每年这个时候，12306的抢票大战都会准时上演。查车次、盯放票、拼手速、等候补……不少同学一边忙着上课，一边还得为一张回家的车票“操碎了心”。今天我们要分享的就是一个能帮你高效查询铁路余票、实时掌握车次信息的智能体工具，轻松应对假期出行规划！
先来看看生成效果
问：如何利用Dify查询12306车票信息？
▌12306-mcp服务搭建
（1）下载12306-mcp代码
代码
# 下载源码 git clone https://github.com/Joooook/12306-mcp.git注意：若因网络原因无法下载，可解压使用压缩包
12306-mcp.zip
（2）安装
进入代码目录后打包镜像（docker build . -t 12306 - mcp）并启动容器（docker run --name 12306 - mcp -p 12306:8080 -d 12306 - mcp npx 12306 - mcp --port 8080）
代码
cd 12306-mcp/ # 打包镜像 docker build . -t 12306-mcp #启动容器 docker run --name 12306-mcp -p 12306:8080 -d 12306-mcp npx 12306-mcp --port 8080（3）查看是否成功
通过 docker ps -a 查看是否成功
代码
docker ps -a链接地址: http://your_ip:12306/sse
▌配置Dify
（1）安装Agent策略插件
（2）创建智能体
（3）删除默认的LLM节点，新建Agent节点
（4）Agent策略选择
（5）模型选择，服务地址配置（地址ip换成部署mcp服务的ip）
代码
{ "12306-mcp": { "transport": "sse", "url": "http://192.168.31.188:12306/sse" } }（6）提示词设置
规定 12306 车票查询任务的执行步骤，如接收用户请求、调用接口、处理无结果和有结果的情况、排版要求、排序要求等。
提示词：
```xml <instruction> 请按照以下步骤执行12306车票查询任务： 1. 接收用户输入的中文查询请求，包含出发城市、到达城市和日期（今天，明天，后天等需要计算具体日期） 2. 调用12306-mcp接口获取实时车票数据 3. 若查询无结果，返回友好提示："抱歉，未找到[日期]从[出发城市]到[到达城市]的车次" 4. 若有结果，按车次整理以下信息： - 车次编号 - 出发/到达时间（格式：HH:MM） - 历时（小时+分钟） - 座席类型（二等座/一等座等） - 对应价格（人民币符号¥） - 余票状态（充足/少量/无票） 5. 使用清晰的中文排版呈现，每列车次信息间用空行分隔 6. 按出发时间从早到晚排序车次 7. 绝对禁止包含任何XML标签或代码符号 8. 若遇系统错误返回："查询服务暂时不可用，请稍后再试" </instruction> <examples> <example> <input>查明天北京到上海的高铁票</input> <output> 找到3个车次信息： G101 北京南(07:00) → 上海虹桥(12:20) 历时5小时20分 二等座 ¥553（余票充足） 一等座 ¥933（余票充足） 商务座 ¥1748（余票3张） G15 北京南(12:05) → 上海虹桥(16:25) 历时4小时20分 二等座 ¥558（余票少量） 商务座 ¥1753（余票充足） D709 北京站(21:15) → 上海站(08:25) 历时11小时10分 软卧 ¥650（余票充足） 硬卧 ¥400（余票少量） </output> </example>通过我的问题：{{#sys.query#}}，获取我要查询的日期，查询实时车票信息
（7）设置回复信息
（8）预览测试
（9）配置调整、发布
来看一下效果吧，输入想要查询的出发地和目的地，会自动生成所有的车次及余票情况。
它不仅可以根据你的出发地、目的地和日期，快速查询可用车次与票价，还能显示每趟车次的余票情况，再也不用反复手动刷新12306了。
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。
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。
对接与AES加解密实现)