从零到一：我用 Nexent 打造了一个“旅行规划师“智能体，让行程安排自动化

前言

作为一个每年至少出去旅行两三次的人，每次做攻略都是一场"修行"——查景点、看天气、找酒店、比机票……信息分散在十几个 App 里，往往花一整天也理不出个清晰的行程。一直想有个 AI 助手能帮我把这些事一次性搞定，但要么不够灵活，要么需要写代码，始终没找到趁手的工具。直到我遇见了Nexent——一个开源的零代码智能体平台，让我真正体验了一把"一句话造 Agent"的快乐。

一、初识 Nexent：打开即用的智能体工厂

打开 Nexent 智能体平台，第一感觉就是——干净清爽。左侧导航栏清晰列出了「智能体开发」「智能体市场」「模型管理」「知识库」「MCP工具」等核心模块，不用看文档也能猜出大概流程。

平台的核心理念是"一个提示词，无限可能"——你只需要用自然语言描述想要什么样的智能体，平台就能自动帮你生成配置、选择工具、编写提示词。对于我这种"有想法但不想写代码"的人来说，简直是量身定做。

二、给智能体"长脑子"：模型配置

智能体的核心能力来自大语言模型，所以第一步就是接入模型。Nexent 支持单个添加和批量导入两种方式。

2.1 单个添加模型

在左侧「模型」页面，点击添加模型，选择模型提供商（比如硅基流动 Silicon Flow）、DeepSeek，填入 API Key，选择你想要的模型即可。我在这里选择添加了 qwen3-max作为主对话模型，以及Qwen3-Embedding作为向量 embedding 模型。

踩坑提醒：这里在向量模型（Embedding）配置的模型URL，我们需要注意需要在原先大语言模型和视觉语言模型的基础上添加/embeddings才能够联通。这里没配置过项目模型的伙伴一定要注意奥。

2.2 批量导入模型

如果你一次性要接入多个模型（比如同时接入 DeepSeek、Qwen、GLM 等），Nexent 还提供了批量导入功能。只需要在配置文件中批量填写模型信息，一键导入，省去了逐个添加的繁琐。

添加完模型后，别忘了在「系统模型配置」里设置好默认的 LLM 和 Embedding 模型，这样后续创建智能体时就不需要重复选择了。

三、给智能体"喂知识"：知识库构建

旅行规划需要的知识非常多样——景点介绍、美食推荐、交通攻略、签证政策……我准备了几种不同风格的文档来测试 Nexent 知识库的处理能力。

3.1 上传多种格式的文档

我上传了以下几类文档：

上传后，系统会自动进行文档解析和切片，状态依次显示为：解析中 → 入库中 → 已就绪。右侧还能实时看到处理进度和切片数量，整个过程的透明度让我很放心。

3.2 知识库自动总结——超出预期

让我比较惊喜的是知识库的自动总结功能。文档上传后，系统会智能生成简洁准确的摘要。例如，针对那份东京五日游攻略，系统迅速提炼出“主要景点涵盖浅草寺、teamLab、晴空塔和涩谷”以及“建议购买Suica卡方便出行”等关键信息。而对于泰国美食相关内容，它不仅能提取亮点，还能深入归纳，比如总结出“暹罗商圈以连锁餐厅为主，考山路周边则聚集了丰富的街头小吃”这样的区域化洞察，大大提升了信息获取效率。

四、开发智能体：从描述到提示词

这是整个过程中最让我兴奋的环节。Nexent 的核心体验就是"一句话创建智能体"。

4.1 自动生成提示词

在「智能体开发」页面，我在描述框中输入：

旅行规划师

这短短的几个字之后，点击「生成」，系统就自动帮我创建了一个完整的智能体配置——不仅生成了详细的系统提示词，还对智能体角色定位，智能体配置信息都做了完善的配置

4.2 检查并修改提示词

自动生成的提示词虽然已经不错，但我还是仔细检查并做了几处关键修改：

修改一：明确工具调用优先级

原文："你可以使用地图工具查询景点信息。"

修改为："当用户提到具体城市或景点时，优先使用高德地图 MCP 的 POI 搜索功能查询详细信息；当需要规划路线时，使用驾车/步行路线规划工具计算时间和距离。"

修改二：增加输出格式规范

添加了："行程计划请按以下格式输出：Day 1 / 上午 / 景点名称 + 建议游玩时长 + 交通方式 / 下午 / ... ，并在最后附上预算汇总表格。"

修改三：强化知识库引用

添加了："回答用户关于签证、美食、文化注意事项等问题时，优先参考知识库中的文档，并在回答末尾标注信息来源。"

修改后的提示词明显更有针对性和可操作性，这也让我体会到——自动生成是很好的起点，但人工微调才是让智能体从"能用"到"好用"的关键。

五、给智能体"装工具"：MCP 工具接入

知识库让智能体"有知识"，但要真正完成旅行规划，还需要它能实时查天气、搜地图、查航班、找酒店。这就需要接入 MCP（Model Context Protocol）工具了。而Nexent 基于 MCP（Model Context Protocol）协议提供了丰富的工具生态。下面我们就来给咱们的智能体添加三个来自魔搭社区（ModelScope）的 MCP 服务。

5.1 通过 ModelScope URL 接入——高德地图 MCP

第一个接入的是高德地图 MCP 服务。这个工具非常强大，涵盖了地理编码、POI 搜索、路线规划、天气查询等 12 个核心能力，对旅行规划来说几乎是"瑞士军刀"级别的存在。

操作步骤：

1. 在 ModelScope 的 MCP Hub 找到@amap/amap-maps服务

1. 前往高德开放平台（lbs.amap.com）注册并获取 API Key

1. 然后把刚刚从高德开放平台获取的key填入我们魔塔社区高德地图mcp服务处，获取我们的服务器URL

1. 在 Nexent 的「工具」页面，选择 SSE 传输方式，填入连接地址：https://mcp.amap.com/sse?key=你的API密钥

1. 这里直接在Nexent的MCP服务配置中直接复制URL即可添加使用，然后点击连通性校验显示，MCP服务器链接成功即可。

整个过程不到五分钟，不需要本地安装任何东西，URL 直连就搞定了。

5.2 通过 ModelScope 接入——飞常准航班查询 MCP

地图和天气搞定了，接下来是旅行规划中绕不开的航班信息查询。我在 ModelScope 的 MCP Hub 上找到了飞常准（Variflight）提供的航班查询 MCP 服务，它提供了 7 个核心工具：

功能非常全面，基本覆盖了从查航班、比价格到查延误的全流程需求。

操作步骤：

1. 在 ModelScope 的 MCP Hub 搜索variflight，找到@variflight-ai/variflight-mcp服务

1. 这里很简单我们之间点击链接就可以查看到sse或者streamable-http协议点击链接即可看到url,然后直接在Nexent的MCP服务配置中直接复制URL即可添加使用。

5.3 通过 see协议 接入——AIGoHotel 全球酒店搜索 MCP

最后是旅行规划的另一大刚需——酒店搜索和比价。我在 ModelScope 上找到了AIGoHotel 全球酒店推荐 MCP，它提供了 3 个核心工具：

这个工具最让我满意的是它覆盖了全球范围的酒店数据，不限于国内，对于出境旅行的场景非常友好。

操作步骤：

1. 在 ModelScope 的 MCP Hub 搜索hotel或AIGoHotel，找到yorklu/AI_Go_Hotel_MCP服务

1. 回到 Nexent 平台，将刚刚获取的url,然后直接在Nexent的MCP服务配置中直接复制URL即可添加使用。

1. 点击「验证连接」，显示「MCP服务器链接成功」即可。

5.4 勾选 MCP 服务，让智能体工具正式 “跑起来”

MCP 服务器配置并添加完毕后，还有一个非常关键的小细节千万不要忽略：大家一定要记得在对应列表里，把需要启用的服务项全部勾选上，只有这样才能保证后续工具调用、功能调用正常生效，避免出现服务未加载、功能不可用的情况。

六、调试与发布：让智能体真正上岗

6.1 调试测试

配置完成后，我进入了调试环节。用了三个不同复杂度的问题来测试：

测试一（简单）："北京明天天气怎么样？"

智能体正确调用了高德地图的天气查询工具，返回了北京的天气信息，包括温度、风力、湿度等详细数据。

测试二（中等）："我想下个月去东京玩五天，帮我规划一下行程。"

智能体调用了高德地图搜索东京热门景点，结合知识库中的日本旅行攻略，生成了一份五日行程计划，每天都有上午、下午的具体安排，还附带了交通建议和预算估算。

测试三（复杂）："我在上海，计划五一假期去曼谷和清迈，一共七天，预算一万五，需要机票和酒店推荐。"

这个就比较考验综合能力了。智能体分步骤执行：先用航班工具查了上海到曼谷的航班，再用酒店工具搜索了曼谷和清迈的性价比酒店，最后结合知识库中的泰国攻略，输出了一份完整的七日双城行程。虽然个别细节还可以优化（比如航班时间的选择略显宽泛），但整体框架已经很实用了。

6.2 发布上线

调试确认无误后，点击「发布」，智能体就正式上线了。这里很快几秒钟就OK了，然后我们也可以在智能体空间里面看见咱们刚刚创建的智能体。

七、我的 Nexent 智能体开发感受

1. 零代码上手极快：从注册到完成一个可用的智能体，我前后花了不到1个小时，全程没有写一行代码。对于非技术人员来说，这个门槛低到让人惊喜。
2. 自动提示词生成：平台能根据一段自然语言描述自动生成结构化的提示词，而且质量不低。这大大降低了 Prompt Engineering 的门槛。
3. 知识库处理能力强：对多种文档格式的支持很全面，自动切片和摘要的质量超出预期。第三方知识库的接入也很方便。
4. 知识溯源透明：每次回答都能看到引用来源，这种可解释性在旅行建议这类需要可靠信息的场景中特别重要。

觉得还可以再优化和期待的地方：

1. MCP工具：目前 MCP 工具生态仍处于 “即将上线” 状态，暂未提供完整可用的 MCP 工具管理能力。用户无法在统一界面中集中管理 MCP 服务器与相关工具。
2. 错误提示太粗。连通性验证失败只显示"连接失败"，没有 HTTP 状态码，没有请求路径。我排查 URL 后 错误花了将近二十分钟，加三行错误信息能解决 80% 的新用户困惑。
3. 复杂 PDF 解析质量不稳定。多栏布局、图片密集的旅行攻略 PDF，入库后自动总结质量明显下降。对知识库来说这是核心能力，值得专门投入。

结语

这次用 Nexent 搭建旅行规划师智能体的体验，整体上是超出我预期的。从模型接入、知识库构建、MCP 工具配置，到智能体开发、调试、发布，整个链路在零代码的前提下做到了相当完整的覆盖。特别是自动提示词生成和知识溯源这两个功能，让我真切感受到了"AI 帮你做 AI"的奇妙感。

当然，作为一个还在快速发展的开源项目，Nexent 在细节体验上还有提升空间。但方向是对的——降低智能体的创建门槛，让更多人能把自己的想法变成可用的 AI 应用。

如果你也在寻找一个好上手的智能体平台，或者只是好奇"零代码做 Agent"到底是什么体验，不妨打开 Nexent 亲自试一试。也许你的下一个旅行计划，就是 AI 帮你做的。