在 AI 应用开发领域，检索增强生成（Retrieval Augmented Generation，RAG）已成为构建智能问答、文档分析等场景的核心技术。通过 RAG，AI 应用能够结合现有知识库，在生成回答时引入外部信息，从而为用户提供更准确、更智能的响应。本文将通过一个实践案例，展示如何使用 Dify、OceanBase 和 MCP，从零开始构建一个功能完备的 RAG 应用。
Dify 是一个开源的 LLM 应用开发平台，它提供了友好的图形化界面，让开发者可以快速编排和部署 AI 应用和工作流。
OceanBase 是由阿里巴巴和蚂蚁集团自主研发的分布式关系型数据库，专为大规模数据处理、高并发访问及金融级可用性场景而设计。它不仅支持传统的结构化数据管理与事务处理，从 4.3.3 版本开始，还原生支持向量数据类型，满足 AI 及语义检索等新兴应用需求。
MCP（Model Context Protocol，模型上下文协议） 是由 Anthropic 公司于 2024 年 11 月推出并开源的开放协议，旨在实现大语言模型（LLM）与外部工具、数据源的高效交互。MCP 通过标准化的接口，让 AI 系统能够实时访问和调用数据库、API 及其他服务，从而打破“数据孤岛”，提升 AI 应用的实时性、可操作性和协作能力。
部署 OceanBase
OceanBase 提供了多种部署方式，例如通过 Docker、Kubernetes、OBD（OceanBase Deployer）和 OceanBase 桌面版等。为了方便实验，本文将使用 OceanBase 桌面版来部署 OceanBase。
注意：OceanBase 桌面版仅适用于学习或测试场景，请不要应用于生产环境。
安装 OceanBase 桌面版，可以参考该文档：www.oceanbase.com/docs/common…
OceanBase 桌面版安装完成后，将看到如下界面：
默认情况下，OceanBase 会创建两个租户 sys 和 test，我们将在 test 租户下创建 Dify 使用的向量数据库。第一次需要为 test 租户设置密码。
在 数据库管理 页面中，新增一个名为 rag 的数据库。
部署 Dify
在本文中，我们将使用 OceanBase 作为 Dify 的向量数据库，用于存储 RAG 应用所需的知识库内容。与此同时，Dify 还需要一个关系型数据库来存储元数据。目前 Dify 官方仓库（最新版为 v1.5.0）仅支持 PostgreSQL，尚不支持 MySQL。
OceanBase 社区基于 Dify v0.14.2 分支进行了改造，使其支持使用兼容 MySQL 协议的数据库来存储结构化数据，相关代码和文档在 oceanbase-devhub/dify 仓库中。如果你希望同时使用 OceanBase 作为向量数据库和关系型数据库，可以参考该版本进行部署。
此前，OceanBase 社区也曾向 Dify 官方提交支持 MySQL 的 PR（Make Dify compatible with MySQL database：github.com/langgenius/… ），但该 PR 未被 Dify 社区采纳。为了能够使用 Dify 的最新功能（例如 MCP Server 插件），本文将基于官方最新的 v1.5.0 版本，分别使用 OceanBase 和 PostgreSQL 作为向量数据库和关系型数据库。
启动 Dify 服务器最简单的方式是通过 Docker Compose。首先，克隆 Dify 仓库。进入 Dify 的 docker 目录，复制一份环境变量配置文件。
git clone https://github.com/langgenius/dify.gitcd difycd dockercp .env.example .env然后，编辑 .env 文件，将 VECTOR_STORE 设置为 oceanbase，并填入 OceanBase 的连接信息。
VECTOR_STORE=oceanbaseOCEANBASE_VECTOR_HOST=198.19.249.160OCEANBASE_VECTOR_PORT=2881OCEANBASE_VECTOR_USER=root@testOCEANBASE_VECTOR_PASSWORD=<your_password>OCEANBASE_VECTOR_DATABASE=ragOceanBase 的 IP 地址可以在 OceanBase 桌面版部署所使用的虚拟机中获取。在 macOS 上，OceanBase 桌面版是通过 OrbStack 启动虚拟机进行部署的。你可以在 OrbStack 的 Machines 界面点击 Terminal 按钮进入对应虚拟机，并通过 ip addr 命令查看其 IP 地址。
在输出信息中找到 eth0 网卡的 inet 地址，例如 198.19.249.160，这就是连接 OceanBase 所需要用到的 IP。
admin@oceanbase-desktop:~$ ip addr1: lo: <LOOPBACK,UP,LOWER_UP> mtu 65536 qdisc noqueue state UNKNOWN group default qlen 1000 link/loopback 00:00:00:00:00:00 brd 00:00:00:00:00:00 inet 127.0.0.1/8 scope host lo valid_lft forever preferred_lft forever inet6 ::1/128 scope host proto kernel_lo valid_lft forever preferred_lft forever2: tunl0@NONE: <NOARP> mtu 1480 qdisc noop state DOWN group default qlen 1000 link/ipip 0.0.0.0 brd 0.0.0.03: sit0@NONE: <NOARP> mtu 1480 qdisc noop state DOWN group default qlen 1000 link/sit 0.0.0.0 brd 0.0.0.04: ip6tnl0@NONE: <NOARP> mtu 1452 qdisc noop state DOWN group default qlen 1000 link/tunnel6 :: brd :: permaddr a2c4:a96f:bb63::5: eth0@if17: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 1500 qdisc noqueue state UP group default qlen 1000 link/ether a6:e9:47:13:6a:81 brd ff:ff:ff:ff:ff:ff link-netnsid 0 inet 198.19.249.160/24 metric 100 brd 198.19.249.255 scope global dynamic eth0 valid_lft 168908sec preferred_lft 168908sec inet6 fd07:b51a:cc66:0:a4e9:47ff:fe13:6a81/64 scope global mngtmpaddr noprefixroute valid_lft forever preferred_lft forever inet6 fe80::a4e9:47ff:fe13:6a81/64 scope link proto kernel_ll valid_lft forever preferred_lft forever修改完环境变量配置后，执行以下命令启动 Dify 服务。
docker compose up -d可选：Dify 的
docker-compose.yaml文件中其实也包含了 OceanBase 的容器配置。但由于我们已经通过 OceanBase 桌面版完成了部署，因此可以选择将其中的 OceanBase 容器配置注释掉，避免启动一个多余的容器。
服务启动后，浏览器输入 http://localhost 即可访问 Dify 的 Web 界面。第一次登录需要设置用户名和密码。
设置模型供应商
点击右上角的头像，选择设置进入设置页面。
点击模型供应商，这里我选择将通义千问作为模型供应商。读者也可以自行选择其他模型供应商。
在 API Key 中填入通义千问的 API Key，然后点击 保存。
选择默认的系统模型，这里主要需要设置系统推理模型和 Embedding 模型，大家可以根据自己的喜好自行选择。
索引知识库
完成模型设置后，接下来可以开始索引知识库了。回到首页，点击顶端的 知识库 标签页，进入知识库管理界面，点击创建知识库。
选择导入已有文本，可以直接拖入文件进行索引。这里我上传了两篇关于大模型推理优化技术 Chunked Prefill 的论文。
然后设置文本的分段规则，这里可以保留默认设置。点击预览块可以在右侧预览分段后的结果。确认没问题后，点击 保存并处理。
创建对话应用
点击工作室标签页，进入应用管理界面，点击创建空白应用。
选择聊天助手，并填写应用名称。输入完成后点击创建按钮。
添加上一步索引的知识库作为聊天助手的上下文。然后可以在右侧聊天框里进行应用调试，例如询问什么是 Chunked Prefill？。从输出可以看到，AI 会根据文档内容生成回答，并附上引用的来源片段。
点击文件图标，可以看到具体引用的内容。
确认无误后，点击右上角的发布按钮。
然后就可以在聊天助手中进行提问了。
将 Dify 应用转换为 MCP Server
Dify 也可以作为一个 MCP Server，使你构建的 AI 应用能够被其他 MCP 客户端（如 Cursor、Windsurf、Cherry Studio 等）调用，从而拓展更多使用场景。mcp-server 插件由 Dify 社区贡献，是一种扩展类型插件。安装后，可将任意 Dify 应用转化为符合 MCP 标准的服务端点，供外部 MCP 客户端直接访问。
在 Dify 的 Marketplace 中选择 MCP server 插件进行安装。
接下来，设置 MCP Server，App 选择上一步发布的聊天助手应用。
按照 MCP 规范，我们需要为工具提供一个清晰的输入模式。对于聊天 Dify 应用，确保在输入模式中包含一个 query 字段，格式如下：
{ "name": "search_paper", "description": "Search information from Paper.", "inputSchema": { "type": "object", "properties": { "query": { "type": "string", "description": "The keywords for search." } }, "required": [ "query" ] }}配置完 MCP Server 后，就可以得到一个 MCP Server 的端点，Dify 提供了 SSE 和 Streamable HTTP 两种端点，这里我们选择 /mcp 后缀的 Streamable HTTP 端点。
将端点 URL 复制到 MCP Client，这里我使用 Cherry Studio。
配置完成后，在聊天界面选择配置的 Dify MCP Server。
接着我们尝试询问一个与知识库内容相关的问题。但调用 Dify MCP Server 后并没有得到预期的回答，展开返回结果可以看到仅返回了 <think>。这是因为我此前选择的推理模型 qwen3-32b 采用了混合思维模式，该模式允许 Qwen3 根据用户需求在“深度思考”和“快速响应”之间灵活切换。看起来是因为模型进入了深度思考模式，导致未能正常返回 Dify MCP Server 的调用结果。
解决方法就是将推理模型切换为没有深度思考模式的模型，例如 qwen-turbo。
现在再次询问一个与知识库内容相关的问题，就能从 Dify MCP Server 得到预期的回答了。
总结
本文详细介绍如何结合 Dify、OceanBase 和 MCP 从零开始构建一个功能完备的 RAG 应用。教程涵盖了从部署环境、创建知识库、到构建聊天助手并进行调试的全过程。最后，文章还演示了如何将 Dify 应用转化为一个标准的 MCP Server，使其能被外部客户端调用，从而极大地扩展了 AI 应用的集成与协作能力。
参考资料
- 安装 OceanBase 桌面版MySQL Authentication Plugin Issues on macOSDify MCP Plugin Hands-On Guide: Integrating Zapier for Effortless Agent Tool CallsTurn Your Dify App into an MCP ServerDify MCP server
