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。