件
Agent 调用 RollingGo Hotel MCP：
→ 城市：杭州
→ 入离日期：2026-06-10 / 2026-06-12
→ 价格上限：500
→ 评分下限：4.5
Agent 收到返回：列表包含10家符合条件的酒店，含名称、价格、评分、位置、设施
Agent 进一步执行：
→ 对结果按"评分/价格"计算性价比指数
→ 排除评分4.5以下
→ 按综合得分排序
→ 输出Top3推荐方案，附带每家的优势说明
最终 Agent 给出了这样的输出：
推荐方案一：杭州西湖文化广场亚朵酒店
- 价格：¥468/晚
- 评分：4.7
- 距西湖文化广场地铁站步行3分钟
- 推荐理由：性价比最高，评分超出预算线0.2
推荐方案二：杭州武林广场如家商旅
- 价格：¥389/晚
- 评分：4.5
- 距凤起路地铁站步行5分钟
- 推荐理由：价格最低，符合预算，基础配套完整
推荐方案三：杭州钱江新城万怡酒店
- 价格：¥492/晚
- 评分：4.8
- 距钱江路地铁站步行7分钟
- 推荐理由：评分最高，预算内最优品质选择
场景二：Agent 自动比较多程机票价格
需求： 对比北京-上海6月15日三种出行方案的机票价格。
# Agent 调用的 MCP 参数示例
{
"tool": "rollinggo-flight",
"params": {
"departure": "北京",
"arrival": "上海",
"date": "2026-06-15",
"flight_type": "single" # 单程
}
}
Agent 拿到原始数据后，会进一步处理：
- 按价格排序
- 标注最低价与均价的差值
- 标注各航司执飞时长
- 结合用户偏好（要快还是要便宜）给出推荐
从"聊天"到"办事"，MCP 做了什么
| 维度 | 通用大模型 | 接入 MCP 后的 Agent |
|---|---|---|
| 查询实时信息 | ❌ 无法做到 | ✅ 真实 API 返回 |
| 价格比较 | ❌ 只能估计 | ✅ 精确数据对比 |
| 多维度筛选 | ❌ 依赖提示词技巧 | ✅ 标准化参数过滤 |
| 执行下一步动作 | ❌ 无法操作外部系统 | ✅ 返回结构化数据，可衔接后续流程 |
| 数据可验证性 | ❌ 幻觉风险 | ✅ 结果来自真实库存 |
MCP 解决了三个根本问题：
- 信息真实性：不再靠训练数据"猜"，而是实时查询
- 工具标准化：不同数据源用同一套协议，扩展成本低
- 执行闭环：Agent 不仅能回答，还能调用工具、拿到结果、继续下一步
我的客观评价
优点
- 接入门槛低：API Key 直接申请，0代码即可部署，非开发者都能用，不需要商务对接，个人开发者友好
- 数据覆盖广：全球 200 万+ 酒店、500+ 航司，出行场景基本全覆盖
- 供应链真实：11 万+ 直签酒店，500+ 供应商，不是空数据
- 协议标准化：MCP 协议一次配置，后续扩展工具不需要改主代码
缺点
- 部分海外区域响应速度：冷门目的地查询会稍慢，建议加 loading 提示
- 工具参数需要自己构造：目前 MCP 层面参数文档较技术，初期配置需要参考示例，但基本是0代码友好，参考文档基本上几步骤就搞定
- 价格监控需要额外逻辑：MCP 本身是查询工具，要做"降价提醒"还需要配合定时任务
什么人适合用
| 角色 | 适合原因 |
|---|---|
| 个人用户，claude,cherry studio,codex玩家 | 接mcp找酒店机票，省下一笔开销 |
| AI Agent 开发者 | 快速给 Agent 接入真实酒旅能力 |
| 差旅管理工具开发者 | 企业级差旅需求，接入成本低 |
| 行程规划应用开发者 | 多工具组合，MCP 协议兼容好 |
如果你想自己试试
RollingGo MCP 的接入文档和 Key 申请入口都在这里：
- 官方文档：rollinggo.store/docs
- Key 申请：rollinggo.store/apply
- 项目链接：github.com/RollingGo-A…
我目前在做的项目涉及酒旅方向的 AI Agent，所以最近花了不少时间研究 Travel MCP 这个赛道。过程中踩了很多坑，也整理了一些相对完整的东西，决定写成一个系列，这是第 4 篇，有兴趣可以往前翻。
本文为个人测试记录。细节说明见上方官方文档。
