超实用！Dify快速接入本地MCP服务

AI大模型2025-07-25 12:21

Dify 可以通过插件实现 MCP 服务调用，而被调用的 MCP 服务基本可以分为以下两类：

  1. 通用 MCP 服务（非本地 MCP 服务）。
  2. 本地 MCP 服务。

本地 MCP 服务指的是本地通过 Java 或其他语言实现的 MCP 服务器端。

当你会用 Dify 调用本地 MCP 服务，也就意味着你会使用 Dify 调用通用 MCP 服务了，因为实现步骤和原理基本都是一样。

1.什么是MCP？

MCP 是 Model Context Protocol，模型上下文协议，它是由 Anthropic（Claude 大模型母公司）提出的开放协议，用于大模型连接外部"数据源"的一种协议。

它可以通俗的理解为 Java 界的 Spring Cloud Openfeign，只不过 Openfeign 是用于微服务通讯的，而 MCP 用于大模型通讯的，但它们都是为了通讯获取某项数据的一种机制，如下图所示：

2.为什么需要MCP？

MCP 存在的意义是它解决了大模型时代最关键的三个问题：数据孤岛 、开发低效和生态碎片化等问题。

1.打破数据孤岛，让AI"连接万物"

大模型本身无法直接访问实时数据或本地资源（如数据库、文件系统），传统方式需要手动复制粘贴或定制接口。MCP 通过标准化协议，让大模型像"插USB"一样直接调用外部工具和数据源，例如：

  • 查天气时自动调用气象 API，无需手动输入数据。
  • 分析企业数据时直接连接内部数据库，避免信息割裂。

2.降低开发成本，一次适配所有场景

在之前每个大模型（如 DeepSeek、ChatGPT）需要为每个工具单独开发接口（Function Calling），导致重复劳动，MCP 通过统一协议：

  • 开发者只需写一次 MCP 服务端，所有兼容 MCP 的模型都能调用。
  • 用户无需关心技术细节，大模型可直接操作本地文件、设计软件等。

3.提升安全性与互操作性

  • 安全性：MCP 内置权限控制和加密机制，比直接开放数据库更安全。
  • 生态统一：类似 USB 接口，MCP 让不同厂商的工具能"即插即用"，避免生态分裂。

4.推动AIAgent的进化

MCP 让大模型从"被动应答"变为"主动调用工具"，例如：

  • 自动抓取网页新闻补充实时知识。
  • 打开 Idea 编写一个"Hello World"的代码。

MCP 的诞生，相当于为AI世界建立了"通用语言"，让模型、数据和工具能高效协作，最终释放大模型的全部潜力。

3.MCP组成和执行流程

MCP 架构分为以下 3 部分：

  • 客户端：大模型应用（如 DeepSeek、ChatGPT）发起 MCP 协议请求。
  • 服务器端：服务器端响应客户端的请求，并查询自己的业务实现请求处理和结果返回。

运行流程：

  1. 用户提问 LLM。
  2. LLM 查询 MCP 服务列表。
  3. 找到需要调用 MCP 服务，调用 MCP 服务器端。
  4. MCP 服务器接收到指令。
  5. 调用对应工具（如数据库）执行。
  6. 返回结果给 LLM。

4.编写本地MCP服务

接下来，我们使用 Spring AI 来实现本地 MCP 服务器端，它的主要实现步骤如下：

  1. 添加 MCP Server 依赖。
  2. 设置 MCP 配置信息。
  3. 编写 MCP Server 服务代码。
  4. 将 MCP Server 进行暴露设置。

关键实现代码如下。

4.1 添加 MCP Server 依赖

xml 复制代码 
<dependencies>
  <dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-mcp-server-webflux</artifactId>
  </dependency>
</dependencies>

<repositories>
  <repository>
    <name>Central Portal Snapshots</name>
    <id>central-portal-snapshots</id>
    <url>https://central.sonatype.com/repository/maven-snapshots/</url>
    <releases>
      <enabled>false</enabled>
    </releases>
    <snapshots>
      <enabled>true</enabled>
    </snapshots>
  </repository>
  <repository>
    <id>spring-milestones</id>
    <name>Spring Milestones</name>
    <url>https://repo.spring.io/milestone</url>
    <snapshots>
      <enabled>false</enabled>
    </snapshots>
  </repository>
  <repository>
    <id>spring-snapshots</id>
    <name>Spring Snapshots</name>
    <url>https://repo.spring.io/snapshot</url>
    <releases>
      <enabled>false</enabled>
    </releases>
  </repository>
</repositories>

MCP Server 依赖有三种类型：

  • 标准输入/输出 （STDIO） ：spring-ai-starter-mcp-server
  • Spring MVC**（服务器发送的事件）** ：spring-ai-starter-mcp-server-webmvc
  • Spring WebFlux（响应式 SSE） ：spring-ai-starter-mcp-server-webflux

4.2 设置 MCP 配置信息

MCP Server 包含以下配置信息：

配置项 描述 默认值
enabled 启用/禁用 MCP 服务器 TRUE
stdio 启用/禁用 stdio 传输 FALSE
name 用于标识的服务器名称 mcp-server
version 服务器版本 1.0.0
type 服务器类型 （SYNC/ASYNC） SYNC
resource-change-notification 启用资源更改通知 TRUE
prompt-change-notification 启用提示更改通知 TRUE
tool-change-notification 启用工具更改通知 TRUE
tool-response-mime-type （可选）每个工具名称的响应 MIME 类型。例如，将 mime 类型与工具名称相关联spring.ai.mcp.server.tool-response-mime-type.generateImage=image/pngimage/pnggenerateImage() -
sse-message-endpoint Web 传输的 SSE 终端节点路径 /mcp/message

其中 MCP Server 又分为以下两种类型。

服务器类型
  • 同步服务器：默认服务器类型，它专为应用程序中的简单请求-响应模式而设计。要启用此服务器类型，请在您的配置中设置。 激活后，它会自动处理同步工具规格的配置，spring.ai.mcp.server.type=SYNC。
  • 异步服务器： 异步服务器实现使用非阻塞作并针对非阻塞作进行了优化。要启用此服务器类型，请使用配置您的应用程序。此服务器类型会自动设置具有内置 Project Reactor 支持的异步工具规范，spring.ai.mcp.server.type=ASYNC。

4.3 编写MCPServer服务代码

编写天气预报查询伪代码：

typescript 复制代码 
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.stereotype.Service;

import java.util.Map;

@Service
public class WeatherService {

    @Tool(description = "根据城市名称获取天气预报")
    public String getWeatherByCity(String city) {
        Map<String, String> mockData = Map.of(
            "西安", "晴天",
            "北京", "小雨",
            "上海", "大雨"
        );
        return mockData.getOrDefault(city, "抱歉：未查询到对应城市！");
    }

}

4.4 将服务暴露出去

scss 复制代码 
@Bean
public ToolCallbackProvider weatherTools(WeatherService weatherService) {
return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();
}

这样 MCP Server 就编写完成了。

5.Dify调用本地MCP

Dify 调用 MCP 主要步骤如下：

  1. 安装 MCP 插件。
  2. 配置 MCP 服务 HTTP 地址。
  3. 配置 Agent 相关信息。
  4. 运行测试。

具体配置如下。

5.1 安装 MCP 插件

安装 Agent 策略（支持 MCP 工具）如下图所示：

MCP SSE 选装，非必须，可以为后续 Agent 提供 MCP 工具列表，方便 LLM 正确理解和调用工具。

5.2 配置 MCP 服务地址

Dify 只支持 HTTP 协议的 MCP 服务调用，它的配置格式如下：

json 复制代码 
{
  "server_name1": {
    "transport": "sse",
    "url": "http://127.0.0.1:8000/sse",
    "headers": {},
    "timeout": 50,
    "sse_read_timeout": 50
  },
  "server_name2": {
    "transport": "sse",
    "url": "http://127.0.0.1:8001/sse"
  },
  "server_name3": {
    "transport": "streamable_http",
    "url": "http://127.0.0.1:8002/mcp",
    "headers": {},
    "timeout": 50
  },
  "server_name4": {
    "transport": "streamable_http",
    "url": "http://127.0.0.1:8003/mcp"
  }
}

支持配置多个 MCP 服务，或者是以下 JSON 格式也支持：

json 复制代码 
{
  "mcpServers": {
      "server_name1": {
        "transport": "sse",
        "url": "http://127.0.0.1:8000/sse",
        "headers": {},
        "timeout": 50,
        "sse_read_timeout": 50
      },
      "server_name2": {
        "transport": "sse",
        "url": "http://127.0.0.1:8001/sse"
      },
      "server_name3": {
        "transport": "streamable_http",
        "url": "http://127.0.0.1:8002/mcp",
        "headers": {},
        "timeout": 50
      },
      "server_name4": {
        "transport": "streamable_http",
        "url": "http://127.0.0.1:8003/mcp"
      }
    }
}

5.3 配置 Agent

Agent 需要配置的项目比较多，首先是 Agent 策略：

然后是 LLM，选择合适的大模型即可，之后配置 MCP 工具和 HTTP 地址，如下图所示：

之后配置指令和查询问题：

5.4 测试 MCP 调用

我们创建的是一个 ChatFlow，执行效果如下：

执行符合预期。

小结

Dify 调用 MCP 服务主要依靠的是 HTTP 地址和 MCP 协议，对于用户来说他面向的是大模型，对于程序来说是大模型调用了 MCP 服务，所以大模型端也就是 MCP 的客户端。我们会调用本地 MCP 服务了，那么问题来了，如何调用通用的 MCP 服务呢？

​

Dify 可以通过插件实现 MCP 服务调用，而被调用的 MCP 服务基本可以分为以下两类：

  1. 通用 MCP 服务（非本地 MCP 服务）。
  2. 本地 MCP 服务。

本地 MCP 服务指的是本地通过 Java 或其他语言实现的 MCP 服务器端。

当你会用 Dify 调用本地 MCP 服务，也就意味着你会使用 Dify 调用通用 MCP 服务了，因为实现步骤和原理基本都是一样。

1.什么是MCP？

MCP 是 Model Context Protocol，模型上下文协议，它是由 Anthropic（Claude 大模型母公司）提出的开放协议，用于大模型连接外部"数据源"的一种协议。

它可以通俗的理解为 Java 界的 Spring Cloud Openfeign，只不过 Openfeign 是用于微服务通讯的，而 MCP 用于大模型通讯的，但它们都是为了通讯获取某项数据的一种机制，如下图所示：

​

2.为什么需要MCP？

MCP 存在的意义是它解决了大模型时代最关键的三个问题：数据孤岛 、开发低效和生态碎片化等问题。

1.打破数据孤岛，让AI"连接万物"

大模型本身无法直接访问实时数据或本地资源（如数据库、文件系统），传统方式需要手动复制粘贴或定制接口。MCP 通过标准化协议，让大模型像"插USB"一样直接调用外部工具和数据源，例如：

  • 查天气时自动调用气象 API，无需手动输入数据。
  • 分析企业数据时直接连接内部数据库，避免信息割裂。

2.降低开发成本，一次适配所有场景

在之前每个大模型（如 DeepSeek、ChatGPT）需要为每个工具单独开发接口（Function Calling），导致重复劳动，MCP 通过统一协议：

  • 开发者只需写一次 MCP 服务端，所有兼容 MCP 的模型都能调用。
  • 用户无需关心技术细节，大模型可直接操作本地文件、设计软件等。

3.提升安全性与互操作性

  • 安全性：MCP 内置权限控制和加密机制，比直接开放数据库更安全。
  • 生态统一：类似 USB 接口，MCP 让不同厂商的工具能"即插即用"，避免生态分裂。

4.推动AIAgent的进化

MCP 让大模型从"被动应答"变为"主动调用工具"，例如：

  • 自动抓取网页新闻补充实时知识。
  • 打开 Idea 编写一个"Hello World"的代码。

MCP 的诞生，相当于为AI世界建立了"通用语言"，让模型、数据和工具能高效协作，最终释放大模型的全部潜力。

3.MCP组成和执行流程

MCP 架构分为以下 3 部分：

  • 客户端：大模型应用（如 DeepSeek、ChatGPT）发起 MCP 协议请求。
  • 服务器端：服务器端响应客户端的请求，并查询自己的业务实现请求处理和结果返回。

运行流程：

  1. 用户提问 LLM。
  2. LLM 查询 MCP 服务列表。
  3. 找到需要调用 MCP 服务，调用 MCP 服务器端。
  4. MCP 服务器接收到指令。
  5. 调用对应工具（如数据库）执行。
  6. 返回结果给 LLM。

4.编写本地MCP服务

接下来，我们使用 Spring AI 来实现本地 MCP 服务器端，它的主要实现步骤如下：

  1. 添加 MCP Server 依赖。
  2. 设置 MCP 配置信息。
  3. 编写 MCP Server 服务代码。
  4. 将 MCP Server 进行暴露设置。

关键实现代码如下。

4.1 添加 MCP Server 依赖

xml 复制代码 
<dependencies>
  <dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-mcp-server-webflux</artifactId>
  </dependency>
</dependencies>

<repositories>
  <repository>
    <name>Central Portal Snapshots</name>
    <id>central-portal-snapshots</id>
    <url>https://central.sonatype.com/repository/maven-snapshots/</url>
    <releases>
      <enabled>false</enabled>
    </releases>
    <snapshots>
      <enabled>true</enabled>
    </snapshots>
  </repository>
  <repository>
    <id>spring-milestones</id>
    <name>Spring Milestones</name>
    <url>https://repo.spring.io/milestone</url>
    <snapshots>
      <enabled>false</enabled>
    </snapshots>
  </repository>
  <repository>
    <id>spring-snapshots</id>
    <name>Spring Snapshots</name>
    <url>https://repo.spring.io/snapshot</url>
    <releases>
      <enabled>false</enabled>
    </releases>
  </repository>
</repositories>

MCP Server 依赖有三种类型：

  • 标准输入/输出 （STDIO） ：spring-ai-starter-mcp-server
  • Spring MVC**（服务器发送的事件）** ：spring-ai-starter-mcp-server-webmvc
  • Spring WebFlux（响应式 SSE） ：spring-ai-starter-mcp-server-webflux

4.2 设置 MCP 配置信息

MCP Server 包含以下配置信息：

配置项 描述 默认值
enabled 启用/禁用 MCP 服务器 TRUE
stdio 启用/禁用 stdio 传输 FALSE
name 用于标识的服务器名称 mcp-server
version 服务器版本 1.0.0
type 服务器类型 （SYNC/ASYNC） SYNC
resource-change-notification 启用资源更改通知 TRUE
prompt-change-notification 启用提示更改通知 TRUE
tool-change-notification 启用工具更改通知 TRUE
tool-response-mime-type （可选）每个工具名称的响应 MIME 类型。例如，将 mime 类型与工具名称相关联spring.ai.mcp.server.tool-response-mime-type.generateImage=image/pngimage/pnggenerateImage() -
sse-message-endpoint Web 传输的 SSE 终端节点路径 /mcp/message

其中 MCP Server 又分为以下两种类型。

服务器类型
  • 同步服务器：默认服务器类型，它专为应用程序中的简单请求-响应模式而设计。要启用此服务器类型，请在您的配置中设置。 激活后，它会自动处理同步工具规格的配置，spring.ai.mcp.server.type=SYNC。
  • 异步服务器： 异步服务器实现使用非阻塞作并针对非阻塞作进行了优化。要启用此服务器类型，请使用配置您的应用程序。此服务器类型会自动设置具有内置 Project Reactor 支持的异步工具规范，spring.ai.mcp.server.type=ASYNC。

4.3 编写MCPServer服务代码

编写天气预报查询伪代码：

typescript 复制代码 
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.stereotype.Service;

import java.util.Map;

@Service
public class WeatherService {

    @Tool(description = "根据城市名称获取天气预报")
    public String getWeatherByCity(String city) {
        Map<String, String> mockData = Map.of(
            "西安", "晴天",
            "北京", "小雨",
            "上海", "大雨"
        );
        return mockData.getOrDefault(city, "抱歉：未查询到对应城市！");
    }

}

4.4 将服务暴露出去

scss 复制代码 
@Bean
public ToolCallbackProvider weatherTools(WeatherService weatherService) {
return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();
}

这样 MCP Server 就编写完成了。

5.Dify调用本地MCP

Dify 调用 MCP 主要步骤如下：

  1. 安装 MCP 插件。
  2. 配置 MCP 服务 HTTP 地址。
  3. 配置 Agent 相关信息。
  4. 运行测试。

具体配置如下。

5.1 安装 MCP 插件

安装 Agent 策略（支持 MCP 工具）如下图所示：

MCP SSE 选装，非必须，可以为后续 Agent 提供 MCP 工具列表，方便 LLM 正确理解和调用工具。

5.2 配置 MCP 服务地址

Dify 只支持 HTTP 协议的 MCP 服务调用，它的配置格式如下：

json 复制代码 
{
  "server_name1": {
    "transport": "sse",
    "url": "http://127.0.0.1:8000/sse",
    "headers": {},
    "timeout": 50,
    "sse_read_timeout": 50
  },
  "server_name2": {
    "transport": "sse",
    "url": "http://127.0.0.1:8001/sse"
  },
  "server_name3": {
    "transport": "streamable_http",
    "url": "http://127.0.0.1:8002/mcp",
    "headers": {},
    "timeout": 50
  },
  "server_name4": {
    "transport": "streamable_http",
    "url": "http://127.0.0.1:8003/mcp"
  }
}

支持配置多个 MCP 服务，或者是以下 JSON 格式也支持：

json 复制代码 
{
  "mcpServers": {
      "server_name1": {
        "transport": "sse",
        "url": "http://127.0.0.1:8000/sse",
        "headers": {},
        "timeout": 50,
        "sse_read_timeout": 50
      },
      "server_name2": {
        "transport": "sse",
        "url": "http://127.0.0.1:8001/sse"
      },
      "server_name3": {
        "transport": "streamable_http",
        "url": "http://127.0.0.1:8002/mcp",
        "headers": {},
        "timeout": 50
      },
      "server_name4": {
        "transport": "streamable_http",
        "url": "http://127.0.0.1:8003/mcp"
      }
    }
}

5.3 配置 Agent

Agent 需要配置的项目比较多，首先是 Agent 策略：

然后是 LLM，选择合适的大模型即可，之后配置 MCP 工具和 HTTP 地址，如下图所示：

之后配置指令和查询问题：

​

5.4 测试 MCP 调用

我们创建的是一个 ChatFlow，执行效果如下：

​

执行符合预期。

小结

Dify 调用 MCP 服务主要依靠的是 HTTP 地址和 MCP 协议，对于用户来说他面向的是大模型，对于程序来说是大模型调用了 MCP 服务，所以大模型端也就是 MCP 的客户端。我们会调用本地 MCP 服务了，那么问题来了，如何调用通用的 MCP 服务呢？

我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是， 基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程 已经给大家整理并打包，现在将这份 LLM大模型资料 拿出来： 😝有需要的小伙伴，可以 在这 🆓**↓↓↓**

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段：专题集丨特训篇 【录播课】

现在将这份 LLM大模型资料 拿出来： 😝有需要的小伙伴，可以 在这 🆓**↓↓↓**

相关推荐
AI大模型2 小时前
大厂LLM应用岗上岸面经：面28家拿offer，拆解“必问考点+避坑指南”
程序员·llm·agent
没用的阿星2 小时前
阿里发布Qwen3-Coder，效果比肩claude 4！
llm
阿星AI工作室2 小时前
扣子开源本地部署教程 丨Coze智能体小白喂饭级指南
llm·agent·产品
小小小小小鹿3 小时前
Ai入门-搭建一个专属的ai学习助手
llm·ai编程
SelectDB3 小时前
Apache Doris Data Agent 解决方案：开启智能运维与数据治理新纪元
github·apache·mcp
月小水长3 小时前
面试了全球首个 AI 全栈高级 IDE CodeBuddy，当场就下了 Offer
面试·程序员
陈随易3 小时前
牛回，速归！VSCode开启AI的野兽模式究竟有多强
前端·后端·程序员
r0ad4 小时前
四大主流AI Agent框架选型梳理
llm·agent
陈佬昔没带相机5 小时前
Dify MCP功能实测，小参数模型竟然全军覆没！
ollama·deepseek·mcp
智泊AI5 小时前
GPU并行计算是什么？GPU并行计算的原理是什么？
llm
热门推荐
01Qwen3-Coder 快速上手教程 | Qwen Code + Claude Code02全球最强模型Grok4，国内已可免费使用！（附教程）03vue数据变化但页面不变04【2025.7.18】更新vscode后所有.vue文件template标签后报红的临时解决办法，Vue - Official 插件3.0.2导致05KGG转MP3工具|非KGM文件|解密音频06Cursor Claude 模型无法使用的解决方法07ChatGPT Agent 完全使用指南：2025年7月最新功能详解08这次领先Cursor！体验了Trae 2.0 SOLO 模式，超酷！09Claude Code用不了？来试下Qwen3-Coder加持的Qwen Code吧10干翻 Typora！MilkUp：完全免费的桌面端 Markdown 编辑器！