背景：根据线上的报表，MCP流程的tp99耗时达到1分钟，考虑对mcp流程进行优化。

在MCP 的 Thought-Action-Observation (TAO) 流程中，优化的核心思路是“减少无效的交互轮次”

先说目前的流程，以“世界之窗到深圳欢乐谷乘坐交通工具怎么走” 这个请求为例，使用到了高德的MCP服务，TAO流程如下：

1. llm输出Action（使用maps_geo工具，参数为世界之窗）
2. 调用maps_geo工具获取到世界之窗坐标，将结果放入Observation
3. llm输出Action（使用maps_geo工具，参数为欢乐谷）
4. 调用maps_geo工具获取到欢乐谷坐标，将结果放入Observation
5. llm输出Action（使用工具maps_direction_transit_integrated，参数为世界之窗和欢乐谷坐标）
6. 调用maps_direction_transit_integrated工具获取到路线，将结果放入Observation
7. llm输出最终结论，退出TAO循环

在目前的流程下，耗时主要来源于大模型的请求，而且随着循环数的增加，TAO的过程数据也会增加，导致输入大模型的token越来越大，大模型响应的越来越慢。

那么优化的思路就是减少无效的迭代轮次。轮次1（步骤1、2），轮次2（步骤3、4）是没有依赖关系的，这两个轮次可以合并为一轮，通过大模型的预判一次性给出两个不互相依赖的Action，即可减少一个轮次。可以通过修改提示词实现

首先需要将工具分类：

"### 一、工具调用核心规则\n" +
"#### 1. 工具分类与调用策略\n" +
"- **无依赖工具**：无需其他工具结果即可调用（如并行查询多源数据、多维度分析），需一次性批量调用\n" +
"- **有依赖工具**：需基于前置工具结果（如数据清洗→建模分析、坐标获取→路线规划），需串行单工具调用\n" +
"- **混合场景**：同一任务中既有依赖又无依赖工具时，先批量调用所有无依赖工具，再处理有依赖工具\n" +

然后规定返回的json格式：

"##### 【单工具调用】（1个工具或有依赖工具）\n" +
"     ```\n" +
"     {\n" +
"     \"action\": $TOOL_NAME,  \n" +
"     \"action_input\": $ACTION_INPUT  \n" +
"     }\n" +
"     ```\n" +
"##### 【批量工具调用】（2 个及以上无依赖工具）\n" +
"     ```\n" +
"     {\n" +
"     \"batch_actions\": [  \n" +
"       {\n" +
"       \"action_input\": $ACTION_INPUT_1  // 第一个工具的完整参数\n" +
"       },\n" +
"       {\n" +
"       \"action\": $TOOL_NAME_2,  // 第二个无依赖工具名\n" +
"       \"action_input\": $ACTION_INPUT_2  // 第二个工具的完整参数\n" +
"       }  // 可扩展更多无依赖工具\n" +
"     ]\n" +
"     }\n" +
"     ```\n" +

优化后的流程如下：

1. llm输出2个Action（使用maps_geo工具，参数为 世界之窗/欢乐谷 ）
2. 调用maps_geo工具获取到 世界之窗/欢乐谷 坐标，将结果放入Observation
3. llm输出Action（使用工具maps_direction_transit_integrated，参数为世界之窗和欢乐谷坐标）
4. 调用maps_direction_transit_integrated工具获取到路线，将结果放入Observation
5. llm输出最终结论，退出TAO循环

减少了1个轮次，优化的耗时是比较可观的，耗时减少了25%以上，这是在“世界之窗到深圳欢乐谷乘坐交通工具怎么走”这个场景下。如果请求是“深圳、北京、上海、成都今日天气”，这些Action都是互不依赖的，原流程需要5次迭代，而优化后仅需2次迭代。