Indian-Parcel-MCP：面向印度快递的MCP智能追踪服务器

Indian-Parcel-MCP是一个专为印度快递场景设计的MCP服务器，支持Blue Dart、DTDC、Delhivery和India Post等主流承运商，提供截止日期感知、异常检测和升级指导的智能追踪能力。

• 原作者/维护者：alok-19
• 来源平台：GitHub
• 原始标题：indian-parcel-mcp
• 原始链接：https://github.com/alok-19/indian-parcel
• 发布时间：2026年5月24日更新
• 版本：0.1.0
• 许可证：MIT

---

项目的诞生源于一个真实的痛点场景：开发者需要从穆扎法尔普尔（Muzaffarpur）向班加罗尔（Bangalore）寄送签证材料，而大使馆的截止日期正在逼近。

传统的快递追踪工具只能回答一个简单的问题："承运商最后说了什么？"它们展示的是原始的扫描事件JSON数据，却无法回答真正关键的问题：

• 这个包裹能否在截止日期前送达？
• 目前的物流状态是否存在风险？
• 如果可能延误，应该采取什么行动？

现有的通用追踪工具要么不支持印度本地承运商，要么只是机械地展示物流节点，缺乏智能判断能力。开发者需要一个能够"理解"快递状态、能够进行截止日期推理、能够提供行动建议的AI原生工具。

Indian-Parcel-MCP正是为解决这一需求而生。它将印度快递追踪转化为结构化判断，通过MCP协议暴露给LLM客户端，让AI能够像人类一样理解物流状态并给出建议。

---

不同于传统追踪工具返回原始扫描记录，Indian-Parcel-MCP会对包裹状态进行综合判断，返回结构化的状态裁决：

状态	含义	建议行动
on_track	正常运输中，预计按时送达	继续监控
at_risk	存在延误风险，但仍有可能按时送达	密切关注，准备应急预案
delayed	已确认延误	立即联系承运商，考虑替代方案
stuck	长时间无更新，可能卡在某一节点	主动查询，必要时升级处理
exception	发生异常（如地址错误、拒收等）	立即处理异常，联系收件人/承运商
unknown	无法获取或解析追踪信息	稍后重试或手动查询

这种抽象让LLM客户端能够用自然语言向用户解释包裹状态，而不是展示晦涩的技术数据。

系统支持needed_by参数，允许用户指定送达截止时间。基于这一信息，服务器会：

1. 预测送达时间窗口（p50和p90置信区间）
2. 计算距离截止日期的缓冲时间（buffer_hours）
3. 评估按时送达的置信度
4. 提供基于风险的决策建议

示例输出：

{
  "status": "at_risk",
  "predicted_delivery": {
    "p50": "2026-05-25T20:10:00+05:30",
    "p90": "2026-05-26T08:10:00+05:30",
    "confidence": 0.82
  },
  "needed_by": "2026-05-26T12:00:00+05:30",
  "buffer_hours": 3.8,
  "reasoning": "当前位于德里转运中心，距离截止时间还有约4小时缓冲..."
}

系统内置多种异常检测规则：

• 扫描停滞（stale_scan）：最新扫描时间超过阈值
• 扫描密度异常（low_scan_density）：运输过程中扫描节点过少
• RTO风险（return_to_origin）：检测到退回迹象
• 异常标记（exception_flags）：承运商系统标记的异常事件
• 配送卡住（stuck_out_for_delivery）：长时间处于"派送中"状态

每种异常都包含严重程度（warning/critical）和描述信息，帮助LLM生成清晰的解释。

当检测到风险或异常时，系统会返回结构化的升级指导：

{
  "escalation_playbook": [
    {
      "step": 1,
      "action": "使用AWB和最新扫描详情联系承运商客服",
      "channel": "phone",
      "expected_outcome": "确认包裹是否在运输中，请求送达承诺"
    },
    {
      "step": 2,
      "action": "如果客服无法提供明确答复，要求升级至主管",
      "channel": "phone"
    }
  ]
}

这些指导经过隐私安全审查，不包含敏感信息，可直接由AI客户端展示给用户。

---

Model Context Protocol（MCP）是Anthropic推出的开放协议，用于标准化LLM与外部工具的交互方式。MCP服务器暴露一组工具（tools），LLM客户端可以通过标准接口调用这些工具，获取结构化数据并用于生成回答。

Indian-Parcel-MCP完全遵循MCP协议设计，可与任何支持MCP的客户端配合使用。