通义灵码 2.5 智能体模式联合 MCP：打造自动化菜品推荐平台，实现从需求到部署的全流程创新

一、项目背景与目标

随着人工智能技术的快速发展，AI 辅助开发工具正在改变传统的软件开发模式。通义灵码 2.5 版本的发布，通过 Qwen3 模型 和 编程智能体模式 的结合，实现了从需求描述到代码生成的全流程自动化。同时，其对 魔搭 MCP 广场 的深度集成，为开发者提供了丰富的工具生态支持。

本方案旨在利用通义灵码 2.5 的智能体模式和 “今天吃什么” 和“EdgeOne”MCP 服务，构建一个 在线菜品推荐网站，帮助用户快速决策“今天吃什么”。该网站将支持个性化推荐、用户偏好管理、营养分析等功能，并通过 MCP 服务实现灵活的功能扩展。

二、功能需求分析

1、核心功能

• 个性化推荐：根据用户人数、过敏、忌口等条件推荐菜品。

• 实时推荐生成：用户输入需求后，系统立即生成推荐列表。

• 用户偏好管理：用户可设置饮食偏好（如素食、甜品）并保存。

• 推荐历史记录：展示用户过去的推荐记录，支持再次选择或重置。

2、 扩展功能

• 营养分析：对推荐的菜品进行卡路里等营养成分分析。

三、技术架构设计

1、 开发工具与平台

• IDE：Visual Studio Code（集成通义灵码 2.5 插件）。

• 前端框架：Vue.js（通义灵码可自动生成组件代码）。

• 后端服务：Node.js （通义灵码智能体模式可自动生成 API 接口）。

2、 MCP 服务集成

• “今天吃什么” MCP 服务：提供菜品推荐、营养分析等功能。

• EdgeOne MCP 服务：快速部署网站，支持在线访问。

3、 通义灵码 2.5 核心能力

• 智能体模式：自主决策、工程感知、工具调用。

• Qwen3 模型：支持长上下文理解，生成高质量代码和推荐逻辑。

• MCP 工具链：一键集成 3000+ 工具，简化开发流程。

四、开发流程与实现步骤

1、 MCP 服务集成

• 配置 MCP 服务：在 MCP 广场选择要安装的 MCP 服务，点击安装即可。

  
  
  
  

• 安装报错，提交给通义灵码来修复。

  
  
  

• 修复完成之后，重新添加。

  
  
  

• 完成 MCP 服务的添加。

  
  
  

2、 需求描述与智能体任务规划

• 输入需求：

• 在 VS Code 中通过通义灵码插件输入需求：

构建一个在线菜品推荐网站，支持用户输入偏好并生成推荐结果。需要集成‘今天吃什么’MCP服务，并支持用户保存历史记录，同时在代码构建完成之后，集成‘edgeone’MCP服务进行部署。”

• 智能体任务拆解：

• 通义灵码智能体自动规划以下步骤：

 我们需要创建基本的前端和后端架构，包括：
 前端：用于用户交互（输入偏好、查看推荐、保存历史记录等）。 后端：处理与 MCP 服务的通信，并管理用户的推荐历史。 部署：使用 edgeone MCP 服务部署网站。

推荐目录结构

eat/│├── public/                  # 静态文件（HTML, CSS, JS）│   ├── index.html             # 主页│   └── style.css              # 样式表│├── server.js                # Node.js 后端逻辑├── package.json             # 项目依赖配置└── README.md                # 项目说明文档

3、 智能体自动生成代码

• 选择智能体和 Qwen3，在对话中输入：直接创建这些文件。

  
  
  

• 开始自动进行创建。

  
  
  

• 在启动项目的时候，3000 端口被占用，智能体自行修复为 3001。

  
  
  

• 重启后在 3001 端口上运行。

  
  
  

• 打开网站页面没有正确显示。

  
  
  

• 将错误信息提交给智能体来进行修复。

  
  
  

• 修复完成之后，重新发布，可以看到网站就构建成功了。

  
  
  

4、 优化网站

• 在智能体的对话框输入如下指令：

1、修复下每次推荐内容都是固定的；2、增加重置功能；3、增加菜谱分类；4、增加过敏原和忌口食材列表。

• 智能体自己经过一系列的反复调整，终于实现了想呈现的页面。

• 
• 

5、 扩展功能开发

• 在智能体的对话框输入如下指令：

1、增加推荐菜谱的营养分析；

2、优化下背景，展现更美观；

五、测试与部署

1、功能测试

智能体按照以下计划生成测试用例并进行自动化测试：

1） 后端 API 接口测试

• /recommend：推荐菜品接口（支持人数、分类、过敏原、忌口参数）

• /nutrition/:recipeName：营养分析接口

• /categories：获取菜谱分类接口

• /reset：清空历史记录接口

• /history：获取历史记录接口

2） 测试框架与工具

• 使用 Jest 作为测试框架。

• 使用 supertest 模拟 HTTP 请求。

3）测试目录结构

test/├── server.test.js      # 所有 API 接口的测试用例└── utils.js            # 测试辅助函数

4）测试覆盖率

• 每个接口至少覆盖以下情况：

• 正常请求返回正确状态码和响应数据。

• 参数缺失或错误时返回合适的错误信息。

• 边界条件测试（如人数为 0 或超过上限）。

5）实施步骤

• 创建 test/ 目录。

• 编写 server.test.js 测试用例。

• 添加 [utils.js](file://c:\Users\Administrator\Desktop\eat\node_modules\qs\lib\utils.js) 提供测试辅助函数（如创建测试服务器实例）。

• 更新 [package.json](file://c:\Users\Administrator\Desktop\eat\package.json) 添加测试脚本。

2、部署上线

在智能体中输入指令：调用 edgeone MCP 服务，将所有代码部署到 EdgeOne 上。

六、未来扩展方向

1、 餐厅推荐支持： 集成地图 MCP 服务，可以针对菜谱进行附近餐厅推荐。

2、 AI 语音交互： 调用语音识别和合成 MCP 服务，实现语音输入和反馈。

3、 社区功能： 用户可分享推荐结果，形成美食社区并支持点赞评论。

七、总结

通过通义灵码 2.5 的智能体模式和 MCP 广场的集成，开发者可以高效构建在线菜品推荐网站。智能体模式大幅提升了开发效率，MCP 服务则为功能扩展提供了无限可能。