Dify与MCP Server的生态融合

MCP (Model Context Protocol) 是一个开放协议，用于标准化应用程序如何向 LLM 提供上下文。可以将 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为设备连接各种外设和配件提供标准化方式一样，MCP 为 AI 模型连接不同的数据源和工具提供了标准化的方式。

从本质上讲，MCP 遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器：

MCP 主机: 像 Claude Desktop、IDE 或 AI 工具等想要通过 MCP 访问数据的程序

MCP 客户端: 与服务器保持 1:1 连接的协议客户端

MCP 服务器: 通过标准化的模型上下文协议暴露特定功能的轻量级程序

本地数据源: MCP 服务器可以安全访问的计算机文件、数据库和服务

远程服务: MCP 服务器可以连接的通过互联网提供的外部系统（例如通过 API）

为了大家更好的理解这个概念，我会在本地搭建一个MCP服务器，然后通过Dify的SSE协议插件连接该服务。在Dify的Agent节点中配置支持MCP工具的策略，将MCP Proxy地址设置为本地服务的SSE端点（例如http://192.168.0.231:8066/sse）。最终由Dify调度DeepSeek大模型完成对MCP服务的调用与结果解析。

MCP服务器就用官网上天气预报的例子。可以获取天气预报和严重天气警报。

MCP服务端提供两个工具：get-alerts和get-forecast。

一、效果演示

为了大家更形象的理解，不从搭建讲起，从效果开始看。

咱们测试一下两个工具的能力。

1.1 天气警报测试

首先测试一下天气警报的工具。

问题：德克萨斯州有哪些活跃的天气警报？

可以看到dify调用了名为weather的MCP服务。

调用的具体工具是get_alerts，这个工具需要一个参数，为每一个州的代码。

最后MCP Server返回天气预报接口的数据。

也许有人会问，干嘛多此一举呢？

好处就是我们可以用自然语言调用这些工具，可以看到本来工具的参数是美国各州的代码简写，咱们肯定记不住这么繁琐的数据，大模型可以直接识别我们的用途，自动给出这个参数，去调用MCP中的工具，返回我们想要的结果。

最后由dify中配置的大模型DeepSeek来汇总数据：

1.2 天气预报测试

测试一下天气预报的工具。

问题：萨克拉门托的天气如何？

可以看到dify调用了名为weather的MCP服务。

调用的具体工具是get_forecast，这个工具需要两个参数，为经纬度。

工具返回接口的数据。

大模型汇总的结果：

二、Dify环境准备

2.1 部署dify

dify部署不是本文的重点，详情参考 部署文档

2.2 下载dify所需的插件

点击dify的工具，在工具中找到”通过SSE发现和调用MCP工具”,并且安装

三、 搭建服务端

看到效果后咱们看看怎么在本地搭建一个MCP Server。我用的是python代码来搭建的MCP Server。

** 1.1 安装uv**

UV命令通常指的是在Python项目管理中使用的uv工具的命令。uv是一个由Astral团队开发的现代化Python工具链，旨在提高Python项目的开发和管理效率。它提供了比传统工具如pip更快的包安装速度、快速创建虚拟环境、原生支持pyproject.toml等功能。

我这里是Linux环境，命令：

curl -LsSf https://astral.sh/uv/install.sh | sh

此脚本会自动下载并安装最新版 uv，完成后会将可执行文件添加到用户目录的 .cargo/bin 或 .local/bin 中。若提示找不到命令，需将安装路径加入 PATH 环境变量：

echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.bashrc  # 或 ~/.zshrc
source ~/.bashrc

安装完成后，执行以下命令检查版本：

uv --version  # 应输出类似 uv 0.1.0 的信息

1.2 创建项目

我这里用vscode远程连接服务器。打开一个空的文件夹test。

1.2.1 为项目创建一个新目录

使用uv init weather来初始化一个名为 weather 的项目。

执行完命令后会看到test文件夹内多了一个weather的目录，自动生成了一些文件。

** 1.2.2 创建虚拟环境并激活它**

使用 uv venv 创建虚拟环境并激活。在Linux环境中，使用 activate 激活虚拟环境，命令如下：

source .venv/bin/activate

** 1.2.3 安装依赖**

使用以下命令安装依赖：

uv add "mcp[cli]" httpx

** 1.2.4 建服务器文件 weather.py**

制作一个MCP服务器的关键是利用MCP库（如Python的FastMCP）定义并注册工具函数，使大模型可以通过标准协议调用外部服务。

本示例为使用Python实现的天气信息查询服务。代码主要包含两个核心功能：获取天气预警信息和获取天气预报。它通过调用美国国家气象局(NWS)的API来获取数据，使用FastMCP框架提供服务接口。包含了错误处理和数据格式化功能，同时使用了异步编程来提高性能。get_alerts 函数可以获取指定州的天气预警，而 get_forecast 函数则可以根据经纬度获取详细的天气预报信息。

详细步骤

1. 选择开发语言和库 使用Python作为开发语言，并安装FastMCP库。通过以下命令安装依赖，确保开发环境准备就绪：

pip install fastmcp

1. 初始化MCP服务器 在代码中导入FastMCP并创建一个服务器实例。
2. 定义工具函数 编写两个工具函数：get_alerts（获取天气警报）和 get_forecast（获取天气预报）。这些函数需要使用 @mcp.tool() 装饰器注册为MCP工具，并且是异步的。
3. 处理API请求 使用 httpx 库异步调用外部API（如美国国家气象服务API）。例如：
   • 在 get_alerts 中，请求指定州的警报数据并解析JSON响应。
   • 在 get_forecast 中，根据经纬度请求预报数据并提取关键信息。
4. 运行MCP服务器

mcp.run(transport='SSE')

** 完整代码**

from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP

# Initialize FastMCP server
mcp = FastMCP("weather")

# Constants
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"

async def make_nws_request(url: str) -> dict[str, Any] | None:
    """Make a request to the NWS API with proper error handling."""
    headers = {
        "User-Agent": USER_AGENT,
        "Accept": "application/geo+json"
    }
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(url, headers=headers, timeout=30.0)
            response.raise_for_status()
            return response.json()
        except Exception:
            return None

def format_alert(feature: dict) -> str:
    """Format an alert feature into a readable string."""
    props = feature["properties"]
    return f"""
Event: {props.get('event', 'Unknown')}
Area: {props.get('areaDesc', 'Unknown')}
Severity: {props.get('severity', 'Unknown')}
Description: {props.get('description', 'No description available')}
Instructions: {props.get('instruction', 'No specific instructions provided')}
"""

@mcp.tool()
async def get_alerts(state: str) -> str:
    """Get weather alerts for a US state.

    Args:
        state: Two-letter US state code (e.g. CA, NY)
    """
    url = f"{NWS_API_BASE}/alerts/active/area/{state}"
    data = await make_nws_request(url)

    if not data or "features" not in data:
        return "Unable to fetch alerts or no alerts found."

    if not data["features"]:
        return "No active alerts for this state."

    alerts = [format_alert(feature) for feature in data["features"]]
    return "\n---\n".join(alerts)

@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
    """Get weather forecast for a location.

    Args:
        latitude: Latitude of the location
        longitude: Longitude of the location
    """
    # First get the forecast grid endpoint
    points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
    points_data = await make_nws_request(points_url)

    if not points_data:
        return "Unable to fetch forecast data for this location."

    # Get the forecast URL from the points response
    forecast_url = points_data["properties"]["forecast"]
    forecast_data = await make_nws_request(forecast_url)

    if not forecast_data:
        return "Unable to fetch detailed forecast."

    # Format the periods into a readable forecast
    periods = forecast_data["properties"]["periods"]
    forecasts = []
    for period in periods[:5]:  # Only show next 5 periods
        forecast = f"""
{period['name']}:
Temperature: {period['temperature']}°{period['temperatureUnit']}
Wind: {period['windSpeed']} {period['windDirection']}
Forecast: {period['detailedForecast']}
"""
        forecasts.append(forecast)

    return "\n---\n".join(forecasts)

if __name__ == "__main__":
    # Initialize and run the server
    mcp.run(transport='sse')

1.2.5 运行服务器

运行uv run weather.py以确认一切正常工作。

四、在dify中配置MCP Server

** 4.1 配置MCP Server**

打开dify，点击”通过SEE发现和调用MCP工具“。

其中的路径可以替换为你自己的真实路径。如果dify 在docker内部可以写docker回路ip地址，或者其他局域网地址。

{
  "weather": {
    "url": "http://127.0.0.1:8000/sse",
    "headers": {},
    "timeout": 60,
    "sse_read_timeout": 300
  }
}

4.2 配置agent

在dify中新建一个agent，并且配置agent

填入对应的提示词即可。

五、测试

测试：德克萨斯州有哪些活跃的天气警报？

最后由dify中配置的大模型DeepSeek来汇总数据：

六、流程分析

客户端发起请求时，会调用工具函数（如 get_alerts），并传递必要的参数（如州的代码TX）。

在 MCP 传输层，数据通过标准输入输出（stdio）进行传输，同时对消息进行序列化和反序列化处理，并维护通信协议以确保数据传输的稳定性。

天气服务器接收到请求后，会解析请求内容，执行对应的工具函数（get_alerts），并准备响应数据以供后续处理。

最后，服务器与天气 API 进行交互，发送 HTTP 请求以获取天气数据，接收返回的天气信息，并对结果进行格式化处理，以便最终返回给客户端。