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
武子康几秒前
Copilot Code Review 从固定 Reviewer 演进为可编程 Runtime,仓库控制面、Setup 供应链、Runner 资源和 MCP 工具同时被纳入审查决策
人工智能·github·aigc
K姐研究社2 小时前
Codex 怎么用国产模型?Kimi + CC Switch 接入配置指南
人工智能·aigc
wangruofeng11 小时前
姚顺雨长谈:在 Anthropic 和 Gemini 训练模型,英雄主义已经过时
llm·aigc
-XWB-13 小时前
【LLM】Agent Planning 完全指南:8 种纯 LLM 范式 + 8 种混合规划模式详解(二)
人工智能·经验分享·aigc·学习方法·ai编程
爱听歌的周童鞋15 小时前
霹雳吧啦Wz | AIGC | 图像生成篇 | DDPM介绍与公式推导 | 笔记 | (二) 优化目标引入 ELBO/VLB
aigc·diffusion model·ddpm·reverse process·image generate·forward process
-XWB-19 小时前
【 LLM】Agent Planning 完全指南:8 种纯 LLM 范式 + 8 种混合规划模式详解(一)
人工智能·aigc·学习方法·ai编程
TheBestRucy20 小时前
RAG知识库问答系统落地:从向量检索到上下文增强的全链路实践
人工智能·python·langchain·aigc·交互
智行合一科技20 小时前
WAIC释放关键信号:合规能力正成为AIGC营销的核心竞争壁垒
aigc
爱听歌的周童鞋1 天前
霹雳吧啦Wz | AIGC | 图像生成篇 | DDPM介绍与公式推导 | 笔记 | (一) 前向加噪 & 优化目标引入
aigc·diffusion model·ddpm·reverse process·image generate·forward process
longxibo1 天前
第 15 章 政务/制造业落地案例
人工智能·深度学习·aigc·政务