一、导读

先给大伙，看看我没有利用mcp模式，在dfiy编排的一个复杂业务

是不是很夸张，需要创建很多流程，调用很多组件，这仅仅只是调用了部分业务接口

• 一个船期查询
• 一个运价查询
• 一个货踪跟踪单号查询

现在我利用mcp模式，简化后的图

go go go 出发喽！

二、什么是MCP？

网上关于MCP的介绍已经非常多了，我这边就长话短说，有兴趣的可以扩展阅读

• dfiy插件市场关于mcp sse ：https://marketplace.dify.ai/plugins/junjiem/mcp_sse
• dify博客文章关于mcp的案例：https://dify.ai/blog/dify-mcp-plugin-hands-on-guide-integrating-zapier-for-effortless-agent-tool-calls
• 国外论坛关于mcp的介绍：https://norahsakal.com/blog/mcp-vs-api-model-context-protocol-explained/

我们先来看一幅图

MCP 提供了一种统一和标准化的方式，将 AI 代理和模型与外部数据和工具集成。它不仅仅是另一个 API；
它是一个强大的连接框架，能够实现智能、动态和上下文丰富的 AI 应用。

🔌MCP的作用，就像手机充电接口从“混乱”到“统一”的演变过程。统一成“AI 界的 USB Type-C”

🚀 最终效果：从“杂乱无章”到“即插即用”

• 用户（开发者）：像用 Type-C 一样，“插上就用”，无需关心底层是哪个 AI 模型或数据源。
• 厂商（AI 提供商）：只要支持 MCP，就能快速融入生态，获得更多用户。
• 生态：从“互相割裂”变成“开放协作”，加速 AI 应用创新。

MCP 采用的是经典的客户端 - 服务器架构，我首先需要介绍几个概念。

• MCP 主机（MCP Hosts）：发起请求的 LLM 应用程序（例如 Claude Desktop、IDE 或 AI 工具）。
• MCP 客户端（MCP Clients）：在主机程序内部，与 MCP server 保持 1:1 的连接。
• MCP 服务器（MCP Servers）：为 MCP client 提供上下文、工具和 prompt 信息。
• 本地资源（Local Resources）：本地计算机中可供 MCP server 安全访问的资源（例如文件、数据库）。
• 远程资源（Remote Resources）：MCP server 可以连接到的远程资源（例如通过 API）。

基于 MCP 官方提供的 Python SDK 中的一个简单 SSE 协议的 MCP Server

https://github.com/modelcontextprotocol/python-sdk/blob/main/examples/servers/simple-tool/mcp_simple_tool/server.py

建议去走一遍这个源码！

三、API与Agent和MCP

维度	API	Agent	MCP
角色	工具	工具使用者	工具间的通信标准
灵活性	固定功能	可自主决策	动态路由和协作
协作性	需手动组合	可调用多工具	标准化多模型交互
类比	厨房菜单	服务员	餐厅工作语言

下面我将用一些形象的例子告诉大伙

1. API（接口）→ 厨房的标准化菜单

• 是什么：预定义的规则，规定如何请求数据或服务（如 REST API）。
• 作用：像餐厅的菜单，告诉顾客（调用者）能点什么菜（功能），但不关心谁点餐、怎么吃。
• 局限：
  • 固定功能（菜单写死，不能临时改菜谱）。
  • 无自主决策能力（厨房不会主动推荐菜品）。
• 例子：
  • 调用天气API获取数据，但无法自动决定是否要带伞。

---

2. Agent（智能代理）→ 服务员 + 厨师长

• 是什么：能自主决策、调用工具、完成目标的AI程序（如AutoGPT）。
• 作用：像服务员，根据你的需求（目标）协调后厨（API）、推荐菜品（决策），甚至调整做法（动态规划）。
• 特点：
  • 自主性：能拆解任务（如先查天气，再推荐穿搭）。
  • 多工具协作：可调用多个API（像让厨房和仓库联动）。
• 局限：
  • 不同Agent之间缺乏统一沟通标准（服务员之间可能说方言）。
• 例子：
  • 旅行Agent自动查机票、酒店、天气，规划行程。

---

3. MCP（模型连接协议）→ 餐厅的通用工作语言

• 是什么：标准化AI模型、工具和数据源之间的通信协议（类似gRPC但更AI友好）。
• 作用：像餐厅规定所有员工用同一种语言交流（无论厨师来自法国还是中国），确保：
  • 模型即插即用：新模型接入像新厨师入职，无需重写菜单。
  • 动态路由：根据需求自动分配任务（忙时让AI-1处理，闲时用AI-2）。
  • 上下文共享：服务员（Agent）知道顾客的过敏史（历史交互）。
• 优势：
  • 解耦：Agent不依赖具体API，只需对接MCP（服务员不用背每个厨师的方言）。
  • 生态统一：避免“API方言战争”（如OpenAI和Anthropic的协议差异）。
• 例子：
  • 通过MCP，一个Agent可同时调用GPT-4（文本）、Stable Diffusion（绘图）、企业内部数据库。

---

好了过于理论的东西，网上也有很多文章，自行搜索吧，这里就不展开讲了

四、案例

现在我将构建一个业务场景，用户输入"上海到洛杉矶船期查询"

1. AI会提取文本内容，获得关键词pol为上海，pod为洛杉矶
2. 携带pol和pod查询，基础资料查询接口
3. 然后携带查询出来的pol_id 跟pod_id 请求船期查询接口

上面流程，包含了语义解析，2个接口连续调用

代码仓库地址：https://github.com/wenwenc9/mcp-ship

1、非MCP模式编排dify

1.1 fastapi接口服务代码（fastapi_api.py）

下面这段代码主要是为了，创建2个post接口

• 编写了一个请求日志打印的组件
• 编写了2个接口《基础资料查询接口》和《船期查询接口》
• 编写了请求和响应schemas

后端接口服务，运行起来的效果如下

1.2 创建dify应用

现在到dify创建一个chatflow应用，直接在导入我代码仓库的 非MCP-船期查询.yml DSL文件就好了，记得里面的服务端IP改成你自己的！

然后按照我下面的图运行观察一下,自己一定要捋一捋发生了什么~~

解析用户语义-> 提取关键参数-> 调用基础资料接口->判断状态码-> 调用船期查询接口

2、MCP模式编排dify

2.1 安装MCP插件

先来到插件市场安装一个插件

创建一个chatflow应用，导入我代码仓库的MCP船期测试.ymlDSL文件 （注意里面的IP地址换成你的）

安装两个工具

那么问题来了，现在将我们的fastapi服务端代码改造成mcp的方式，github有一个项目可以快速帮我们做到

https://github.com/tadata-org/fastapi_mcp

几行代码轻松变成mcp模式，见fastapi_mcp_api.py

现在，启动fastapi服务端，在dify看看效果吧

2.2 启动dify调用mcp服务

在基础资料中只有3个港口

我输入了 上海到洛杉矶，注意，洛杉矶并不存在，看看效果
在这个过程中，使用了Agent ReAct 模式，进行观察，可以看到尽管找不到内容，但是依然能够进行智能回复

Agent ReAct 在我往期文章也有讲到
https://blog.csdn.net/weixin_44238683/article/details/138276724

并且点击ReAct可以看到进行了3轮操作,你可以同时观察fastapi打印日志，可以看到整个过程的处理情况

现在我们将问题替换成 上海到纽约 进行了4轮，从调用sse的MCP服务工具清单，到调用基础资料接口，以及船期接口，都是通过ReAct完成

3、结论

MCP的出现，大大提高了对于工作流垂直业务的创造能力。

举个例子，如果我在fastapi创建了10个业务接口，我在dify进行编排，某天业务接口的请求参数进行了变更
我们要重新更改dify流程，以及重新部署。

现在，我们只需要更改fastapi接口，重新部署fastapi即可，而SSE服务能够自己获得动态的工具清单。

对比维度	MCP	FastAPI 接口
统一性和标准化	- 例子：LLM 可以通过统一的 MCP 接口调用不同开发者开发的数学计算和天气查询功能，无需单独编写代码。 - 优势：提供统一协议，支持标准化的 JSON 消息格式和通用通信协议（如 JSON-RPC、HTTP、WebSocket 等），使 LLM 能无缝对接各种外部工具。	- 例子：LLM 需要为每个 FastAPI 接口（如数学计算和天气查询）单独编写调用代码，因为每个接口的实现细节不同。 - 劣势：每个 API 需要单独开发和维护，不同 API 之间的集成需要编写特定的代码。
开发和维护成本	- 例子：当文件格式从 TXT 改为 JSON 时，只需更新 MCP Server 的实现，LLM 代码无需修改。 - 优势：工具更新通常不影响 LLM 代码，维护成本低；标准化协议使开发效率更高。	- 例子：当文件格式从 TXT 改为 JSON 时，需要同时更新接口实现和 LLM 调用代码。 - 劣势：每次接口更新都需要同步更新调用代码，开发和维护成本高。
双向通信和动态交互	- 例子：LLM 通过 MCP Server 读取文件内容后，动态决定下一步操作（如调用另一个 MCP Server 进行数据分析）。 - 优势：支持双向通信和多轮交互，可实现复杂的任务流程。	- 例子：LLM 调用 FastAPI 接口获取文件内容后，需手动编写逻辑决定下一步操作，无法实现动态交互。 - 劣势：通常是单向的“一问一答”模式，不支持复杂的任务流程。
安全性	- 例子：用户使用 MCP Server 访问本地文件时，需明确授权，MCP 协议确保只有授权操作才能执行。 - 优势：提供标准化的访问控制和用户明确授权，数据源持有者可保留数据控制权。	- 例子：用户使用 FastAPI 接口访问本地文件时，需依赖开发者实现的安全机制，没有统一标准。 - 劣势：安全性依赖于开发者实现，规则不统一。
灵活性和扩展性	- 例子：LLM 可通过动态发现机制无缝调用新开发的 MCP Server（如数据库查询功能），无需修改代码。 - 优势：支持动态添加和移除工具，适用场景广，扩展性强。	- 例子：LLM 需重新编写代码来调用新开发的 FastAPI 接口（如数据库查询功能）。 - 劣势：添加新接口需要重构代码，扩展性差。
AI 优化	- 例子：MCP Server 返回格式化的数据（如天气查询结果的 JSON 对象），直接被 LLM 处理。 - 优势：提供 AI 友好的工具和提示，返回的数据格式更适合 AI 处理。	- 例子：FastAPI 接口返回 HTML 页面或原始数据，LLM 需额外处理才能使用。 - 劣势：返回原始数据，需要额外处理才能被 AI 使用。
，扩展性差。
AI 优化	- 例子：MCP Server 返回格式化的数据（如天气查询结果的 JSON 对象），直接被 LLM 处理。 - 优势：提供 AI 友好的工具和提示，返回的数据格式更适合 AI 处理。	- 例子：FastAPI 接口返回 HTML 页面或原始数据，LLM 需额外处理才能使用。 - 劣势：返回原始数据，需要额外处理才能被 AI 使用。
实际应用场景	- 例子：LLM 可通过 MCP 完成复杂任务，如读取本地文件、分析内容、调用外部 API 并保存结果到数据库。 - 优势：适合复杂的 AI 工作流，如跨资源协同和多 API 联动。	- 例子：LLM 调用 FastAPI 接口查询天气信息。 - 劣势：更适合单一功能的调用，不支持复杂的任务流程。

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！