JourneyAgent：基于本地大模型与MCP协议的智能出行规划系统

本文介绍JourneyAgent智能出行规划系统，该系统基于本地大语言模型和Model Context Protocol（MCP）构建智能体架构，通过标准化工具协议实现AI与外部API的解耦，旨在提供隐私优先、低延迟的智能应用方案。核心特点包括本地开源模型部署、关注点分离的架构设计、MCP协议的工具调用标准化等。

当前大多数AI应用依赖专有大语言模型的云端API，存在数据隐私、网络延迟和供应商锁定等问题。JourneyAgent探索完全基于本地部署的开源模型路径，同时保持功能完整性。其核心架构理念为"关注点分离"：AI负责理解意图、规划步骤、整合结果；工具层专注外部API交互，提供标准化接口，各部分可独立演进。

JourneyAgent采用Anthropic的MCP协议作为AI与工具通信标准，定义统一接口规范，解决传统架构中工具适配硬编码的灵活性问题。系统架构分为四层：用户界面层（Next.js构建，轻量交互）、编排器层（系统大脑，协调工作流，与Ollama服务的Qwen 2.5模型通信）、MCP工具层（封装外部API为标准化接口，Zod校验输入输出）、数据源层（连接真实数据源，处理底层细节）。

JourneyAgent使用Ollama作为本地大模型服务，搭配阿里巴巴开源的Qwen 2.5模型。本地部署优势：隐私保护（数据不离开本地）、低延迟、成本可控。针对开源模型的局限，通过提示工程优化（详细工具描述与示例对话）和结构化输出引导（特定JSON格式输出+错误处理）弥补差距。

以用户查询"明天上午10点前到达曼彻斯特皮卡迪利站的列车有哪些"为例：编排器识别关键信息→调用MCP工具getTrainSchedule→MCP服务器验证参数并请求底层铁路API→返回数据→编排器整合结果生成自然语言回复。

当前局限性：铁路API集成简单（仅基础查询，无票价比较、座位预订）；模型处理复杂多轮对话和模糊查询能力待提升；系统面向单机，缺乏多用户支持和持久化存储。改进方向：扩展API功能、支持模型热切换、补充用户认证与对话历史管理等生产级功能。

JourneyAgent的启示：1.本地开源模型可构建实用AI应用，通过架构设计和提示工程可提供良好体验；2.标准化协议（如MCP）降低工具集成成本，利于利用社区生态；3.关注点分离原则提高代码可维护性，支持系统演进。

JourneyAgent成功演示了基于本地大模型和标准化工具协议构建智能应用的可行性。虽在功能完整度和鲁棒性上有提升空间，但其架构设计和技术选型为同类项目提供参考。随着开源模型能力提升和工具生态完善，本地优先AI架构有望在生产环境更广泛应用。