摘要：阿里云百炼平台提供了业界首个全生命周期 AI 智能体构建服务，支持零代码方式快速创建具备工具调用能力的智能体应用。本文从实际业务需求出发，完整演示在百炼平台上构建一个"旅行规划智能助手"的全流程：智能体创建 → MCP 服务集成（高德地图、天气查询）→ 知识库配置 → 对话测试 → API 发布 → 前端对接，并分享构建过程中的关键配置技巧和避坑经验。
1. 场景：30 分钟构建一个能做事的 AI 助手
上周产品经理提了一个需求："做一个能查天气、看地图、推荐行程的旅行助手"，要求一周内上线。传统方式意味着要对接高德地图 API、天气 API、写后端服务、做前端页面，至少一周。
但用阿里云百炼平台的零代码智能体构建能力，从创建到测试通过，实际只花了 30 分钟。
1.1 传统开发 vs 百炼零代码的效率对比
传统方式开发一个旅行助手，需要经历以下环节：
- 后端开发：对接高德地图 API、天气查询 API，编写路由和业务逻辑
- 前端开发：聊天界面、地图展示、天气卡片
- 联调测试：前后端接口联调、异常处理
- 部署上线：服务器配置、域名备案、SSL 证书
而百炼零代码方式，只需在控制台完成配置，无需编写一行代码。
1.2 两种开发流程对比
左侧橙色是传统流程，5-7 天起步；右侧绿色是百炼零代码流程，30 分钟搞定。核心差异在于：百炼把"对接外部 API"这件事从"硬编码开发"变成了"MCP 服务一键开通"。
2. 百炼智能体工作台概览
进入百炼控制台，路径是：百炼控制台 → 应用管理 → 创建应用。
2.1 三种应用类型
百炼提供三种应用类型，适用不同场景：
| 应用类型 | 适用场景 | 开发方式 | 灵活度 |
|---|---|---|---|
| 智能体应用 | 对话式 AI 助手、工具调用 | 零代码配置 | 高 |
| 工作流应用 | 固定流程的自动化任务 | 可视化编排 | 中 |
| 高代码应用 | 复杂业务逻辑、定制化需求 | Python 项目 | 最高 |
本文选择智能体应用（Agent 2.0），它是百炼 2026 年的最新版本，将知识库、MCP 等能力统一为工具，由智能体自主规划调用顺序。
2.2 智能体核心能力
Agent 2.0 的核心能力包括：
- 大模型选择：支持 Qwen3.7-Max、Qwen3.7-Plus 等 150+ 款模型
- MCP 服务集成：预置 20+ 云端服务、50+ 本地服务，一键开通
- 知识库（RAG）：上传私有文档，智能体检索后作为回答依据
- 记忆能力：支持短期记忆和长期记忆，跨会话保持上下文
- API 发布：一键发布为 REST API，支持流式输出
2.3 百炼智能体架构全景
浅蓝色是用户交互层，浅橙色是智能体核心引擎，浅绿色是工具层，浅紫色是模型层。Agent 2.0 的关键改进是：知识库和 MCP 不再是固定顺序调用，而是由规划引擎自主决定何时调用、调用哪个。
3. 创建旅行规划智能助手
3.1 Step 1：选择模型
在百炼控制台创建智能体后，第一步是选择大模型。
模型选型建议：
| 模型 | 适用场景 | 上下文窗口 | 特点 |
|---|---|---|---|
| Qwen3.7-Max | 复杂推理、多工具调用 | 128K | 推理能力最强，工具调用精准 |
| Qwen3.7-Plus | 日常对话、通用任务 | 50K | 性价比最高，速度更快 |
对于旅行规划助手，需要多工具协同（地图 + 天气 + 知识库），推荐使用 Qwen3.7-Max。它的工具调用指令遵循能力更强，在多步推理场景下表现更稳定。
如果预算有限，Qwen3.7-Plus 也能完成大部分任务，但在复杂多工具联动场景下偶尔会出现调用顺序混乱的问题。
3.2 Step 2：编写系统提示词
系统提示词决定了智能体的行为边界和回答风格。这是整个配置中最关键的一步，直接影响工具调用成功率。
Why：系统提示词是智能体的"岗位说明书"，写得好，智能体就知道什么时候该调用工具、什么时候该直接回答；写得不好，智能体要么乱调工具，要么该调的时候不调。
你是一位专业的旅行规划助手，名叫"小旅"。你的核心能力是帮助用户规划旅行行程。
## 你的能力范围
1. 地图查询：通过高德地图查询地点信息、路线规划、POI搜索
2. 天气查询：查询目的地实时天气和未来天气预报
3. 行程推荐：基于用户偏好、天气和地理信息推荐合理行程
## 工具使用规则
- 当用户提到具体地点时，主动调用地图工具查询位置和路线
- 当用户询问出行建议时，先查询天气再推荐行程
- 当用户需要景点推荐时，先搜索POI再给出建议
- 不要编造不存在的地点或天气信息，所有数据必须来自工具返回
## 回答风格
- 简洁实用，先给结论再给细节
- 行程推荐按时间顺序排列，标注预计耗时
- 涉及天气时提醒用户注意穿着和携带物品
提示词编写技巧：
- 明确"能力范围"，让智能体知道能做什么、不能做什么
- 写清"工具使用规则"，告诉智能体什么场景下该调用哪个工具
- 强调"不要编造"，这是减少幻觉的最有效手段
- 保持提示词结构化，用标题和列表代替长段落
3.3 Step 3：配置人设和开场白
在"人设与回复逻辑"配置区域，设置开场白：
你好！我是小旅，你的专属旅行规划助手 🗺️
我可以帮你：
- 查询目的地天气和实时路况
- 规划出行路线和交通方案
- 推荐景点和美食
告诉我你想去哪里，我来帮你规划行程！
开场白的作用是引导用户明确表达需求，减少无效对话轮次。
4. 集成 MCP 服务
MCP（Model Context Protocol）是百炼平台的核心能力之一。通过 MCP，智能体可以调用外部工具，从"只会说"进化为"能做事"。
4.1 添加高德地图 MCP Server
在智能体配置页面，点击"添加 MCP 服务"，选择 Amap Maps。
操作步骤：
- 进入百炼 MCP 广场
- 找到"Amap Maps"卡片，点击"立即开通"
- 确认开通后，回到智能体配置页面，添加该 MCP 服务
Why：高德地图 MCP Server 当前限时免费使用，开通后无需填写 API Key 即可使用。商业化场景下也支持配置个人高德 API Key。
高德地图 MCP 提供的核心工具：
| 工具名称 | 功能 | 典型用途 |
|---|---|---|
maps_geo |
地理编码 | 地址转坐标 |
maps_direction |
路线规划 | 多种出行方案 |
maps_search_poi |
POI 搜索 | 景点、餐厅搜索 |
maps_weather |
天气查询 | 实时天气和预报 |
4.2 添加天气查询 MCP Server
在 MCP 广场中，找到"天气通【旗舰版】"服务并开通。
该服务基于权威气象数据源，支持：
- 实时天气查询
- 未来 7 天天气预报
- 灾害预警信息
- 空气质量指数
- 生活指数（穿衣、紫外线等）
Why：虽然高德地图 MCP 也包含
maps_weather工具，但天气通旗舰版的数据更全面，特别是灾害预警和生活指数，对旅行规划更有参考价值。两个服务可以同时添加，智能体会根据场景自动选择。
4.3 MCP 服务参数配置
在智能体中添加 MCP 服务时，需要注意以下配置：
- 每个智能体最多可同时添加 5 个 MCP 服务
- 智能体会根据用户输入自动判断是否调用 MCP 服务
- Agent 2.0 支持在多步推理中动态调用 MCP，不固定调用顺序
4.4 工具调用测试
添加完 MCP 服务后，在右侧对话窗格中发送测试消息：
现在出发，从杭州萧山国际机场到杭州西湖景区，请提供公共交通出行方案
智能体将多次调用 MCP 服务，完成路径规划和时间估算。以下是典型的调用结果：
Why：这个测试消息同时涉及地理编码和路线规划，可以验证智能体是否能正确拆解任务并按顺序调用工具。
{
"tool_calls": [
{
"step": 1,
"tool": "maps_geo",
"purpose": "解析出发地和目的地坐标",
"input": {
"address": "杭州萧山国际机场"
},
"output": {
"location": "120.434,30.235"
}
},
{
"step": 2,
"tool": "maps_direction",
"purpose": "规划公共交通路线",
"input": {
"origin": "120.434,30.235",
"destination": "120.149,30.259",
"mode": "transit"
},
"output": {
"routes": [
{
"summary": "地铁1号线 → 地铁1号线",
"duration": "约65分钟",
"distance": "约32公里"
}
]
}
}
]
}
智能体先调用 maps_geo 解析地址坐标，再调用 maps_direction 规划路线，整个过程完全自主完成。
5. 知识库配置
MCP 服务让智能体能获取实时数据，知识库则让智能体具备"专业领域知识"。
5.1 上传旅行攻略文档
在智能体配置页面，进入"知识库"模块，创建知识库并上传文档。
支持的文档格式：
| 格式 | 支持情况 | 推荐场景 |
|---|---|---|
| ✅ 支持 | 官方旅游指南、政策文件 | |
| Word（.docx） | ✅ 支持 | 内部整理的攻略文档 |
| TXT/Markdown | ✅ 支持 | 结构化的景点介绍 |
| Excel | ✅ 支持 | 行程表格、价格清单 |
Why：知识库文档的质量直接影响检索效果。建议上传结构清晰、信息密度高的文档，避免上传大量重复或低质量内容。
5.2 文档切片策略选择
上传文档后，需要选择切片策略。这是影响知识库检索效果的关键配置：
| 切片策略 | 适用场景 | 切片大小建议 |
|---|---|---|
| 自动切片 | 通用场景，文档结构均匀 | 系统默认（约 500 tokens） |
| 按段落切片 | 文档有明确段落结构 | 每段 300-800 tokens |
| 按标题切片 | 文档有层级标题 | 按一级/二级标题切分 |
我的建议：旅行攻略文档通常按城市或景点分段，推荐使用"按标题切片"，这样每个切片包含一个完整的景点介绍，检索时上下文更完整。
5.3 知识库与 MCP 的协同工作
在 Agent 2.0 中，知识库和 MCP 服务统一作为"工具"，由智能体自主规划调用。
典型协同场景：
- 用户问"杭州西湖附近有什么好吃的" → 智能体先调用知识库检索西湖美食攻略，再调用高德 POI 搜索确认餐厅位置
- 用户问"明天去黄山需要带什么" → 智能体先调用天气 MCP 查询黄山天气，再检索知识库中的装备建议
Why：Agent 2.0 相比旧版的核心改进就在于此——旧版是固定顺序（先知识库再 MCP），新版是智能体自主决策调用顺序，效果更自然。
5.4 知识库配置参数
以下是一个典型的知识库配置参数示例：
Why：了解这些参数有助于调优检索效果，特别是在知识库文档较多时，合理的配置能显著提升回答准确率。
{
"knowledge_base": {
"name": "旅行攻略知识库",
"description": "包含国内主要城市的旅行攻略、景点介绍和美食推荐",
"chunk_strategy": "by_heading",
"chunk_size": 500,
"chunk_overlap": 50,
"retrieval_top_k": 5,
"similarity_threshold": 0.7,
"rerank_enabled": true
}
}
关键参数说明：
chunk_overlap：切片重叠量，设为 50 tokens 可避免关键信息被截断retrieval_top_k：检索返回的文档片段数，5 是推荐值similarity_threshold：相似度阈值，低于此值的片段不会被返回rerank_enabled：开启重排序，提升检索精度
6. 对话测试与调优
配置完成后，进入对话测试环节。建议设计多个测试场景，覆盖不同的工具调用组合。
6.1 测试场景 1：单城市一日游规划
输入：
帮我规划一个杭州一日游，早上从西湖出发
预期行为：智能体应调用知识库检索杭州景点信息，调用高德 POI 搜索景点位置，调用天气 MCP 查询当天天气，最后综合给出行程建议。
调优要点：如果智能体没有主动查询天气，说明系统提示词中的"工具使用规则"不够明确，需要加强引导。
6.2 测试场景 2：跨城市多日行程
输入：
我计划5天从上海出发，途经杭州、黄山，最后到南京，帮我规划行程
预期行为：智能体需要多次调用路线规划工具，查询每个城市的天气，检索知识库中各城市的攻略，最终生成完整的 5 天行程。
调优要点：跨城市行程涉及大量工具调用，如果智能体中途"遗忘"了部分任务，可以开启 enable_thinking 参数（思考模式），帮助智能体在每一步进行反思。
6.3 测试场景 3：实时天气 + 地图联动
输入：
现在杭州下雨了吗？如果下雨，推荐一些室内景点
预期行为：智能体先调用天气 MCP 查询实时天气，如果下雨则调用知识库检索室内景点推荐，再调用高德 POI 搜索确认景点位置和开放时间。
调优要点：这类条件分支场景对智能体的推理能力要求较高，如果智能体无法正确处理条件逻辑，建议在系统提示词中增加条件判断的示例。
6.4 常见问题及调优方法
| 问题现象 | 可能原因 | 调优方法 |
|---|---|---|
| 不调用工具，直接编造回答 | 提示词中工具使用规则不明确 | 在提示词中增加"必须调用工具"的强制规则 |
| 调用错误的工具 | 工具描述不够清晰 | 优化 MCP 服务的描述信息 |
| 调用顺序混乱 | 模型推理能力不足 | 升级到 Qwen3.7-Max，开启思考模式 |
| 重复调用同一工具 | 缺乏反思机制 | 开启 enable_thinking，增加反思步骤 |
| 回答包含知识库外的内容 | 相似度阈值过低 | 提高 similarity_threshold 到 0.75+ |
7. API 发布与前端对接
测试通过后，将智能体发布为 API，供前端或第三方系统调用。
7.1 发布智能体为 API
在智能体配置页面，点击"发布" → "API 调用"，系统会生成：
- 应用 ID（APP_ID）：在应用卡片上获取
- API 端点：
https://dashscope.aliyuncs.com/api/v1/apps/{APP_ID}/completion - API Key：在密钥管理页面创建
7.2 获取 API 端点和认证信息
发布后，在应用卡片上可以看到 APP_ID。API Key 需要在百炼控制台的"API-KEY 管理"中创建。
Why：建议将 API Key 配置到环境变量中，避免硬编码到代码里，降低泄露风险。
# 配置环境变量（macOS/Linux）
export DASHSCOPE_API_KEY="sk-your-api-key-here"
# 永久生效（写入 shell 配置文件）
echo 'export DASHSCOPE_API_KEY="sk-your-api-key-here"' >> ~/.zshrc
source ~/.zshrc
7.3 Python 调用示例
Why：以下代码是完整的可运行示例，展示了如何通过 DashScope SDK 调用百炼智能体 API，支持流式输出以提升用户体验。
import os
from http import HTTPStatus
from dashscope import Application
# 从环境变量读取 API Key，避免硬编码
api_key = os.getenv("DASHSCOPE_API_KEY")
app_id = "your-app-id" # 替换为实际的 APP_ID
def chat_with_agent(user_message: str, session_id: str = None):
"""调用百炼智能体 API"""
kwargs = {
"api_key": api_key,
"app_id": app_id,
"prompt": user_message,
"stream": True, # 推荐开启流式输出
"incremental_output": True, # 增量输出，避免重复内容
}
if session_id:
kwargs["session_id"] = session_id
responses = Application.call(**kwargs)
full_text = ""
for response in responses:
if response.status_code != HTTPStatus.OK:
print(f"请求失败: code={response.status_code}, message={response.message}")
break
chunk = response.output.text
full_text += chunk
print(chunk, end="", flush=True)
# 返回完整文本和 session_id（用于多轮对话）
return full_text, responses[-1].output.session_id if responses else None
# 单轮对话
result, sid = chat_with_agent("帮我规划一个杭州一日游")
# 多轮对话（传入 session_id 保持上下文）
result, sid = chat_with_agent("如果下雨呢？", session_id=sid)
7.4 HTTP 直接调用示例
Why：如果不想安装 SDK，可以直接用 HTTP 请求调用，适合非 Python 环境。
curl -X POST https://dashscope.aliyuncs.com/api/v1/apps/your-app-id/completion \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "Content-Type: application/json" \
--header "X-DashScope-SSE: enable" \
--data '{
"input": {
"prompt": "帮我规划一个杭州一日游"
},
"parameters": {
"stream": true,
"incremental_output": true
}
}'
7.5 前端对接注意事项
- 流式输出：强烈建议开启
stream: true，智能体调用工具时可能耗时较长，流式输出可以避免超时 - session_id 管理：多轮对话需要传递
session_id，注意该 ID 在连续 1 小时无请求后自动失效 - 错误处理：MCP 服务偶尔超时是正常现象，前端应做好重试和降级展示
- 并发限制：每个 API Key 有默认并发限制，高并发场景需联系阿里云提升配额
8. 避坑指南
在构建旅行规划助手的过程中，我踩了不少坑。以下是 5 个最常见的坑和解决方案。
坑 1：系统提示词写法直接影响工具调用成功率
现象：智能体经常不调用工具，而是直接编造回答。
原因：系统提示词中没有明确"何时必须调用工具"的规则，智能体倾向于"偷懒"直接回答。
解决方案：在提示词中加入强制规则：
## 严格规则
- 涉及地点信息时，必须调用地图工具查询，禁止凭记忆回答
- 涉及天气信息时，必须调用天气工具查询，禁止编造天气数据
- 涉及路线规划时，必须调用路线工具，禁止猜测距离和时间
坑 2：知识库文档格式和切片粒度的选择
现象：知识库检索返回的内容不相关，或者关键信息被截断。
原因：文档格式不规范或切片粒度不合理。
解决方案：
- 上传前统一文档格式，每个景点/城市用明确的标题分隔
- 使用"按标题切片"策略，保持每个切片的信息完整性
- 设置
chunk_overlap: 50，避免关键信息被切断 - 开启
rerank_enabled: true，提升检索精度
坑 3：MCP 服务偶尔超时的降级策略
现象：高德地图 MCP 服务在高峰期偶尔超时，智能体长时间无响应。
原因：MCP 服务依赖外部 API，网络波动或服务端压力会导致超时。
解决方案：
- 在系统提示词中增加降级提示："如果工具调用失败，请告知用户当前服务暂时不可用，并建议稍后重试"
- 前端设置合理的超时时间（建议 30 秒），超时后展示友好的提示
- 对于关键信息（如天气），可以同时配置高德天气和天气通两个 MCP 服务作为备份
坑 4：API 发布后的并发限制
现象：上线后并发量稍高，API 返回 429 错误。
原因：百炼 API 默认有并发限制，每个 API Key 的默认 QPS 有限。
解决方案：
- 在百炼控制台查看当前配额和用量
- 高并发场景建议使用 Token Plan 订阅，享受更高的并发配额
- 前端实现请求队列，避免瞬间大量并发
- 考虑使用缓存：对相同查询的短期结果做缓存，减少重复调用
坑 5：智能体的"幻觉"问题及应对
现象：智能体有时会编造不存在的景点或错误的天气数据。
原因：大模型的生成式本质决定了它倾向于"编造"而非"拒绝"。
解决方案：
- 系统提示词中明确禁止编造："不要编造不存在的地点或天气信息，所有数据必须来自工具返回"
- 知识库设置较高的相似度阈值（0.75+），过滤低质量检索结果
- 开启
enable_thinking思考模式，让智能体在回答前先反思 - 对关键信息（价格、时间、地址）增加验证提示："请确认以上信息来自工具查询结果"
9. 总结与下一步
9.1 零代码构建智能体的核心价值
通过本文的实战演示，可以看到百炼零代码智能体构建的核心价值：
- 效率提升：从传统开发的 5-7 天缩短到 30 分钟
- 门槛降低：无需编写代码，产品经理也能独立完成
- 能力丰富：MCP 服务让智能体具备真实的工具调用能力
- 灵活扩展：知识库 + MCP 的组合覆盖了大部分业务场景
9.2 适用场景和局限性
适用场景：
- 客服助手、知识问答、信息查询类应用
- 需要调用外部 API 但逻辑不复杂的场景
- 快速验证 MVP，低成本试错
局限性：
- 复杂业务逻辑（如多条件分支、状态机）仍需高代码开发
- 对实时性要求极高的场景，MCP 调用延迟可能不满足
- 大规模并发需要额外优化和配额申请
9.3 系列文章预告
本文完成了百炼平台上零代码构建智能体的全流程演示。接下来，我将继续分享：
- ECS 部署 AI 应用实战：将百炼智能体部署到阿里云 ECS，实现生产级高可用
- 百炼工作流深度编排：用可视化工作流实现更复杂的业务逻辑
- 自定义 MCP Server 开发：当官方 MCP 不够用时，如何开发专属 MCP 服务
如果你在实践过程中遇到问题，欢迎在评论区交流讨论。
📜 真实性声明
本文所有操作步骤均基于阿里云百炼平台 2026 年 6 月最新版本的实际操作验证。百炼控制台界面和功能可能随版本更新而变化，请以官方文档为准。文中涉及的 MCP 服务（高德地图、天气通）均为百炼官方预置服务，开通即可使用。
