Dify + MCP Server：用搭积木的方式构建模块化 AI 系统应用

1. 引言：Dify + MCP 是什么组合？

在 AI 工程逐渐由“单点功能”走向“智能系统集成”的当下，模型如何安全、标准、低代码地连接工具链，正在成为 AI 能力落地的决定性问题。

📌 MCP（Model Context Protocol）是 Anthropic 推出的通用协议标准，旨在解决 AI 模型与外部系统的互联问题。它的目标是：

• ✨ 给 AI 一个可以“使用工具”的万能接口
• 🔌 统一模型与服务间的数据调用协议
• 💡 像 USB-C 一样为 AI 打造“标准连接规范”

而 Dify，正是 MCP 落地过程中非常理想的 “Server 侧搭建框架”。

它将原本用于构建 Chatbot、Workflow 的功能，通过 零代码配置 + 私有部署能力 封装为可注册的 MCP Server，帮助产品经理、工程师实现 AI 能力的“乐高式拼装”。

2. 什么是 MCP？为什么它正在成为“AI 工程的 HTTP 协议”？

先快速回顾 MCP 的本质定位。

MCP 是为模型而设计的调用协议。区别于传统 API（人类写代码调工具），MCP 的目标是：让 AI 模型能“自主”调工具。

📊 协议支持能力：

📌 MCP 是标准、轻量、开放的工具协议，就像是 AI 世界的“USB-C + WebSocket”混合协议标准。

3. Dify 如何作为 MCP Server 使用？

传统 MCP Server 一般需要工程师手动开发 FastAPI / Flask 服务，并写好 metadata 和 OpenAPI 文件。而 Dify 做了一件聪明事：

它将 Chatflow 和 Workflow 应用封装成 MCP 工具，并通过 UI 配置注册为标准 Server 接口，无需写一行代码。

📌 配置路径如下：

1. 安装 Dify 插件模块 Dify as MCP Server
2. 选择一个已有的 Dify 应用（聊天 or 工作流）
3. 配置必要参数（API Key、描述信息、Server URL）
4. 在 Claude Desktop 或 CherryStudio 注册 Server，填入 URL： https://your-dify-instance.com/api/plugin-endpoint/difyapp_as_mcp_server/mcp-jsonrpc

✅ 支持两类 MCP 工具类型：

📌 此外，Dify MCP 实现支持 MCP 的两个关键端点：

• /mcp-jsonrpc：处理模型的初始化、工具列表、执行请求
• /mcp-sse：处理长连接任务、流式对话、连接生命周期管理

4. 工程价值：标准化 vs 灵活性完美兼容

Dify 的 MCP 能力为 AI 产品经理和系统架构师带来了非常现实的三大价值：

🔹 零代码集成，开发门槛极低

不再需要写 API 服务，只需点几下即可让一个 AI 应用“变成可供模型调用的插件”，即插即用。

🔹 满足企业级部署需求

• 可部署在私有服务器，适配敏感场景如金融、医疗、政府系统
• 支持 API Key 验证、权限隔离、日志审计等安全机制
• 更易与已有系统集成（如 OA、CRM）

🔹 生态兼容性极强

• 完全符合 MCP 协议标准，可直接被 Claude、LangChain、AutoGPT 等客户端调用
• 未来可注册进 MCP Server Hub，实现“一键装载工具市场”

5. 实战场景一：智能客服系统中的 Dify + MCP 工具链

在传统客服场景中，AI 只是“问答机器人”：

• 用户提问 → 模型回答 → 结束

而现在，Dify + MCP 可以构建一个具备“记忆、知识、执行能力”的智能客服代理，支持：

📊 Mermaid 图示：客服代理多链结构图

graph TD
    U["用户提问：如何退货？"] --> AG[Agent]
    AG --> TOOL1["Dify Chatflow：退货规则问答"]
    AG --> TOOL2["Dify Workflow：生成退货单"]
    TOOL2 --> TOOL3["Webhook：写入ERP系统"]
    AG --> RESP[统一输出回复]

📌 实际效果：

Claude 可以接入这组 Dify MCP Server，完成 “问答 + 工单生成 + 系统录入” 的完整闭环流程。

6. 实战场景二：合同审查 + 自动摘要工作流

目标：上传一份合同 → 自动解读关键条款 → 与公司政策比对 → 输出报告

🔧 组成模块：

• Dify Chatbot：负责通用提问，如“这份合同风险点在哪里？”
• Dify Workflow：
  • PDF 解析 → 条款分类 → 风控比对 → 审核结论生成
• MCP 工具接入模型（如 Claude），让模型有“读 + 判 + 写”能力

📊 Mermaid 图示：AI 审核助手组件结构图

graph TD
    U["上传合同"] --> MCP["Claude"]
    MCP --> CHAT["Dify Chatflow：风险问答"]
    MCP --> FLOW["Dify Workflow：结构化解析"]
    FLOW --> STEP1["条款抽取"]
    STEP1 --> STEP2["公司政策比对"]
    STEP2 --> STEP3["生成报告 + 通知法务"]

📌 工程提示：

• Dify 的每个工作流都可配置为“一个 MCP 工具”，模型可根据任务自由组合调用
• 流程中支持使用外部插件，如 OCR、数据库查重、合约知识库检索等

7. 实战场景三：AI 办公助手 = 多工具组合体

构建一个 AI 办公助理，让它能自动完成以下任务：

• 帮我总结这份 20 页 PDF 的重点
• 把它变成一个 Notion 页面
• 生成一份结构化 Excel 表
• 通知我所在的微信群

🎯 所需 Dify 应用：

📌 Claude 通过注册的 MCP Server 可一次调用所有组件，不再依赖插件系统。

8. 与 RAG 和 Agent 的协同方式：不是替代，是融合

很多开发者问：有了 Dify 作为 MCP Server，我还需要 RAG 或 Agent 吗？

答案是：需要——而且三者组合才是未来 AI 应用的主流形态。

✅ 各自定位：

📊 统一系统结构图（Mermaid）

flowchart TD
    U["用户任务指令"] --> AG["Agent 控制器"]
    AG --> RAG["知识查找：RAG 组件"]
    AG --> MCP["Dify MCP Server 工具列表"]
    RAG --> AG
    MCP --> AG
    AG --> RESP["输出完整回复"]

📌 实践意义：

• RAG 提供语义支持与上下文
• Agent 决策流程与顺序
• Dify MCP 工具真正执行“动手部分”，如读文档、改格式、连业务系统

9. 对 AI 工程团队的实际意义

结合实际项目开发与测试，Dify + MCP 模式带来的直接好处包括：

✅ 极大降低构建“可调用 AI 工具”的门槛

• 非开发人员可用 UI 配置工具 + 流程
• 开发者只需接入 Claude、GPT、DeepSeek 等模型，无需再维护工具逻辑

✅ 工具复用能力变强：可组合、可嵌套、可复用

• 一个工作流可变多个 Server
• 支持参数化传参，适配各种 Agent 请求格式
• 可嵌入 Agent、AutoGen、LangGraph 等系统，构成多 Agent 执行链

10. 构建 AI 工具链的最佳实践：从“独立服务”到“多工具生态”

以 Dify 为基础搭建 MCP Server 系统时，推荐遵循如下架构设计原则：

✅ 工具原子化：一个功能一个应用

• 不要把所有操作做成一个巨型 Workflow
• 每个功能点单独配置一个 Chatflow 或 Workflow，独立注册为 MCP 工具
• 保证“接口清晰”、“参数明确”，便于复用与组合调用

📌 示例：

✅ 模型输入规范化：标准化 Prompt 模板

通过统一的 prompt 模板，规范 MCP 工具如何接收输入、返回结构：

• 📥 输入字段统一结构：{user_input, user_id, file_id}
• 📤 输出结构 JSON 化：{summary, key_risks, references}
• 支持带上下文信息的字段，比如：历史对话、会话目标等

✅ 注册自动化 + 多 Agent 系统集成

• 可通过部署脚本自动批量注册 MCP Server 至 Registry 或 Claude AgentHub
• 可将工具暴露为 LangChain Tool 或 OpenDevin Function
• 在多 Agent 场景中支持“功能共享”：不同角色复用同一 Server

11. MCP vs Function Calling vs 插件系统：三者怎么选？

虽然 MCP 并不新鲜，但它背后的工程意义远远超出了传统插件系统或 Function 调用机制。

📊 三者对比表：

📌 总结：MCP 是更标准、更开放、更易组合的工具协议层。

12. 企业如何部署 Dify + MCP Server 系统？

对企业技术团队而言，部署 Dify MCP 工具系统的推荐路线如下：

架构图：私有部署 + 多工具注册中心

flowchart TD
    User["企业用户"]
    Agent["智能体系统（如 Claude、LangChain）"]
    RAG["向量数据库 / RAG 系统"]
    ToolA["Dify App A：知识问答"]
    ToolB["Dify App B：文档解析"]
    ToolC["Dify App C：数据写入"]
    Reg["MCP Registry"]

    User --> Agent
    Agent --> RAG
    Agent --> Reg
    Reg --> ToolA
    Reg --> ToolB
    Reg --> ToolC
    ToolA --> Agent
    ToolB --> Agent
    ToolC --> Agent

部署建议：

• 使用 Docker 一键部署 Dify + Plugin 插件
• 将每个 Chatflow / Workflow 注册为一个 Tool
• 部署自建 MCP Registry 或直接使用 Claude Desktop 加载
• 可结合 API Key 验证、访问日志、缓存策略提升安全性

总结：MCP + Dify，让 AI 能力更像“乐高积木”

在构建企业 AI 工具链过程中，Dify 作为 MCP Server，带来了以下突破性价值：

📌 它把“开发工具”变成了“拼装工具”，让每一个工程师都能像搭乐高一样构建属于自己的 AI 工具链系统。

📎 附件推荐资源 & 工具集

• 🔗 Dify 官方项目：GitHub - langgenius/dify
• 🔗 MCP 标准官网：https://mcp.so/
• 🧰 Claude Desktop + MCP Client：https://github.com/cherrybuilds/claude-desktop
• 🛠 MCP Server 示例合集：GitHub - punkpeye/awesome-mcp-servers: A collection of MCP servers.

📩 如你希望部署 Dify + MCP 环境、构建企业私有 AI 工具市场、打通业务系统，请留言/联系，我们可继续深度协作！