注：本文相关笔记内容，主要基于 Datawhale 2025年 12 月组队学习 ——《基于 Dify 的大模型应用开发》 课程资料整理而成。课程中关于 Dify 平台操作、大模型应用搭建流程、功能模块开发等核心知识点，为笔记创作提供了重要支撑。

一、MCP实战

遇到的问题：

在MCP配置的时候报错

解决方法：

重新研究了教程中2.4 （MCP SSE / StreamableHTTP用法介绍）填写样例的代码组成，根据自己的配置，按照样例改写了这个代码块

运行效果：

收获：

第一次在Agent中使用工具，查阅资料了解到，在 Dify 的 Agent 中，“工具” 是 Agent 实现功能扩展的核心组件，作用是让 Agent 能调用外部服务 / 能力来完成特定任务（比如查询、数据获取等）。本小结中所配置的三个工具的具体作用如下：

1. mcp_sse 获取MCP工具列表

• 作用：让 Agent 先获取 12306-MCP 服务提供的所有可用工具（比如 “查询车次”“筛选车票” 等功能接口），明确自己能调用的具体能力范围。
• 对应场景：你提示词里要求 “调用 MCP 工具时先获取工具列表”，这个工具就是用来完成 “获取工具列表” 这一步的，是后续调用具体 MCP 功能的前置步骤。

2. mcp_sse 调用MCP工具

• 作用：是 Agent 实际执行 12306 相关服务的核心工具，能调用 12306-MCP 提供的接口（比如查询湖州到杭州的高铁车次、规划行程等），获取真实的铁路出行数据。
• 对应场景：用户询问 “明天湖州到杭州的高铁有哪些” 时，Agent 通过这个工具调用 12306-MCP 的查询接口，拿到车次、时间、站点等信息，再整理后回复用户。

3. time 获取当前时间

• 作用：让 Agent 能获取系统当前的日期 / 时间，解决 “时间相关的动态需求”。
• 对应场景：用户问 “明天的高铁”，Agent 需要先通过这个工具拿到 “当前日期”，再计算出 “明天” 的具体日期（比如当前是 2025-12-25，“明天” 就是 2025-12-26），然后带着这个日期去调用 MCP 工具查询对应车次。

简单来说，这 3 个工具是 Agent 完成 “铁路出行服务” 的核心支撑：先通过获取MCP工具列表明确能力，再用time拿到当前时间确定查询范围，最后用调用MCP工具获取实际的车次数据，从而完成用户的查询需求。

二、语音文本转化任务

遇到的问题：

在配置Minimax时遇到了问题，一开始总是报错，还以为是Group写错了

解决方案：

第一次使用MiniMax，需要在官网进行实名认证，会赠送15元的可用额度，认证好之后，回到Dify的模型供应商，继续配置，就能够成功了

运行效果：

收获：

一开始我在直接回答节点中没有插入变量聚合器的 output，发现输出的结果中没有文字，仅有音频文件，而插入后就会显示文字，于是进一步进行了探究，这也让我明确了变量聚合器的核心作用：它是工作流里的 “变量中转枢纽”，能收集、整合多个节点（比如我这里的LLM和LLM 2）的输出变量，把分散的文本内容统一成一个变量传递给后续节点。

而之前无文字输出的原因也很清晰了：直接回答需要同时接收文本内容和语音文件，文本内容正是来自变量聚合器整合后的output；如果不插入它，TEXT TO SPEECH没有可转换的文本源，直接回答也缺少文字输入，自然只会生成音频、没有文字 —— 变量聚合器其实是给后续的语音转换、最终回复提供了内容来源。

这算是个很实用的收获，也让我更理解了工作流里节点间的变量依赖关系。