最近在GitHub上发现了一个超级实用的项目——12306-mcp，这是一个基于 Model Context Protocol（MCP）的12306购票搜索服务器。

12306-mcp这个项目让大模型能够利用该接口来搜索12306的购票信息，那么购票的体验是不是蹭一下就上去了！

一、12306-mcp功能特点

查询12306购票信息：项目的核心功能是实现对12306票务信息的查询，通过与12306官方系统进行数据交互，能够获取实时的车票信息，包括：车次、发车时间、到达时间、座位类型和票价等详细信息。

过滤列车信息：我们用户可以根据自己的出行计划和偏好，如出发地、目的地、日期、车次类型等条件对查询结果进行过滤。

过站查询：过站查询功能，可以帮助我们用户查询经过特定站点的列车信息，这个功能对于需要在中途换乘或者对某个站点有特殊关注的朋友来说非常实用。

中转查询：中转查询功能则针对我们有换乘需求的朋友，它能够根据用户的出发地和目的地，结合各次列车的时刻表，智能推荐中转方案，帮助旅客规划合理的换乘行程。

二、项目技术架构与原理解析

技术架构

前后端分离架构：12306-mcp项目采用前后端分离的架构设计，前端主要负责与用户进行交互，提供直观的操作界面和展示查询结果；

后端则负责处理业务逻辑、数据处理以及与12306官方系统的数据对接。让我们开发人员对于项目的模块化开发和维护变得非常简单容易，同时也提高了系统的可扩展性。

12306-MCP服务原理

服务启动时通过 getStations() 函数从12306API获取全国车站信息，构建四个核心索引：

具体流程：

1. 访问 12306 首页 (https://www.12306.cn/index/)；
2. 从 HTML 中提取车站名称 JS 文件路径；
3. 下载并解析 JS 文件，获取原始车站数据；
4. 补充缺失的车站信息 (MISSING_STATIONS)；
5. 基于车站数据得到四个核心数据结构映射表；

// 1. 车站id -> 车站信息
STATIONS: Record<string, StationData>        
// "AAA": {
// "station_id": "@aaa",
// "station_name": "北京北",
// "station_code": "AAA",
// "station_pinyin": "beijingbei",
// "station_short": "aaa",
// "station_index": "0",
// "code": "1234",
// "city": "北京",
// "r1": "",
// "r2": ""
// }
//  2. 城市名 ->  车站id 和 站名 (可能一个城市多个站)
CITY_STATIONS: Record<string, { station_code: string; station_name: string }> 
// "北京": [{"station_code": "AAA","station_name": "北京北"},{"station_code": "BBB","station_name": "京东"},...]
// 3. 车站名(与城市名相同,只会有一个) -> 车站id 和 站名 
CITY_CODES: Record<string, { station_code: string; station_name: string }>      
// "北京":{"station_code":"CCC","station_name":"北京"}
// 4. 车站名 ->  车站id 和 站名
NAME_STATIONS: Record<string, { station_code: string; station_name: string }>   
// "北京北":{"station_code":"AAA","station_name":"北京北"}

数据流程与工具关系

车票查询流程：

用户查询 "后天北京到上海的高铁" - 大模型调用流程：
    ↓
1. get-current-date() → "2024-01-15" (获取当前日期)
2. 大模型理解后天日期 → "2024-01-17"
3. get-station-code-of-citys("北京|上海") → {"北京": {"station_code": "BJP","station_name": "北京"}, "上海": {"station_code": "SHH","station_name": "上海"}}
    ↓
4. get-tickets(date: "2024-01-17", fromStation: "BJP", toStation: "SHH", trainFilterFlags: "G")
    ↓
5. 内部数据处理(参数验证, Cookie获取, API调用, 格式化输出文本)
    ↓
6. 返回格式化的高铁车次信息（车次、时间、价格、余票等）

中转查询流程：

用户查询 "深圳到拉萨，经过西安中转"
    ↓
1. 获取三个城市的车站id
2. get-interline-tickets(from: "SZQ", to: "LSO", transfer: "XAY")
    ↓
3. 内部数据处理(参数验证, Cookie获取, API调用, 格式化输出文本)
    ↓
4. 返回中转方案（第一程 + 第二程）

经停站查询流程：

用户查询 "G1次列车经停哪些站"
    ↓
1. get-train-route-stations(trainNo: "G1", from: "BJP", to: "SHH")
    ↓
2. 数据处理：parseRouteStationsData() → parseRouteStationsInfo()
    ↓
3. 返回经停站列表（站名、到达时间、出发时间、停留时间）

基础tool

get-current-date: 获取上海时区当前日期

• 返回当前上海时区的时间日期字符串(“yyyy-MM-dd”)
• 为其他工具提供准确的查询日期基准

get-stations-code-in-city: 查询城市内所有车站（使用 CITY_STATIONS）

• 输入：中文城市名
• 查找：CITY_STATIONS[city] 获取该城市所有车站列表
• 返回：包含 station_code 和 station_name 的数组

get-station-code-of-citys: 获取城市代表车站id（使用 CITY_CODES）

• 输入：城市名（支持 “|” 分隔的多个城市）
• 查找：CITY_CODES[city] 获取与城市同名的主要车站
• 返回：每个城市对应的代表车站信息

get-station-code-by-names: 车站名转车站id（使用 NAME_STATIONS）

• 输入：具体车站名（支持 “|” 分隔的多个车站）
• 查找：NAME_STATIONS[stationName] 精确匹配车站名
• 返回：车站id和车站名

get-station-by-telecode: 车站id查车站信息（使用 STATIONS）

• 输入：车站id
• 查找：STATIONS[telecode] 获取完整车站信息
• 返回：包含拼音、城市等详细信息

核心tool (输入可通过基础tool获取)

get-tickets: 查询12306余票信息

• 输入：出发日期、出发站id、到达站id、车次类型筛选
• 参数处理：检查日期不早于当前日期，验证车站id存在性, 构造请求入参
• Cookie 处理：先获取 12306 Cookie 用于身份验证
• API 调用：访问 /otn/leftTicket/query 接口
• 数据处理, 车次类型筛选
• 返回格式化数据

get-interline-tickets: 中转换乘查询，支持指定中转站

• 输入：出发站id、到达站id、中转站id、是否显示无座、车次类型筛选
• 参数处理：检查日期不早于当前日期，验证车站id存在性, 构造请求入参
• Cookie 处理：先获取 12306 Cookie 用于身份验证
• API 调用：访问 /lcquery/queryU 接口
• 数据处理, 车次类型筛选
• 返回格式化数据

get-train-route-stations: 列车经停站查询

• 输入：车次编码(可以调用get-tickets获取)、出发站id、到达站id、出发日期
• 参数处理：检查日期不早于当前日期，验证车站id存在性, 构造请求入参
• Cookie 处理：先获取 12306 Cookie 用于身份验证
• API 调用：访问 /otn/czxx/queryByTrainNo 接口
• 返回格式化数据

12306-mcp安装配置

CLI

npm run build
node ./build/index.js

MCP sever configuration

{
    "mcpServers": {
        "12306-mcp": {
            "command": "npx",
            "args": [
                "-y",
                "12306-mcp"
            ]
        }
    }
}

效果展示：

以上就是12306-MCP服务全部讲解部分，大家感兴趣可以自行尝试：

GitHub地址： https://github.com/Joooook/12306-mcp

AI域名优选： https://niuma.io

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】