Trae + Dify 10分钟构建 Data McpServer 与 Agent ,和 Excel 说再见!

大家好,我是九歌AI。

今天手把手教大家使用AI编程工具 Trae + Dify构建一个能根据大模型对话处理Excel的智能体

当然,全程下来10分钟是不可能的,代码确实是Trae 几分钟就生成的,但是我调Bug就花了2个小时啊!

**

**

本来还想加上Pyecharts数据可视化部分,但是一口气吃成胖子也不好,先做个简单的吧。

话不多说,我们撸起袖子开干。

打开国内最新版的AI编程工具Trae(字节能不能给我点广告费,这个编程工具其实也让人头疼),在新建Builder地方,输入下面的提示词,大模型选择DeepSeek R1。提示词为什么这么写,当然是给大家避坑了!

DeepSeek R1 提示词

**

**

我要使用 MCP server 搭建1个服务,接受 Excel 路径和大模型对话中的数据处理要求,这个server服务里的 llm(使用deepseek) 将数据处理要求转变成 真实的 pandas 代码,然后服务执行这个代码,将代码运行结果返回。 请根据我的要求,一步步给出完整的解决办法和创建完整代码。

代码结构可以参考下面这样:

excel_mcp/ ├── config.py ├── llm_integration.py ├── main.py ├── safe_exec.py └── requirements.txt

数据处理库使用Pandas

LLM使用DeepSeek,DeepSeek的请求使用参考下方代码

from openai import OpenAI

client = OpenAI(api_key="", base_url="api.deepseek.com")

response = client.chat.completions.create(

model="deepseek-chat",

messages=[

{"role": "system", "content": "You are a helpful assistant"},

{"role": "user", "content": "Hello"},

],

stream=False

)

print(response.choices0.message.content)

使用Trae的Builder模式,将上面的提示词输入

在代码生成的过程中,一直点击全部接受,直到代码执行阶段。这时候终端会报错,你根据报错信息就会陷入修Bug的无底洞,所以要自己把代码都读一遍,不然哪里错的都不知道。

比如下面这个报错,原因很简单,包的大小写弄错了!

代码全部生成后,你需要在config.py中 添加DeepSeep API的密钥,然后按下面步骤运行代码。

  1. 替换config.py中的API密钥
  2. 通过uvicorn main:app --host 0.0.0.0 --port 8000 启动服务
  3. 访问http://localhost:8000/docs 测试接口
  4. 如果使用venv管理环境,请先激活环境,再执行第2步。
  5. vevn环境激活命令:.\venv\Scripts\activate

这时候,访问FastAPI的docs路径(可能需要科学上网,因为fastapi的一个js库被挡了),就可以看到Data McpServer的接口了。

紧接着,我们需要准备一个excel文件,我们可以直接在excel模板中找一个,下载下来。我找的是客户反馈跟踪表。

将这个表格放在Trae项目根文件夹,直接点击Trae右下角的Go Live,会将项目文档以端口5000的web服务暴露出来。

我们访问这个地址,复制表格的URL链接。

接下来再回到FastAPI Docs界面,找到接口,点击Try It!填写参数值,然后点击Execute按钮 执行!

查看结果,成功了!(中途修了半小时BUG!)

下面我们就要把McpServer 作为工具放到Dify上了。

第一步 先确定你Dify能访问到本地运行的Fastapi接口服务,所以我将地址换成了电脑的IP。

第二步 获取Fastapi openAPI-Swagger数据,点下面这里。

第三步 把json数据复制到dify 自定义工具界面。这里面需要手动添加servers信息,fastapi上没有带这个参数。

点击接口旁边的测试,测试一下工具是否可用。

回到Dify,创建一个工作流应用,取名为Excel智能助手

编排这个简单的工作流如下,开始按钮设置变量类型,一个是Excel文件URL上传,一个是用户提示词。

在下一个节点,选择我们刚刚内置的工具,讲文件URL和用户提示词对接好。

点击运行按钮,查看执行效果。

发布运行这个智能体,再查看效果!

好了,今天就先到这,我们还可以把这个工作流发布为工具,在新的智能体对话时作为Function Call调用,我们下期再详细讲。

所有的代码和Dify工作流文件,可以访问下方或阅读原文链接获取。

ruby 复制代码
https://mbd.pub/o/bread/aJWXm5dv
复制代码
相关推荐
DisonTangor2 小时前
谷歌开源首个扩散大语言模型——DiffusionGemma
人工智能·语言模型·自然语言处理·开源·aigc·transformer
不大姐姐AI智能体3 小时前
实测教程:用 Codex 配合 HyperFrames,把公众号文章做成可渲染的讲解型视频
人工智能·经验分享·gpt·自动化·aigc
程序员老刘6 小时前
经济学说AI不抢饭碗,为何现在找工作却越来越难?
aigc·ai编程·客户端
ZengLiangYi8 小时前
5 种 AI 对话数据格式全解析
后端·aigc·ai编程
AI智图坊9 小时前
亚马逊多站点Listing视觉制作的效率瓶颈与AI解决方案:GPT-Image-2与Nano Banana Pro双模型分析
大数据·前端·数据库·人工智能·自动化·aigc
数智顾问10 小时前
(151页PPT)AIGC发展研究(附下载方式)
aigc
视觉&物联智能10 小时前
【杂谈】-人类写作渐趋人工智能化
人工智能·ai·aigc·agent·agi
love530love13 小时前
Hermes-Agent 本地化部署与详细交互式配置实战指南 [LM Studio + QQ ]
人工智能·windows·python·aigc·agent·hermes·hermes-agent
Rocky Ding*13 小时前
Token Merging for Fast Stable Diffusion:一篇读懂 Stable Diffusion 的免训练加速机制
论文阅读·人工智能·深度学习·机器学习·stable diffusion·aigc·ai-native