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

1.MCP Server

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/
  

2.Dify-Agent

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

• 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。

选择 Agent 策略

在节点配置面板中，点击 Agent 策略。

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。

• 1. 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。

• 2. 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。

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：

1. 模型： 选择驱动 Agent 的大语言模型。

2. 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。
3. 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。
4. 查询： 接收用户输入。
5. 最大迭代次数： 设定 Agent 的最大执行步数。
6. 输出变量： 提示节点输出的数据结构。

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。

3. 插件类型

• 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

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)

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。

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

• 开通 增加 MCP actions
  点击 “Add a new action” ，进行授权
  
  
  

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

{  "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：
  
• 或者 chatflow
  
  
• 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。