在AMD 395 AI PC上搭建你的第一个AI旅行助手

写在前面

如果你曾经为规划一次旅行而感到头疼——翻遍攻略网站，对比各种路线，计算预算是否够用，那么这篇教程将带你做一件很酷的事情：在自己的电脑上，用AI帮你规划旅行。

我们要用到的是AMD 395 AI PC。它搭载了AMD Ryzen™ AI 9 HX 395处理器，配备强大的NPU（神经网络处理单元）和GPU，基于AMD ROCm平台，足够运行30B参数的大语言模型。更重要的是，所有计算都在本地完成，你的旅行偏好、预算信息这些隐私数据不会上传到任何云端服务器。

关于演示环境：本教程使用玲珑AI工作站（搭载AMD 395处理器）作为演示平台，因为它预装了"智玲同学"等AI管理工具，方便快速上手。AMD 395处理器的所有特性同样适用于其他搭载该处理器的AI PC，下面提供三种部署本地模型方案。

这个教程会带你从零开始，一步步搭建一个智能旅行规划助手。它能做到：

根据你的目的地和预算，自动规划每日行程
调用高德地图API，搜索真实的景点和天气信息
把完整的旅行计划保存成一份漂亮的Markdown文档

你不需要有任何AI开发经验，只需要跟着这个教程，把每一步做下来。我们会用到一些工具：HelloAgents框架（一个让Agent应用开发变简单的工具）、MCP协议（一种让AI能调用各种外部服务的标准），但你完全不需要提前了解它们——我们会在用到的时候，一点点解释清楚。

准备好了吗？让我们开始吧。

第一步：在AMD 395 AI PC上运行大模型

AMD 395 AI PC的强大算力

AMD Ryzen™ AI 9 HX 395是AMD专为AI应用打造的处理器，它的核心优势包括：

强大的NPU（神经网络处理单元）：专门优化AI推理任务
高性能GPU：基于AMD RDNA™架构，支持大规模并行计算
AMD ROCm平台：开源的GPU计算平台，兼容主流AI框架
大内存支持：可运行30B+参数的大语言模型

如果你用过ChatGPT，你可能知道每次对话其实是把你的问题发送到OpenAI的服务器，然后等待回复。但在AMD 395 AI PC上，整个AI就在你面前的这台机器里，不用联网，不会泄露隐私，也不用担心云端API突然涨价或限流。这对于需要处理敏感旅行信息的场景来说，是个很大的优势。

选择适合你的部署方案

无论你使用的是Windows、Mac还是Linux系统，AMD 395处理器都能让你在本地运行大语言模型。下面提供三种主流方案，你可以根据自己的需求选择：

工具	适用平台	特点	推荐场景
Ollama	Windows/Mac/Linux	命令行工具，轻量级，模型管理简单	适合熟悉命令行的开发者
LM Studio	Windows/Mac/Linux	图形界面，可视化操作，适合新手	适合需要图形界面的用户
玲珑"智玲同学"	玲珑AI工作站	预装工具，一键部署，针对AMD 395优化	适合玲珑工作站用户

关于ROCm：AMD ROCm是开源的GPU计算平台，类似于NVIDIA的CUDA。上述工具在AMD 395上运行时，会自动利用ROCm加速推理。你不需要手动安装ROCm，工具会自动检测和调用GPU资源。

方案一：使用Ollama（推荐命令行用户）

Ollama就像是一个极简版的"模型管家"。你只需要敲几行命令，它就能帮你下载模型、启动服务，不需要复杂的配置。如果你习惯用命令行工作，或者想要一个轻量级的工具，Ollama是个不错的选择。它对AMD GPU的支持很好，会自动调用ROCm来加速推理。

第一步：安装Ollama

首先，去Ollama的官网下载对应你系统的安装包：https://ollama.com/download

如果你用的是Windows（需要Windows 10或更高版本），下载.exe文件，双击安装就行，就像装普通软件一样。
如果你用的是Mac（需要macOS 14 Sonoma或更高版本），下载.dmg文件，拖到应用程序文件夹里。
如果你用的是Linux，打开终端，复制粘贴这条命令回车运行：
bash
```
curl -fsSL https://ollama.com/install.sh | sh
```
1

安装好之后，打开终端（Windows用户打开PowerShell，Mac和Linux用户打开Terminal），输入下面这行命令验证一下：

bash

ollama --version

如果看到版本号（比如ollama version 0.x.x），说明安装成功了。

第二步：下载并运行模型

现在让Ollama帮你下载模型。在终端里输入：

bash

ollama run qwen2.5:32b

回车后，Ollama会自动下载Qwen2.5这个模型（大约18GB，相当于下载几部高清电影，需要等一会儿）。下载完成后，模型会自动启动。这时候Ollama已经在调用你AMD 395的GPU和NPU来加速了，你不需要做任何额外配置。

模型启动后，你会看到一个对话提示符>>>。试着输入：

>>> 你好，介绍一下你自己

如果模型回复了（类似"我是通义千问..."之类的），说明一切正常。按Ctrl+D（Mac是Command+D）可以退出对话。

第三步：让模型作为服务运行

前面的方式是直接在终端里和模型聊天，但我们后续要用Python代码来调用模型，所以需要让Ollama以"服务"的方式在后台运行。

重新打开一个终端窗口（保持原来的窗口不动），输入：

bash

ollama serve

这时候Ollama就在后台待命了，等着Python代码来调用。它开了一个本地服务器，地址是http://127.0.0.1:11434。你可以在浏览器里打开这个地址，如果看到"Ollama is running"，就说明服务已经启动了。

记住这个地址：http://127.0.0.1:11434/v1，等会写代码的时候要用到。另外，模型的名字要用qwen2.5:32b（和前面下载的名字对应）。

方案二：使用LM Studio（推荐图形界面用户）

如果你不太习惯敲命令，或者更喜欢用鼠标点点点，那LM Studio会是你的菜。它提供了一个漂亮的图形界面，下载模型、加载到GPU、启动服务，全都可以可视化操作。用起来就像在用一个聊天软件，非常直观。

第一步：下载并安装LM Studio

打开LM Studio的官网：https://lmstudio.ai/

你会看到一个大大的下载按钮，它会自动识别你的系统（Windows、Mac或Linux），点击下载就行。安装过程和普通软件一样，双击安装包，一路下一步。

第二步：搜索并下载模型

安装好后，打开LM Studio。你会看到一个很干净的界面，左边是菜单，中间是搜索框。

在搜索框里输入qwen2.5（或者qwen3），回车。LM Studio会从Hugging Face模型库里搜索相关的模型。你会看到一堆搜索结果，名字可能有点长，别紧张。

我们推荐选择带有32b-instruct字样的模型，比如qwen2.5-32b-instruct-q4。这里的q4表示"4位量化"，意思是模型被压缩过，占用的显存更少，速度也更快，但精度稍微降低一点点（对我们的旅行规划任务来说完全够用）。

找到合适的模型后，点击右侧的下载按钮（一个向下的箭头图标）。模型大小大约18GB，下载时间取决于你的网速。你可以在界面下方看到下载进度。

第三步：加载模型到GPU

模型下载完成后，点击左边菜单的 "Chat" （聊天）选项卡。

在界面上方，你会看到一个"Select a model to load"（选择要加载的模型）的下拉菜单。点击它，找到刚才下载的模型，选中它。

这时候界面下方会出现一些配置选项。找到"GPU Offload"（GPU卸载层数）这个滑块，把它拉到最右边，或者设置一个较大的数值（比如40层或更多）。这样做是为了让模型尽可能多地运行在AMD 395的GPU上，利用ROCm加速推理。LM Studio会自动检测你的AMD GPU，你不需要手动配置ROCm。

然后点击**"Load Model"**（加载模型）按钮。等待几秒钟，你会看到模型状态变成"Loaded"（已加载），同时显存占用率会上升——这说明模型已经加载到GPU里了。

第四步：测试一下

现在你可以在聊天界面里试着和模型说几句话。在输入框里输入"你好，介绍一下你自己"，回车发送。如果模型回复了，说明一切正常。

第五步：启动本地API服务

测试没问题后，点击左边菜单的**"Local Server"**（本地服务器）选项卡。

在这里，你会看到一个"Select a model"（选择模型）的下拉菜单，选择刚才加载的模型。然后点击大大的**"Start Server"**（启动服务器）按钮。

几秒钟后，服务器状态会变成"Running"（运行中），下方显示服务地址：http://127.0.0.1:1234/v1。

把这个地址记下来，等会写代码的时候要用到。模型的名字就填你选择的模型名称（比如qwen2.5-32b-instruct）。

现在，LM Studio已经在后台待命，等着Python代码来调用了。你可以把这个窗口最小化，继续下一步。

方案三：使用玲珑"智玲同学"（仅限玲珑工作站用户）

说明：本方案仅适用于玲珑AI工作站（搭载AMD 395处理器）。该工作站预装了"智玲同学"模型管理工具，为入门用户提供了便捷的图形化部署体验。如果你使用的是其他搭载AMD 395的设备，请选择上述方案一或方案二。

"智玲同学"是玲珑AI工作站（第三方供应商产品）预装的模型管理工具，类似于手机上的应用商店，专门用来下载和管理AI模型。

1. 打开智玲同学

在浏览器中访问：http://127.0.0.1:5100/

你会看到三个核心功能：

模型库：预置了常用的开源大模型，支持一键下载和启动
自定义：支持添加任意GGUF格式的自定义模型
本地模型：管理已下载的模型，支持启动、停止、聊天测试等操作

图 1 智玲同学模型管理主界面（玲珑工作站）

2. 下载Qwen3-30B模型

如图1所示，在模型库中找到"Qwen3-30B-2507-instruct"（阿里云开源的中文优化模型），点击"下载"。模型文件约18GB，下载时间取决于网速。

3. 启动模型

下载完成后，点击"启动"按钮。几秒钟后，状态变成"运行中"，显示地址：http://127.0.0.1:1234/v1

4. 测试模型

在"对话"选项卡中输入"你是什么模型"测试对话功能。

图 2 模型下载和启动流程（玲珑工作站）

确认模型已就绪

无论你选择哪种方案，完成部署后请确认以下信息：

✅ 模型已成功启动：能在对话界面正常交互 ✅ API地址已记录：后续代码需要连接该地址 ✅ GPU加速已启用：AMD 395的GPU/NPU正在加速推理（可在任务管理器或工具界面中查看显存占用）

常见的API地址：

Ollama：http://127.0.0.1:11434/v1
LM Studio：http://127.0.0.1:1234/v1
智玲同学：http://127.0.0.1:1234/v1

技术说明：这些工具在AMD 395上运行时，会通过ROCm自动调用GPU资源进行加速推理。ROCm是AMD的开源GPU计算平台，类似于NVIDIA的CUDA，支持PyTorch、TensorFlow等主流AI框架。你不需要手动配置ROCm，工具会自动处理底层加速逻辑。

第二步：理解MCP协议

为什么需要MCP

在正式写代码之前，我们需要花几分钟理解一个概念：MCP协议。别被"协议"这个词吓到，它其实很简单。

想象一下，你的AI助手就像一个聪明的秘书，但它只会思考和说话，不会自己去查天气、订酒店、搜索景点。如果要让它做这些事，传统的做法是给它写一堆"使用说明"——怎么连接天气API、怎么调用地图服务、怎么读写文件。每增加一个新功能，你就要写一套新的说明书。

MCP协议的出现，就是为了解决这个麻烦。它像是一个"万能转换器"，把各种外部服务（天气查询、地图搜索、文件操作）都变成AI能直接理解和使用的工具。你只需要告诉AI"有一个MCP工具"，它就能自动发现这个工具能做什么，然后在需要的时候自己去调用。

举个例子，我们这次要用的"高德地图MCP服务器"，它提供了16个工具：景点搜索、天气查询、路径规划、地理编码等等。你不需要为每个功能写代码，只要连接到这个服务器，AI就能自己决定什么时候该查天气、什么时候该搜景点。

MCP的工作流程

让我们看看整个流程是怎样的。假设你问AI："帮我规划一个杭州3日游"。

首先，AI会思考："要规划旅行，我需要知道杭州的天气情况。"它发现自己有一个工具叫amap_maps_weather，于是调用它，传入参数city=杭州。MCP服务器接收到请求，去调用高德地图API，返回天气数据。AI拿到天气信息后，继续思考："接下来需要搜索杭州的景点。"于是又调用amap_maps_text_search工具，传入keywords=景点, city=杭州。搜索结果回来后，AI综合天气和景点信息，生成一份详细的旅行规划。

整个过程中，你只需要提一个需求，其他的都是AI自己决定的——什么时候调用工具、传入什么参数、如何综合信息。这就是MCP协议的魔力。

第三步：安装工具和准备API Key

这里假设读者已经安装好了python，如果没有安装可以自行搜索一些教程，这里提供一个高阅读量教程仅供参考：Python安装与环境配置全程详细教学（包含Windows版和Mac版）

安装HelloAgents框架

现在模型已经跑起来了，我们需要安装一个叫HelloAgents的框架。它是一个专门为构建AI Agent应用设计的工具，能帮我们用很少的代码就完成复杂的功能。同时有一个配套的LLM Agent零基础入门教程在《从零开始构建智能体》，若想深入学习Agent知识，可以参考。

打开命令行（PowerShell或CMD都可以），输入：

bash

pip install hello-agents==0.2.8

等待安装完成后，验证一下：

bash

python -c "import hello_agents; print(hello_agents.__version__)"

如果看到输出0.2.8，说明安装成功了。

安装uv工具

接下来还需要安装一个叫uv的工具。它是一个Python包管理器，我们要用它来运行高德地图的MCP服务器。

bash

pip install uv

安装完成后，命令行中就多了一个uvx命令。这个命令可以快速运行各种Python应用，不需要手动安装和配置。

申请高德地图API Key

我们的旅行助手要能搜索真实的景点和天气，就需要调用高德地图的API。别担心，高德提供的是免费服务，只需要注册一个账号。

访问高德开放平台：https://lbs.amap.com/

注册账号后，进入控制台，如图 3 所示，创建一个新应用。应用类型选择"Web服务"，然后你会得到一个API Key，把这个Key复制下来，等会要用。

图 3 高德地图API申请

第一次连接测试

在正式写完整的程序之前，我们先写一个小测试，确保能成功连接到AMD 395 AI PC上运行的模型。创建一个文件test_connection.py，输入以下代码：

python

from hello_agents.core.llm import HelloAgentsLLM
import sys

# 连接AMD 395 AI PC上的本地模型
llm = HelloAgentsLLM(
    provider="amd395",  # 可以使用任意标识
    model="Qwen3-30B-2507-instruct",  # 与模型管理工具中启动的模型名称一致
    base_url="http://127.0.0.1:1234/v1",  # 默认端口为1234(根据使用的端口可能需要调整)
    api_key="amd395",  # 本地服务可填任意非空字符串
    verbose=False  # 关闭详细日志输出
)

# 测试连接
messages = [{"role": "user", "content": "你好，请介绍一下你自己。"}]

print("AMD 395 AI PC响应:")
print("-" * 50)

response_text = ""
for chunk in llm.think(messages):
    response_text += chunk

print("\n" + "-" * 50)
print(f"\n完整响应长度: {len(response_text)} 字符")

运行这个脚本：

bash

python test_connection.py

如果看到模型的回复，说明一切正常。如果报错，检查一下智玲同学中的模型是否还在运行状态。

第四步：写代码，让AI帮你规划旅行

创建项目文件

创建一个新文件travel_planner_mcp.py，我们会一步步把代码写进去。

第一部分：导入库和配置

首先，导入需要的工具，并配置日志级别（避免过多干扰信息）：

python

"""
AMD395 × HelloAgents × MCP实战：智能旅行规划助手
"""

import os
import logging
from hello_agents import SimpleAgent
from hello_agents.core.llm import HelloAgentsLLM
from hello_agents.tools import MCPTool

# 配置日志（避免过多干扰信息）
logging.basicConfig(level=logging.WARNING, format='%(message)s')
logging.getLogger('openai').setLevel(logging.ERROR)
logging.getLogger('httpx').setLevel(logging.ERROR)

第二部分：创建多Agent系统类

为什么需要多Agent架构？

在开始写代码之前，我们需要理解一个关键问题：为什么不能让一个Agent完成所有工作？

答案是：SimpleAgent一次只能可靠地调用一个工具。如果你让一个Agent既查天气、又搜景点、还要生成规划，它可能会：

只调用一个工具就结束
工具调用顺序混乱
MCP连接反复断开

所以，我们采用多Agent协作的架构：

景点搜索Agent：只负责搜索景点（调用amap_maps_text_search）
天气查询Agent：只负责查询天气（调用amap_maps_weather）
行程规划Agent：不调用工具，只负责整合信息生成规划

这样每个Agent只做一件事，做得又快又好。

让我们创建一个MultiAgentTravelPlanner类来管理这些Agent：

python

import logging

# 配置日志（避免过多干扰信息）
logging.basicConfig(level=logging.WARNING, format='%(message)s')
logging.getLogger('openai').setLevel(logging.ERROR)
logging.getLogger('httpx').setLevel(logging.ERROR)


class MultiAgentTravelPlanner:
    """多Agent旅行规划系统"""

    def __init__(self, amap_api_key: str):
        """初始化多Agent系统"""
        print("\n🔄 初始化多Agent旅行规划系统...")

        # 1. 连接AMD 395 AI PC上的本地模型
        print("  ├─ 连接AMD 395 AI PC...")
        self.llm = HelloAgentsLLM(
            model="Qwen3-30B-2507-instruct",
            base_url="http://127.0.0.1:1234/v1",
            api_key="amd395"
        )

        # 测试连接
        try:
            messages = [{"role": "user", "content": "你好"}]
            response = ""
            for chunk in self.llm.think(messages):
                response += chunk
            print("  ├─ ✓ 模型连接成功")
        except Exception as e:
            print(f"  └─ ✗ 模型连接失败：{e}")
            raise

        # 2. 创建共享的MCP工具（关键：只创建一次，多个Agent共享）
        print("  ├─ 创建共享的高德地图MCP工具...")
        self.amap_tool = MCPTool(
            name="amap",
            description="高德地图服务",
            server_command=["uvx", "amap-mcp-server"],
            env={"AMAP_MAPS_API_KEY": amap_api_key},
            auto_expand=True
        )
        print("  ├─ ✓ MCP工具创建成功")

        # 3. 创建景点搜索Agent（只负责搜索景点）
        print("  ├─ 创建景点搜索Agent...")
        self.attraction_agent = SimpleAgent(
            name="景点搜索专家",
            llm=self.llm,
            system_prompt="""你是景点搜索专家。

你的任务：使用amap_maps_text_search工具搜索指定城市的景点。

输出格式：请简要列出景点名称和地址即可。"""
        )
        self.attraction_agent.add_tool(self.amap_tool)

        # 4. 创建天气查询Agent（只负责查询天气）
        print("  ├─ 创建天气查询Agent...")
        self.weather_agent = SimpleAgent(
            name="天气查询专家",
            llm=self.llm,
            system_prompt="""你是天气查询专家。

你的任务：使用amap_maps_weather工具查询指定城市的天气情况。

输出格式：请简要说明天气状况、温度、风力即可。"""
        )
        self.weather_agent.add_tool(self.amap_tool)

        # 5. 创建行程规划Agent（不调用工具，只负责整合信息）
        print("  ├─ 创建行程规划Agent...")
        self.planner_agent = SimpleAgent(
            name="行程规划专家",
            llm=self.llm,
            system_prompt="""你是行程规划专家。

你的任务：根据景点信息和天气信息，生成详细的旅行规划。

输出格式（Markdown）：
# {城市}N日游旅行规划

## 行程概览
- 目的地：...
- 旅行天数：...
- 总预算：...

## 天气情况
（根据天气信息填写）

## 详细行程
### 第1天：...
- 上午：...
- 下午：...
- 晚上：...
- 预算：...元

### 第2天：...
...

## 预算总结
...

## 旅行建议
..."""
        )

        print(f"  └─ ✓ 多Agent系统初始化成功\n")

这段代码做了什么？

连接AMD 395 AI PC：创建一个LLM连接，所有Agent共享这个模型
创建共享MCP工具：self.amap_tool作为实例变量，在整个类生命周期内保持活跃，不会断开
创建3个专门的Agent：
- 景点搜索Agent：只调用amap_maps_text_search
- 天气查询Agent：只调用amap_maps_weather
- 行程规划Agent：不调用工具，只整合信息

第三部分：多Agent协作工作流程

现在给MultiAgentTravelPlanner类添加一个plan_travel方法，让3个Agent协作完成任务：

python

    def plan_travel(self, destination: str, days: int, budget: float, preferences: str = ""):
        """
        使用多Agent协作规划旅行

        流程：
        1. 景点搜索Agent → 搜索景点
        2. 天气查询Agent → 查询天气
        3. 行程规划Agent → 整合信息生成计划
        """
        print("=" * 80)
        print("【开始多Agent协作规划旅行】")
        print("=" * 80)
        print(f"目的地：{destination}")
        print(f"天数：{days}天")
        print(f"预算：{budget}元")
        print(f"偏好：{preferences if preferences else '不限'}")
        print("=" * 80)
        print()

        # 步骤1: 景点搜索Agent搜索景点
        print("📍 步骤1: 景点搜索Agent工作中...")
        keywords = preferences if preferences else "景点"
        attraction_query = f"请使用amap_maps_text_search工具搜索{destination}的{keywords}相关景点，返回前10个结果"
        print(f"   查询: {attraction_query}")
        attraction_response = self.attraction_agent.run(attraction_query)
        print(f"   ✓ 景点搜索完成\n")

        # 步骤2: 天气查询Agent查询天气
        print("🌤️  步骤2: 天气查询Agent工作中...")
        weather_query = f"请使用amap_maps_weather工具查询{destination}的天气信息"
        print(f"   查询: {weather_query}")
        weather_response = self.weather_agent.run(weather_query)
        print(f"   ✓ 天气查询完成\n")

        # 步骤3: 行程规划Agent整合信息生成计划
        print("📋 步骤3: 行程规划Agent整合信息中...")
        print("   (这一步可能需要30-60秒，请耐心等待...)")

        planner_query = f"""请为我生成一个{destination}{days}日游的详细旅行规划：

【基本信息】
- 目的地：{destination}
- 旅行天数：{days}天
- 总预算：{budget}元
- 偏好：{preferences if preferences else "不限"}

【天气情况】
{weather_response[:500]}...

【可选景点】
{attraction_response[:800]}...

【要求】
1. 生成{days}天的详细行程安排
2. 每天安排2-3个主要景点
3. 包含住宿、餐饮、交通建议
4. 预算分配合理
5. 以Markdown格式输出

请开始生成规划："""

        print(f"   正在生成规划（约需30秒）...")
        result = self.planner_agent.run(planner_query)
        print(f"   ✓ 行程规划完成\n")

        return result

这段代码干了什么？我们给Agent写了一个很详细的需求说明，告诉它要规划哪个城市、多少天、预算多少、偏好什么。更重要的是，我们告诉它该怎么做：先查天气，再搜景点，然后整合信息。

Agent拿到这个任务后，会自己思考："好的，我要先调用amap_maps_weather工具查天气。"它会自动生成参数city=杭州，调用工具，拿到天气数据。然后继续思考："现在我知道天气了，接下来要搜景点。用户喜欢自然风光和历史文化，我可以搜索'西湖'、'灵隐寺'这些关键词。"于是又调用amap_maps_text_search工具。

最后，Agent把天气信息、景点列表、开放时间、门票价格等等信息整合起来，生成一份漂亮的旅行规划。

第四部分：保存规划结果

最后，我们把规划结果保存成一个Markdown文件：

python

def save_to_markdown(content: str, destination: str, days: int):
    """保存行程到Markdown文件"""
    filename = f"{destination}_{days}日游_MCP.md"

    with open(filename, "w", encoding="utf-8") as f:
        f.write(f"*本行程由AMD 395 AI PC×HelloAgents×MCP自动生成*\n\n")
        f.write("---\n\n")
        f.write(content)

    print(f"\n✓ 行程已保存到文件：{filename}")
    return filename


def main():
    """主函数"""
    print("=" * 80)
    print("AMD 395 AI PC × HelloAgents × MCP实战：智能旅行规划助手")
    print("=" * 80)

    # 配置高德地图API Key
    amap_api_key = "your_api_key_here"  # 替换成你自己的API Key

    if not amap_api_key or amap_api_key == "your_api_key_here":
        print("\n✗ 错误：未配置高德地图API Key")
        print("\n请修改脚本，填写你的API Key")
        print("申请地址：https://lbs.amap.com/")
        return

    print(f"\n✓ 已配置高德地图API Key: {amap_api_key[:8]}...{amap_api_key[-4:]}")

    try:
        # 创建多Agent旅行规划系统
        planner = MultiAgentTravelPlanner(amap_api_key)

        # 规划旅行
        result = planner.plan_travel(
            destination="杭州",
            days=3,
            budget=3000,
            preferences="自然风光和历史文化"
        )

        # 输出结果
        print("\n" + "=" * 80)
        print("【规划完成】")
        print("=" * 80)
        print(result)

        # 保存到文件
        save_to_markdown(result, "杭州", 3)

        print("\n" + "=" * 80)
        print("✓ 旅行规划完成！")
        print("=" * 80)

    except Exception as e:
        print(f"\n✗ 发生错误：{e}")
        import traceback
        traceback.print_exc()


if __name__ == "__main__":
    main()

完整的代码文件就完成了！整个脚本大约300行，但逻辑很清晰：配置→连接模型→创建MCP工具→创建Agent→运行任务→保存结果。

运行程序

保存文件后，在命令行中运行：

bash

python travel_planner_mcp.py

你会看到一连串的输出。首先是连接模型：

================================================================================
AMD 395 AI PC × HelloAgents × MCP实战：智能旅行规划助手
================================================================================

✓ 已配置高德地图API Key: 25dfaf05...8029

🔄 初始化多Agent旅行规划系统...
  ├─ 连接AMD 395 AI PC...
  ├─ ✓ 模型连接成功
  ├─ 创建共享的高德地图MCP工具...
  ├─ ✓ MCP工具创建成功
  ├─ 创建景点搜索Agent...
  ├─ 创建天气查询Agent...
  ├─ 创建行程规划Agent...
  └─ ✓ 多Agent系统初始化成功

================================================================================
【开始多Agent协作规划旅行】
================================================================================
目的地：杭州
天数：3天
预算：3000元
偏好：自然风光和历史文化
================================================================================

📍 步骤1: 景点搜索Agent工作中...
   查询: 请使用amap_maps_text_search工具搜索杭州的自然风光和历史文化相关景点
   ✓ 景点搜索完成

🌤️  步骤2: 天气查询Agent工作中...
   查询: 请使用amap_maps_weather工具查询杭州的天气信息
   ✓ 天气查询完成

📋 步骤3: 行程规划Agent整合信息中...
   (这一步可能需要30-60秒，请耐心等待...)
   正在生成规划（约需30秒）...
   ✓ 行程规划完成

================================================================================
【规划完成】
================================================================================
# 杭州3日游旅行规划
...（完整的行程内容）

✓ 行程已保存到文件：杭州_3日游_MCP.md

================================================================================
✓ 旅行规划完成！
================================================================================

整个过程大约需要30-60秒，取决于Agent思考和调用工具的次数。最终你会得到一份详细的旅行规划，保存在杭州_3日游_MCP.md文件里。

打开这个文件，你会发现里面的景点都是真实存在的，地址、开放时间都是从高德地图API查询到的实时数据。

写在最后

你刚刚做了什么

如果你跟着这个教程一步步走到这里，恭喜你！你刚刚在自己的电脑上搭建了一个智能旅行规划助手。更重要的是，你学会了三件事：

第一件事是在本地运行AI。你不再依赖ChatGPT或Claude这些云端服务，你有了一个完全属于自己的AI大脑。它能24小时待命，不会因为网络问题掉线，也不会因为OpenAI限流而卡顿。你的旅行偏好、预算信息、行程计划，全都在你的电脑里，不会上传到任何地方。

第二件事是让AI使用工具。以前的AI只会聊天，你问它"杭州今天天气怎么样"，它只能根据训练数据猜测。但现在，你的AI能自己调用高德地图API，查到实时的天气数据。这个能力是通过MCP协议实现的——一个让AI能连接各种外部服务的标准。

第三件事是用框架快速搭建应用。你用HelloAgents框架，不到300行代码就完成了一个完整的旅行助手。如果从零开始写，可能需要几千行代码。框架的价值就在这里——它把复杂的事情变简单，让你能把精力放在真正重要的地方。

如果你想走得更远

这个旅行助手只是一个起点。如果你想让它更强大，可以试试这些：

让它能查更多信息。高德地图MCP服务器提供了16个工具，我们只用了天气查询和景点搜索。你可以让它规划路线（骑行、步行、驾车都行），查询两地距离，甚至根据坐标反查地址。只要在提示词里告诉Agent有这些工具，它就会在需要的时候自己调用。

让它处理更复杂的任务。试试让它规划一个"北京→上海→杭州"的多城市联程，或者根据你的旅行照片生成游记。这需要调整提示词，告诉Agent该怎么思考、分几步完成任务。

给它配个更强的大脑。AMD 395 AI PC支持运行更大的模型，如果显存还有富余，可以试试Qwen3-70B。参数越多的模型，理解能力越强，生成的行程也会更详细、更合理。

让更多人用起来。现在这个程序只能在命令行里运行，但你可以用FastAPI做一个网页版，或者用Streamlit做一个图形界面。这样你的家人朋友也能用上你的旅行助手。

如果遇到了问题

MCP工具连接失败？ 确保你已经安装了uv工具（pip install uv）。如果还不行，试试手动运行uvx amap-mcp-server，看看报什么错。大多数情况下是网络问题，uv需要联网下载MCP服务器。

AI生成的行程不靠谱？ 这通常是提示词的问题。你可以在system_prompt里写得更详细一些，比如明确说"必须使用工具查询真实数据，不要编造信息"，或者给它一个示例行程作为参考。

想在其他电脑上用？ 把AMD 395 AI PC的IP地址告诉其他电脑就行。比如IP是192.168.1.100，那么在其他电脑的代码里，把base_url改成http://192.168.1.100:1234/v1。只要在同一个局域网，就能访问。

为什么选择本地AI

最后，我想说说为什么要费这么大劲在本地跑AI。

云端API当然很方便，注册个账号，拿到Key，几行代码就能用。但它有三个问题：第一是隐私，你的每一条消息都会上传到服务商的服务器，你永远不知道它们会被怎么处理；第二是成本，看起来每次调用只要几分钱，但对于频繁使用的应用，这笔费用会越来越高；第三是限制，云端服务可能限流、可能涨价、可能突然停服，你完全没有主动权。

本地AI就不一样了。AMD 395 AI PC是一次性投入，之后无论你调用多少次、处理多敏感的数据，都不会产生额外费用，也不用担心隐私泄露。更重要的是，基于AMD ROCm平台，你可以完全自主地调整模型参数、修改提示词、更换不同的模型。这台机器是你的，AI也是你的，一切都在你的掌控之中。

这就是本地AI的价值。它不仅仅是一个技术选择，更是一种对隐私、成本和自主权的重新思考。

希望这个教程对你有帮助。如果有什么问题或想法，欢迎随时交流。祝你的AI之旅愉快！ 🎉

参考资料

如果你想深入了解相关技术，这些资料会有帮助：

AMD AI Academy：https://www.amd.com/en/developer/resources/training/amd-ai-academy.html
HelloAgents框架：https://github.com/jjyaoao/HelloAgents 一个专为Agent初学者设计的AI Agent框架，有详细的中文文档和丰富的案例。
MCP协议文档：https://modelcontextprotocol.io/ 由Anthropic推出的AI工具通信标准，正在成为行业共识。
Qwen模型系列：https://github.com/QwenLM/Qwen 阿里云开源的大语言模型系列，中文能力出色，支持Function Calling。
高德开放平台：https://lbs.amap.com/ 提供地图、天气、路径规划等API服务，有免费额度可用。

感谢你阅读这篇教程。如果觉得有用，欢迎分享给更多对本地AI感兴趣的朋友。

在AMD 395 AI PC上搭建你的第一个AI旅行助手 ​

写在前面 ​

第一步：在AMD 395 AI PC上运行大模型 ​

AMD 395 AI PC的强大算力 ​

选择适合你的部署方案 ​

方案一：使用Ollama（推荐命令行用户） ​

第一步：安装Ollama ​

第二步：下载并运行模型 ​

第三步：让模型作为服务运行 ​

方案二：使用LM Studio（推荐图形界面用户） ​

第一步：下载并安装LM Studio ​

第二步：搜索并下载模型 ​

第三步：加载模型到GPU ​

第四步：测试一下 ​

第五步：启动本地API服务 ​

方案三：使用玲珑"智玲同学"（仅限玲珑工作站用户） ​

确认模型已就绪 ​

第二步：理解MCP协议 ​

为什么需要MCP ​

MCP的工作流程 ​

第三步：安装工具和准备API Key ​

安装HelloAgents框架 ​

安装uv工具 ​

申请高德地图API Key ​

第一次连接测试 ​

第四步：写代码，让AI帮你规划旅行 ​

创建项目文件 ​

第一部分：导入库和配置 ​

第二部分：创建多Agent系统类 ​

为什么需要多Agent架构？ ​

第三部分：多Agent协作工作流程 ​

第四部分：保存规划结果 ​

运行程序 ​

写在最后 ​

你刚刚做了什么 ​

如果你想走得更远 ​

如果遇到了问题 ​

为什么选择本地AI ​

参考资料 ​

在AMD 395 AI PC上搭建你的第一个AI旅行助手

写在前面

第一步：在AMD 395 AI PC上运行大模型

AMD 395 AI PC的强大算力

选择适合你的部署方案

方案一：使用Ollama（推荐命令行用户）

第一步：安装Ollama

第二步：下载并运行模型

第三步：让模型作为服务运行

方案二：使用LM Studio（推荐图形界面用户）

第一步：下载并安装LM Studio

第二步：搜索并下载模型

第三步：加载模型到GPU

第四步：测试一下

第五步：启动本地API服务

方案三：使用玲珑"智玲同学"（仅限玲珑工作站用户）

确认模型已就绪

第二步：理解MCP协议

为什么需要MCP

MCP的工作流程

第三步：安装工具和准备API Key

安装HelloAgents框架

安装uv工具

申请高德地图API Key

第一次连接测试

第四步：写代码，让AI帮你规划旅行

创建项目文件

第一部分：导入库和配置

第二部分：创建多Agent系统类

为什么需要多Agent架构？

第三部分：多Agent协作工作流程

第四部分：保存规划结果

运行程序

写在最后

你刚刚做了什么

如果你想走得更远

如果遇到了问题

为什么选择本地AI

参考资料