类时空行为模拟对于城市规划研究至关重要，但传统的基于规则和统计方法存在计算成本高、泛化性有限和可扩展性差等问题。虽然大型语言模型 （LLM） 有望成为“世界模拟器”，但它们在时空推理方面面临挑战，包括空间认知有限、缺乏对物理约束的理解和群体同质化倾向。本文介绍了一个将思维链 （CoT） 推理与模型上下文协议 （MCP） 集成的框架，以增强 LLM 模拟与验证数据模式相对应的时空行为的能力。该方法通过五阶段认知框架将类似人类的渐进推理与通过六个专门的 MCP 工具类别的综合数据处理相结合：时间管理、空间导航、环境感知、个人记忆、社会协作和体验评估。在上海陆家嘴区进行的实验验证了该框架在 1000 个生成的样本中的有效性。结果表明，与真实移动信令数据高度相似，在不同的基础模型中实现了 7.86 到 8.36 的生成质量分数。平行处理实验显示效率提高，当从 2 个过程扩展到 12 个过程时，每个样品的生成时间从 1.30 分钟减少到 0.17 分钟。这项工作有助于将 CoT 推理与 MCP 集成以进行城市行为建模，推进 LLM 在城市计算中的应用，并为合成交通数据生成提供实用方法。该框架为智慧城市规划、交通预测和参与式城市设计应用奠定了基础。