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。
上周搞了一套提示词，发给接了旅行数据能力的 AI 之后，它帮我做完了酒店比价的全套流程。
直接说结论：用这套提示词，你只需要告诉 AI 目的地、入住日期、价位区间，它会自己完成全城酒店筛选 → 5个候选酒店横向比价 → 最终给出可以直接执行的下单建议。
中间还带了一个主动能力——你心仪的酒店降价了，AI 会推给你。
下面把这套提示词完整展开，以及我是怎么让 AI 真正跑起来的。
提示词框架：先搜全城，再比5家，最后决策
这套提示词分三个阶段，不是上来就比价，是先找到值得比的。
第一阶段：输入条件，搜全城酒店
以下是我的出行需求： - 目的地：{city / district} - 入住日期：{checkin_date} - 退房日期：{checkout_date} - 每晚预算：{budget}/晚 - 其他偏好：{star_rating / 含早餐 / 免费取消 / 近地铁} 请在全球酒店库里筛选出符合上述条件的酒店候选集： 1. 按「性价比」排列，给我筛选出20家最值得看的候选酒店 2. 每家列出：酒店名称、评分、位置、含税总价、与预算的偏差 3. 从这20家里，挑出综合最好的5家进入深度比价这一阶段解决的是「去哪找」。不是漫天撒网，而是先从全球酒店库里用你的条件筛出一批候选集，再从候选集里人工/AI辅助选出5家进入下一阶段。
第二阶段：5个候选酒店，4个维度深度比价
进入深度比价的5家酒店，不是随便选的——是在候选集里性价比最高的5家。接下来AI要在这5家里做横向拆解。
维度一：价格走势分析
我的入住日期是 {checkin_date}，退房日期是 {checkout_date}。 请分别分析这5家酒店未来7天的价格走势： - 每家酒店的最低点出现在哪天？ - 最低价和当前价格的差值是多少？ - 如果我灵活调整入住日期（比如前后±1天），有没有更划算的选项？ 基于以上，给出每家酒店「建议入住日期」推荐。这一维度解决的是「什么时候最便宜」。酒店价格受供需影响比机票更直接——周末涨、节假日涨、展会期间涨，过了高峰期又跌回来。AI 需要找出每家酒店各自的低点，而不是笼统地说「最近价格还行」。
维度二：取消政策评估
针对以上5家酒店，请查询并比较它们的取消政策： - 每家酒店的最晚免费取消时间是什么时候？ - 如果我现在下单，取消后再订，价格差多少以内是值得等的？ - 如果等到免费取消截止时间还没降，错过这个窗口的实际风险有多大？ 请给出一个「等值」：价格降幅超过多少，等一天就是值得的。这一步是酒店场景里最容易被忽略的维度。机票改签有成本，但酒店如果在免费取消窗口内退掉重订，几乎没有损失。关键是算清楚：等一天省下来的钱，值不值得用「失去免费取消资格」来赌。5家酒店横向比较，取消政策可能差异很大，这一步要让AI给出每家的「等值」——而不是一个泛泛的「建议尽快下单」。
维度三：竞品价格对比
这5家酒店，在全球主要预订渠道里，还有没有更低的报价？ - 每家酒店在哪个渠道价格最低？ - 最低价和当前报价的差值是多少？ - 如果有更低的渠道，是否支持在原酒店直接改价？ 另外，请在候选集里补充分析：有没有比这5家更好、但价格相近或更低的替代酒店？给出Top2替代选项。这一步解决的是「有没有更好的」。全球200万家酒店，每家在不同渠道的价格可能相差20%到一倍——不是信息差，是供应链的复杂度。AI 需要跳出这5家，在更大的候选池里再扫一遍，看看有没有「同评分但更便宜」或者「更值得但价格差不多」的漏网之鱼。
维度四：最终推荐（带行动指令）
综合以上四个维度的分析（价格走势 / 取消政策 / 竞品比价 / 候选补充）， 请给出最终决策： 1. 如果今天必须下单，推荐哪一家？为什么？ 2. 如果值得等，最晚等到什么时候再下？届时还有免费取消保障吗？ 3. 推荐的预订渠道是哪个？是否支持后续改价？ 4. 最终推荐：酒店名称、预订渠道、入住日期、总价、免费取消截止时间。好的 AI 不只给信息，给的是可以直接执行的操作指令。
跑出来的结果
我拿这套提示词跑了一个真实场景：大阪，7月某个周末，入住3晚，预算800元/晚以内。
输入只有三个条件：目的地、入住日期、价位区间。
AI 完成了三个阶段的全流程：
第一阶段：从大阪难波区域筛出20家候选酒店，按性价比排列，给出了每家的评分、位置和总价。
第二阶段：从20家里选出5家进入深度比价——做价格走势、取消政策横向对比、查竞品报价，结果发现有一家比价后比原渠道低了12%，还有两家可以在入住前48小时免费取消但价格还有下行空间。
第三阶段：给出最终决策——
- 选项A：现在下单，B酒店，携程渠道，3晚总价X元，含早餐，免费取消到入住前48小时。
- 选项B：等2天，C酒店价格下降概率约60%，如果降价可以省约Y元，但届时B酒店的最佳取消窗口已过。
- 选项C：换到步行10分钟以外的D酒店，同等条件下便宜Z元，评分差值在可接受范围内。
三个选项，每个都有价格数据支撑，有取消政策说明，有明确的行动指令。
不是幻觉数据，是可以直接决定的结果。
但数据从哪来，才是真正的门槛
这套提示词框架本身不复杂，真正的门槛在于数据从哪来。
我现在跑这套提示词，用的是 RollingGo （据说是全球第三大酒旅B2B公司做的创新项目）的实时数据做支撑。
它的数据来自11万家直签酒店的实时库存，不是爬虫（我试过爬虫，两周后发现 OTA 有反爬机制——你以为拿到的是实时价格，其实拿到的是平台想让你看到的价格），也不是缓存。覆盖全球200万家酒店，500多家供应商——这个规模是跑通「全城筛选 → 候选比价 → 竞品横向对比」整个链路的前提。如果 AI 告诉你「今晚980元」，但980元是三天前的缓存，实际已经没有房了——提示词写得再漂亮都没用。
还有进阶能力：酒店降价主动推
MCP 解决的是查询问题：你来问，AI 查，返回结果。
但还有一个场景 MCP 覆盖不了：价格下降时主动通知用户。
比如你看好了一家酒店，想等价格跌了再下单，但你不可能24小时盯着。
可以安装一些Skill,RollingGo也有出酒店降价监控的Skill。提前买好酒店，要住了才发现订早了（这种心情大家都懂）.
MCP 是「你来找」，Skill 是「它来告诉你」。两个链路解决的问题不一样，但可以组合：先用 Skill 盯价格，降到目标价位了，再用 MCP 查库存确认能不能订。
配置指南：
- rollinggo.store 申请 API Key，个人企业均可申请。
- 零代码可配置，官方有详细文档：5分钟接入酒店机票MCP配置文档（零代码可上手）；酒店机票Skill配置指南
接下来，Claude Code 或 Cursor 里配一段 MCP：
{ "mcpServers": { "rollinggo-hotel": { "type": "http", "url": "https://mcp.rollinggo.cn/mcp" } } }Bearer Token 填上申请到的 Key，重启客户端，工具就出来了。
踩过的坑：Bearer 和 Key 之间有个空格容易写错，或者 type 写成 http 但 Codex 只支持 streamable-http，配完看不到工具的话先查这两项。
最后，直接在你的Agent里用这套提示词跟它对话。
总结一下
三个阶段，对应三层提示词：
- 先搜全城：用你的条件筛选20家候选，按性价比排列
- 再比5家：4个维度深度拆解这5个候选（价格走势 / 取消政策 / 竞品报价 / 候选补充）
- 最后决策：给一个可以直接执行的下单指令
框架本身不难抄，难的是数据从哪来。接不到实时库存，AI 给的永远是缓存参考价，不是今晚的交易价格。
选对数据源，比写好提示词更重要。
作者目前在做酒旅方向的 AI Agent 项目，研究 MCP 生态和 Travel Agent 落地路径，欢迎交流踩坑经验。
