基于Dify平台开发MCP应用简要说明

【Function call的实现逻辑】：

1、在模型API调用时，传递参数tools，其中包含了可用的函数清单；

2、模型分析输入要求以及已知tools后，返回调用工具以及对应的参数；

3、根据工具调用参数调用第三方工具，并获取结果；

4、将执行结果再次提交给模型，获取最终结果；

这里存在的问题在于，步骤3中需要针对不同的工具说明，APP侧编写不同的调用代码，从而降低了通用性。

【MCP的实现逻辑】

  关键角色包括：

• MCP Server，封装外部第三方工具，执行具体的操作，并对外暴露统一接口；

• MCP client，与MCP Server进行交互（负责实际的工具调用），同时负责调用LLM以及处理LLM结果；

• LLM，根据工具清单，以及用户问题，判定是否调用工具；

  
  

其实现流程如下：

0、基于框架实现MCP Server，其中包含具体的第三方工具调用逻辑；

1、在应用初始化阶段，MCP client通过访问配置的Server地址，获取当前可用工具清单；

2、用户问题以及工具清单提交给LLM；

3、LLM进行逻辑分析，自行判定是否需要调用工具，并输出结果（含是否调用工具声明及具体参数）

4、MCP Client分析模型输出结果：

(1) 如果需要调用工具，则根据调用声明，与MCP Server通讯调用工具，拿到执行执行结果，并交由模型进行二次判断；

(2) 如果不需要调用工具，则生成结果；

5、经过多轮迭代（可能），最终返回生成结果

相比较Function call方式，通过MCP协议规范定义，这里只需要将工具封装到MCP Server中，剩余调用逻辑按照通用方式统一实现即可。不同的模型，不同的工具，只要按照MCP协议规范定义，就可以进行快速的调用。同时Java、Python等均提供了SDK，进一步对细节进行抽象，降低开发成本。

1、编写MCP Server

基于fastmcp库编写MCP 服务，提供了add() 和 sub() 两个工具，示例代码如下：

from fastmcp import FastMCPmcp= FastMCP('demo_server') @mcp.tool()def add(a, b) -> int:    return a + b @mcp.tool()def sub(a, b) -> int:return a - b if __name__ == '__main__':    mcp.run(transport="sse", host="0.0.0.0", port=8088)

2、在服务器上将mcp服务启动 python demo_server.py

说明：服务可在其他服务器上部署启动，并保证dify主机能够访问目标服务的网络访问即可

3、在Dify平台上对MCP_SSE工具进行授权

(1) 在Dify开发平台，选择工具，搜索“mcp”，点击MCP SSE 工具，

(2) 点击“已授权”按钮

(3) 配置MCP服务配置

4、通过Dify平台构建MCP应用

(1) 创建chatflow应用

(2) 创建工作流如下：

(3) 核心Agent节点配置内容如下：

其中：

Agent策略选择“支持MCP的Agent”-ReAct

模型选择qwen3-32b，并关闭思考模式（非必须，只是为了响应快一些）

工具列表选择MCP_SSE的两个工具

MCP服务器内容配置如下

指令内容输入如下：

查询内容直接配置为sys.query变量 即可

5、点击右上角预览按钮，进行功能验证

6、在预览阶段，点击AGENT可查看Agent调用详细日志（很棒的功能）

(1) 点击查看策略详情：

(2) 共计进行了两轮迭代，点击进一步查看

(3) 可查看具体的工作日志

(4) 最底层包含了Qwen3的思考过程，以及Add工具的调用过程。

    以上，完成了简单的MCP服务部署，以及通过Dify平台进行MCP服务的调用，并进行工具验证以及调用日志查看。除通过MCP Server的方式提供第三方能力调用外，Dify平台本身也提供了工具插件，以及插件开发范式。可根据自身的业务需求进行灵活调用。