Dify Agent 驱动轻量级 MCPserver：联动 Zapier 实现智能搜索高效数据流转

MCP Server（模型上下文协议服务器）是一种基于模型上下文协议（Model Context Protocol，简称MCP）构建的轻量级服务程序，旨在实现大型语言模型（LLM）与外部资源之间的高效、安全连接。MCP协议由Anthropic公司于2024年11月开源，其核心目标是解决AI应用中数据分散、接口不统一等问题，为开发者提供标准化的接口，使AI模型能够灵活访问本地资源和远程服务，从而提升AI助手的响应质量和工作效率。

MCP Server 的架构与工作原理

MCP Server 采用客户端-服务器（Client-Server）架构，其中客户端（MCP Client）负责与服务器建立连接，发起请求，而服务器端则处理请求并返回响应。这种架构确保了数据交互的高效性与安全性。例如，客户端可以向服务器发送请求，如“查询数据库中的某个记录”或“调用某个API”，而服务器则根据请求类型，调用相应的资源或工具，完成任务并返回结果。

MCP Server 支持动态发现和实时更新机制。例如，当新的资源或工具被添加到服务器时，客户端可以自动感知并使用这些新功能，从而提高系统的灵活性和扩展性

MCP Server 的主要功能

• • 资源暴露与工具提供 ：

MCP Server 可以将本地文件、数据库、API等资源作为数据实体暴露给AI模型，同时提供工具功能，帮助AI完成复杂任务，如数据检索、内容生成、实时更新等。例如，它支持对MySQL、PostgreSQL等数据库的查询和操作，也支持对本地文件系统的读写和目录管理。

• • 会话管理与动态通知 ：

MCP Server 能够管理客户端与服务器的连接，确保会话的时效性和稳定性，同时通过实时推送机制，将最新的资源信息及时传递给AI模型，以保证数据的准确性和实时性。

• • 安全性与隐私保护 ：

MCP Server 采用加密认证和访问控制机制，确保数据传输的安全性，避免敏感信息泄露。例如，它支持本地运行，避免将敏感数据上传至第三方平台，从而保护用户隐私。

• • 标准化与模块化 ：

MCP Server 提供了标准化的通信协议，支持两种传输协议（STDIO和SSE），并允许开发者通过插件扩展功能，使其具备灵活性和扩展性。例如，它支持通过HTTP标准POST请求与客户端进行交互，同时支持WebSocket实现实时数据推送。

• • 多场景应用 ：

• • 本地资源集成：如文件操作、数据库管理、API调用等。
• • 云服务交互：如与GitHub、Slack、Google Drive等云服务的集成。
• • AI助手扩展：如为ChatGPT等AI助手提供上下文支持和工具调用能力

目前mcp-server发展速度非常快,目前mcp-server已经发展超过7000个mcp-serve

• • 链接：https://mcp.so/

在这里插入图片描述

Dify是一款开源的大语言模型（LLM）应用开发平台，旨在简化生成式AI应用的开发、集成和部署过程。它结合了后端即服务（Backend as a Service）和LLMOps的理念，为开发者提供了一个直观、模块化且功能丰富的开发环境，使非技术人员也能轻松参与AI应用的定义和数据运营过程。

目前dify 已经更新到1.1.3+ 版本

在这里插入图片描述

• • dify网址：https://dify.ai/zh

Agent 节点是 Dify Chatflow/Workflow 中用于实现自主工具调用的组件。它通过集成不同的 Agent 推理策略，使大语言模型能够在运行时动态选择并执行工具，从而实现多步推理。

2.1 配置步骤

添加节点

在 Dify Chatflow/Workflow 编辑器中，从组件栏拖拽 Agent 节点至画布。

在这里插入图片描述

选择 Agent 策略

在节点配置面板中，点击 Agent 策略 。

在这里插入图片描述

从下拉菜单选择所需的 Agent 推理策略。Dify 内置了 Function Calling 和 ReAct 两种策略，可在 Marketplace → Agent 策略 分类中安装使用。

在这里插入图片描述

• •

Function Calling

通过将用户指令映射到预定义函数或工具，LLM 先识别用户意图，再决定调用哪个函数并提取所需参数。它的核心是调用外部函数或工具，属于一种明确的工具调用机制。

优点:

• • 精确: 对于明确的任务，可以直接调用相应的工具，无需复杂的推理过程。
• • 易于集成外部功能: 可以将各种外部 API 或工具封装成函数供模型调用。
• • 结构化输出: 模型输出的是结构化的函数调用信息，方便下游节点处理。

在这里插入图片描述

• •

ReAct (Reason + Act)

ReAct 策略使 Agent 交替进行思考和行动：LLM 首先思考当前状态和目标，然后选择并调用合适的工具，工具的输出结果又将引导 LLM 进行下一步的思考和行动，如此循环，直到问题解决。

优点:

• • 有效利用外部信息: 能够有效地利用外部工具获取信息，解决仅靠模型自身无法完成的任务。
• • 可解释性较好: 思考和行动的过程是交织的，可以一定程度上追踪 Agent 的推理路径。
• • 适用范围广: 适用于需要外部知识或需要执行特定操作的场景，例如问答、信息检索、任务执行等。

在这里插入图片描述

配置节点参数

选择 Agent 策略后，配置面板会显示对应的配置项。Dify 官方内置的 Function Calling 和 ReAct 策略的配置项包括：

模型： 选择驱动 Agent 的大语言模型。

工具： 工具的使用方式由 Agent 策略定义，点击 "+" 添加并配置 Agent 可调用的工具。

• • 搜索： 在下拉框中选择已安装的工具插件。
• • 授权： 填写 API 密钥等授权信息后启用工具。
• • 工具描述和参数设置： 提供工具描述，帮助 LLM 理解工具用途并选择调用，同时设置工具的功能参数。

指令： 定义 Agent 的任务目标和上下文。支持使用 Jinja 语法引用上游节点变量。

查询： 接收用户输入。

最大迭代次数： 设定 Agent 的最大执行步数。

输出变量： 提示节点输出的数据结构。

在这里插入图片描述

2.2 查看日志

Agent 节点执行过程中将生成详细日志。显示节点执行的总体信息，包括输入和输出、token 开销、耗时和状态。点击 "详情" 查看 Agent 策略执行的每一轮输出信息。

在这里插入图片描述

在这里插入图片描述

• • Models（模型）

各类 AI 模型的接入插件，支持模型服务商和自定义模型两种类型，能够极大降低配置和调用 LLM API 的门槛。

• • Tools（工具）

工具指的是能够被 Chatflow / Workflow / Agent 类型应用所调用的第三方服务。提供完整的 API 实现能力，用于增强 Dify 应用的能力。

• • Agent 策略

Agent 策略插件能够定义 Agent 节点内部的推理和决策逻辑，包括 LLM 对于工具选择、调用以及对返回结果的处理逻辑。

• • Extensions（扩展）

仅提供 Endpoint 能力，为简单场景设计的轻量级方案。仅通过调用 HTTP 服务即可调用扩展功能，适用于只需要基础 API 调用的简单集成场景。关于扩展插件的开发详情，请参考快速开始：Extension 插件。

• • Bundle（插件包）

插件包是一系列插件的组合。通过安装插件集可以批量安装预选插件，告别手动逐个安装插件的繁琐过程。

点击：安装与使用插件参考手册

4. MCP SSE+Zapier =================

安装一个插件叫做MCP SSE . 可以在 插件市场搜索 MCP 检索到这个插件

在这里插入图片描述

如果直接安装安装不上可以：先下载到本地在安装(点击详情)

在这里插入图片描述

Zapier MCP 配置

Zapier 是一种基于云的自动化工具，旨在通过连接不同的应用程序和服务来简化工作流程，提高生产力。用户无需编程知识即可创建自动化任务，这些任务被称为“Zaps”。每个 Zap 包含两个核心部分：触发器（Trigger）和动作（Action）。触发器是启动自动化流程的事件，例如在某个应用中接收到新消息；动作则是在触发器发生后执行的操作，例如将数据同步到另一个应用。

Zapier 支持超过 7000 个应用程序的集成，包括电子邮件、社交媒体、文件管理、营销和数据分析等领域的应用。用户可以通过直观的界面轻松设置自动化工作流，例如将 Google 表单中的数据自动保存到 Dropbox 或通过 Slack 发送提醒此外，Zapier 还提供高级功能，如条件逻辑、数据格式化和多步骤路径，使用户能够构建复杂的工作流。

首先我们需要登录https://zapier.com/app/login ，如果没有账号的小伙伴可以去注册一个。

在这里插入图片描述

登录后我们在zapier 管理平台 创建一个MCP Server URL：https://actions.zapier.com/settings/mcp/

在这里插入图片描述

• • 开通 增加MCP actions

点击 “Add a new action” ，进行授权

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

更多tools授权就不展示了

mcp see 配置

我们回到 dify工作流，选择mcp see工具，进行授权，填写获取到的key

在这里插入图片描述

 
 
 
 
   
{  "server\_name": {    "url": "https://actions.zapier.com/mcp/sk-ak-xxxxx/sse",    "headers": {}, "timeout": 60,    "sse\_read\_timeout": 300  }}

• • 配置好后去创建一个Agent看看效果：

在这里插入图片描述

• • 或者chatflow

在这里插入图片描述

在这里插入图片描述

• • 提示词

 
 
 
 
   
# 1. 角色  
你是智能搜索任务 Agent，专注于高效、准确完成用户的信息检索需求，以简洁明了的方式提供可靠答案。  
# 2. 能力  
需求解析：精准理解用户查询的核心目标（如数据查询、资料收集、事实验证等）。  
多源搜索：支持调用搜索引擎(MCP服务、DuckDuckGo搜索)等工具获取信息。  
信息处理：筛选有效内容，整合矛盾信息，剔除过时或错误数据。  
结构化输出：按用户要求的格式（如列表、表格、摘要）呈现结果，附信息来源。  
# 3. 工作流程  
接收任务：明确用户查询的具体内容（如 “查找 2024 年全球新能源汽车销量数据”）。  
需求拆解：提取关键词（如 “2024”“新能源汽车”“销量”“全球”），确定搜索范围和优先级。  
工具调用：使用指定工具（如搜索引擎、行业报告平台）执行搜索，记录原始链接。  
结果处理：验证信息一致性，合并重复内容，标注关键数据（如时间、来源、数据值）。  
反馈答案：按 “结论 + 关键信息 + 来源” 的结构输出，确保简洁易懂。  
# 4. 工具调用要求（核心指令）  
优先使用：用户指定的工具（若无指定，默认调用主流搜索引擎 ）。  
实时性：涉及数据类查询（如销量、政策）需优先检索近 1 年内的最新信息。  
准确性：引用官方机构（如政府网站、国际组织、知名企业财报）或可信媒体来源，避免非认证平台内容。  
去重与验证：对多来源信息交叉验证，矛盾内容需标注差异并说明可信度较高的一方。  
禁用行为：不生成无依据的推测，不添加与搜索目标无关的扩展内容。  
  
# 结构化输出  
  
【核心结论】    
1. 结论1（信源：XXX，发布时间：XXX）    
2. 结论2（信源：XXX，发布时间：XXX）    
【详细分析】    
▶ 维度1：...（数据/事实支撑）    
▶ 维度2：...（对比/趋势分析）    
【补充说明】    
- 争议点：...（若有）    
- 建议下一步搜索方向：...（若信息不完整）    
  
特殊需求处理：如需表格 / 图表，使用 Markdown 格式简化呈现（如价格对比表、时间轴）；如需翻译，优先保留原文链接并附关键信息翻译。  
  

• • 结果

 
 
 
 
   
【核心结论】  
  
DeepSeek-V3 正式发布（信源：DeepSeek API 文档，发布时间：2024年12月26日）  
  
采用自研 MoE 架构，6710亿参数，激活370亿参数，预训练数据量14.8T token。  
多项评测超越开源模型（如 Qwen2.5-72B、Llama-3.1-405B），性能接近闭源顶级模型 GPT-4o 和 Claude-3.5-Sonnet。  
DeepSeek-R1 推理模型上线（信源：DeepSeek 官网，发布时间：2025年1月20日）  
  
对标 OpenAI 的 Model o1，专注逻辑推理和问题求解，支持强化学习优化。  
【详细分析】  
▶ 技术亮点  
  
架构创新：V3 采用混合专家模型（MoE）和多头潜在注意力（MLA），显著提升推理效率。  
成本优势：训练成本仅557万美元，API 定价为每百万输入 token 0.5元（缓存命中）/2元（未命中）。  
▶ 性能对比  
  
在知识类任务（MMLU、GPQA）接近 Claude-3.5-Sonnet，代码能力（Codeforces）领先非 o1 类模型。  
中文能力与 Qwen2.5-72B 相当，事实检索（C-SimpleQA）更优。  
【补充说明】  
  
争议点：V3 暂不支持多模态输入输出。  
建议下一步搜索方向：DeepSeek-V3 与 GPT-4o 的详细基准测试对比。