本文详细介绍了 Dify 如何通过插件实现 MCP（Model Context Protocol）服务调用，并深入解析了 MCP 的概念、重要性、组成及执行流程。MCP 作为一种开放协议，旨在解决大模型时代的数据孤岛、开发低效和生态碎片化等问题，使得大模型能够像“插 USB”一样直接调用外部工具和数据源，从而打破数据壁垒，降低开发成本，提升安全性和互操作性，并推动 AI Agent 的进化。文章还提供了使用 Spring AI 编写本地 MCP 服务以及 Dify 调用 MCP 服务的具体步骤和配置示例，为开发者提供了实践指导。

💡 MCP 协议：MCP（Model Context Protocol）是由 Anthropic 提出的开放协议，用于大模型连接外部“数据源”，其作用类似于 Java 领域的 Spring Cloud Openfeign，但专注于大模型与外部数据之间的通信，旨在解决大模型在访问实时数据和本地资源时遇到的挑战。

🚀 MCP 的价值：MCP 的核心价值在于打破数据孤岛，实现 AI“连接万物”；降低开发成本，实现一次适配多场景；提升安全性和互操作性，促进生态统一；并推动 AI Agent 从“被动应答”向“主动调用工具”进化，为 AI 世界构建“通用语言”。

⚙️ MCP 架构与流程：MCP 架构包含客户端（大模型应用）和服务器端（响应请求并处理业务），其执行流程为：用户提问 -> LLM 查询 MCP 服务 -> 调用 MCP 服务器端 -> MCP 服务器端执行工具 -> 返回结果给 LLM。

💻 本地 MCP 服务实现：文章以 Spring AI 为例，展示了编写本地 MCP 服务器端的步骤，包括添加依赖、配置信息、编写服务代码（如天气查询示例）以及将服务暴露出去，并提供了不同类型的 MCP Server 依赖选项。

🔌 Dify 调用 MCP 服务：Dify 调用 MCP 服务主要通过安装 MCP 插件，配置 MCP 服务的 HTTP 地址（支持 SSE 和 streamable_http 传输），然后在 Agent 中配置相关信息（如策略、LLM、MCP 工具和 HTTP 地址），最后进行测试验证，整个过程打通了大模型与外部服务的连接。

Dify 可以通过插件实现 MCP 服务调用，而被调用的 MCP 服务基本可以分为以下两类：

通用 MCP 服务（非本地 MCP 服务）。本地 MCP 服务。

本地 MCP 服务指的是本地通过 Java 或其他语言实现的 MCP 服务器端。

当你会用 Dify 调用本地 MCP 服务，也就意味着你会使用 Dify 调用通用 MCP 服务了，因为实现步骤和原理基本都是一样。

1.什么是MCP？

MCP 是 Model Context Protocol，模型上下文协议，它是由 Anthropic（Claude 大模型母公司）提出的开放协议，用于大模型连接外部“数据源”的一种协议。

它可以通俗的理解为 Java 界的 Spring Cloud Openfeign，只不过 Openfeign 是用于微服务通讯的，而 MCP 用于大模型通讯的，但它们都是为了通讯获取某项数据的一种机制，如下图所示：

2.为什么需要MCP？

MCP 存在的意义是它解决了大模型时代最关键的三个问题：数据孤岛 、开发低效和生态碎片化等问题。

1.打破数据孤岛，让AI“连接万物”

大模型本身无法直接访问实时数据或本地资源（如数据库、文件系统），传统方式需要手动复制粘贴或定制接口。MCP 通过标准化协议，让大模型像“插USB”一样直接调用外部工具和数据源，例如：

查天气时自动调用气象 API，无需手动输入数据。分析企业数据时直接连接内部数据库，避免信息割裂。

2.降低开发成本，一次适配所有场景

在之前每个大模型（如 DeepSeek、ChatGPT）需要为每个工具单独开发接口（Function Calling），导致重复劳动，MCP 通过统一协议：

开发者只需写一次 MCP 服务端，所有兼容 MCP 的模型都能调用。用户无需关心技术细节，大模型可直接操作本地文件、设计软件等。

3.提升安全性与互操作性

安全性：MCP 内置权限控制和加密机制，比直接开放数据库更安全。生态统一：类似 USB 接口，MCP 让不同厂商的工具能“即插即用”，避免生态分裂。

4.推动AIAgent的进化

MCP 让大模型从“被动应答”变为“主动调用工具”，例如：

自动抓取网页新闻补充实时知识。打开 Idea 编写一个“Hello World”的代码。

MCP 的诞生，相当于为AI世界建立了“通用语言”，让模型、数据和工具能高效协作，最终释放大模型的全部潜力。

3.MCP组成和执行流程

MCP 架构分为以下 3 部分：

客户端：大模型应用（如 DeepSeek、ChatGPT）发起 MCP 协议请求。服务器端：服务器端响应客户端的请求，并查询自己的业务实现请求处理和结果返回。

运行流程：

用户提问 LLM。LLM 查询 MCP 服务列表。找到需要调用 MCP 服务，调用 MCP 服务器端。MCP 服务器接收到指令。调用对应工具（如数据库）执行。返回结果给 LLM。

4.编写本地MCP服务

接下来，我们使用 Spring AI 来实现本地 MCP 服务器端，它的主要实现步骤如下：

添加 MCP Server 依赖。设置 MCP 配置信息。编写 MCP Server 服务代码。将 MCP Server 进行暴露设置。

关键实现代码如下。

4.1 添加 MCP Server 依赖

<dependencies>  <dependency>    <groupId>org.springframework.ai</groupId>    <artifactId>spring-ai-starter-mcp-server-webflux</artifactId>  </dependency></dependencies><repositories>  <repository>    <name>Central Portal Snapshots</name>    <id>central-portal-snapshots</id>    <url>https://central.sonatype.com/repository/maven-snapshots/</url>    <releases>      <enabled>false</enabled>    </releases>    <snapshots>      <enabled>true</enabled>    </snapshots>  </repository>  <repository>    <id>spring-milestones</id>    <name>Spring Milestones</name>    <url>https://repo.spring.io/milestone</url>    <snapshots>      <enabled>false</enabled>    </snapshots>  </repository>  <repository>    <id>spring-snapshots</id>    <name>Spring Snapshots</name>    <url>https://repo.spring.io/snapshot</url>    <releases>      <enabled>false</enabled>    </releases>  </repository></repositories>

MCP Server 依赖有三种类型：

标准输入/输出 （STDIO） ：spring-ai-starter-mcp-serverSpring MVC**（服务器发送的事件）** ：spring-ai-starter-mcp-server-webmvcSpring WebFlux（响应式 SSE） ：spring-ai-starter-mcp-server-webflux

4.2 设置 MCP 配置信息

MCP Server 包含以下配置信息：

配置项	描述	默认值
enabled	启用/禁用 MCP 服务器	TRUE
stdio	启用/禁用 stdio 传输	FALSE
name	用于标识的服务器名称	mcp-server
version	服务器版本	1.0.0
type	服务器类型 （SYNC/ASYNC）	SYNC
resource-change-notification	启用资源更改通知	TRUE
prompt-change-notification	启用提示更改通知	TRUE
tool-change-notification	启用工具更改通知	TRUE
tool-response-mime-type	（可选）每个工具名称的响应 MIME 类型。例如，将 mime 类型与工具名称相关联spring.ai.mcp.server.tool-response-mime-type.generateImage=image/pngimage/pnggenerateImage()	-
sse-message-endpoint	Web 传输的 SSE 终端节点路径	/mcp/message

其中 MCP Server 又分为以下两种类型。

服务器类型

同步服务器：默认服务器类型，它专为应用程序中的简单请求-响应模式而设计。要启用此服务器类型，请在您的配置中设置。 激活后，它会自动处理同步工具规格的配置，spring.ai.mcp.server.type=SYNC。异步服务器： 异步服务器实现使用非阻塞作并针对非阻塞作进行了优化。要启用此服务器类型，请使用配置您的应用程序。此服务器类型会自动设置具有内置 Project Reactor 支持的异步工具规范，spring.ai.mcp.server.type=ASYNC。

4.3 编写MCPServer服务代码

编写天气预报查询伪代码：

import org.springframework.ai.tool.annotation.Tool;import org.springframework.stereotype.Service;import java.util.Map;@Servicepublic class WeatherService {    @Tool(description = "根据城市名称获取天气预报")    public String getWeatherByCity(String city) {        Map<String, String> mockData = Map.of(            "西安", "晴天",            "北京", "小雨",            "上海", "大雨"        );        return mockData.getOrDefault(city, "抱歉：未查询到对应城市！");    }}

4.4 将服务暴露出去

@Beanpublic ToolCallbackProvider weatherTools(WeatherService weatherService) {return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();}

这样 MCP Server 就编写完成了。

5.Dify调用本地MCP

Dify 调用 MCP 主要步骤如下：

安装 MCP 插件。配置 MCP 服务 HTTP 地址。配置 Agent 相关信息。运行测试。

具体配置如下。

5.1 安装 MCP 插件

安装 Agent 策略（支持 MCP 工具）如下图所示：

MCP SSE 选装，非必须，可以为后续 Agent 提供 MCP 工具列表，方便 LLM 正确理解和调用工具。

5.2 配置 MCP 服务地址

Dify 只支持 HTTP 协议的 MCP 服务调用，它的配置格式如下：

{  "server_name1": {    "transport": "sse",    "url": "http://127.0.0.1:8000/sse",    "headers": {},    "timeout": 50,    "sse_read_timeout": 50  },  "server_name2": {    "transport": "sse",    "url": "http://127.0.0.1:8001/sse"  },  "server_name3": {    "transport": "streamable_http",    "url": "http://127.0.0.1:8002/mcp",    "headers": {},    "timeout": 50  },  "server_name4": {    "transport": "streamable_http",    "url": "http://127.0.0.1:8003/mcp"  }}

支持配置多个 MCP 服务，或者是以下 JSON 格式也支持：

{  "mcpServers": {      "server_name1": {        "transport": "sse",        "url": "http://127.0.0.1:8000/sse",        "headers": {},        "timeout": 50,        "sse_read_timeout": 50      },      "server_name2": {        "transport": "sse",        "url": "http://127.0.0.1:8001/sse"      },      "server_name3": {        "transport": "streamable_http",        "url": "http://127.0.0.1:8002/mcp",        "headers": {},        "timeout": 50      },      "server_name4": {        "transport": "streamable_http",        "url": "http://127.0.0.1:8003/mcp"      }    }}

5.3 配置 Agent

Agent 需要配置的项目比较多，首先是 Agent 策略：

然后是 LLM，选择合适的大模型即可，之后配置 MCP 工具和 HTTP 地址，如下图所示：

之后配置指令和查询问题：

5.4 测试 MCP 调用

我们创建的是一个 ChatFlow，执行效果如下：

执行符合预期。

小结

Dify 调用 MCP 服务主要依靠的是 HTTP 地址和 MCP 协议，对于用户来说他面向的是大模型，对于程序来说是大模型调用了 MCP 服务，所以大模型端也就是 MCP 的客户端。我们会调用本地 MCP 服务了，那么问题来了，如何调用通用的 MCP 服务呢？

 Dify 可以通过插件实现 MCP 服务调用，而被调用的 MCP 服务基本可以分为以下两类：

通用 MCP 服务（非本地 MCP 服务）。本地 MCP 服务。

本地 MCP 服务指的是本地通过 Java 或其他语言实现的 MCP 服务器端。

当你会用 Dify 调用本地 MCP 服务，也就意味着你会使用 Dify 调用通用 MCP 服务了，因为实现步骤和原理基本都是一样。

1.什么是MCP？

MCP 是 Model Context Protocol，模型上下文协议，它是由 Anthropic（Claude 大模型母公司）提出的开放协议，用于大模型连接外部“数据源”的一种协议。

它可以通俗的理解为 Java 界的 Spring Cloud Openfeign，只不过 Openfeign 是用于微服务通讯的，而 MCP 用于大模型通讯的，但它们都是为了通讯获取某项数据的一种机制，如下图所示：

2.为什么需要MCP？

MCP 存在的意义是它解决了大模型时代最关键的三个问题：数据孤岛 、开发低效和生态碎片化等问题。

1.打破数据孤岛，让AI“连接万物”

大模型本身无法直接访问实时数据或本地资源（如数据库、文件系统），传统方式需要手动复制粘贴或定制接口。MCP 通过标准化协议，让大模型像“插USB”一样直接调用外部工具和数据源，例如：

查天气时自动调用气象 API，无需手动输入数据。分析企业数据时直接连接内部数据库，避免信息割裂。

2.降低开发成本，一次适配所有场景

在之前每个大模型（如 DeepSeek、ChatGPT）需要为每个工具单独开发接口（Function Calling），导致重复劳动，MCP 通过统一协议：

开发者只需写一次 MCP 服务端，所有兼容 MCP 的模型都能调用。用户无需关心技术细节，大模型可直接操作本地文件、设计软件等。

3.提升安全性与互操作性

安全性：MCP 内置权限控制和加密机制，比直接开放数据库更安全。生态统一：类似 USB 接口，MCP 让不同厂商的工具能“即插即用”，避免生态分裂。

4.推动AIAgent的进化

MCP 让大模型从“被动应答”变为“主动调用工具”，例如：

自动抓取网页新闻补充实时知识。打开 Idea 编写一个“Hello World”的代码。

MCP 的诞生，相当于为AI世界建立了“通用语言”，让模型、数据和工具能高效协作，最终释放大模型的全部潜力。

3.MCP组成和执行流程

MCP 架构分为以下 3 部分：

客户端：大模型应用（如 DeepSeek、ChatGPT）发起 MCP 协议请求。服务器端：服务器端响应客户端的请求，并查询自己的业务实现请求处理和结果返回。

运行流程：

用户提问 LLM。LLM 查询 MCP 服务列表。找到需要调用 MCP 服务，调用 MCP 服务器端。MCP 服务器接收到指令。调用对应工具（如数据库）执行。返回结果给 LLM。

4.编写本地MCP服务

接下来，我们使用 Spring AI 来实现本地 MCP 服务器端，它的主要实现步骤如下：

添加 MCP Server 依赖。设置 MCP 配置信息。编写 MCP Server 服务代码。将 MCP Server 进行暴露设置。

关键实现代码如下。

4.1 添加 MCP Server 依赖

<dependencies>  <dependency>    <groupId>org.springframework.ai</groupId>    <artifactId>spring-ai-starter-mcp-server-webflux</artifactId>  </dependency></dependencies><repositories>  <repository>    <name>Central Portal Snapshots</name>    <id>central-portal-snapshots</id>    <url>https://central.sonatype.com/repository/maven-snapshots/</url>    <releases>      <enabled>false</enabled>    </releases>    <snapshots>      <enabled>true</enabled>    </snapshots>  </repository>  <repository>    <id>spring-milestones</id>    <name>Spring Milestones</name>    <url>https://repo.spring.io/milestone</url>    <snapshots>      <enabled>false</enabled>    </snapshots>  </repository>  <repository>    <id>spring-snapshots</id>    <name>Spring Snapshots</name>    <url>https://repo.spring.io/snapshot</url>    <releases>      <enabled>false</enabled>    </releases>  </repository></repositories>

MCP Server 依赖有三种类型：

标准输入/输出 （STDIO） ：spring-ai-starter-mcp-serverSpring MVC**（服务器发送的事件）** ：spring-ai-starter-mcp-server-webmvcSpring WebFlux（响应式 SSE） ：spring-ai-starter-mcp-server-webflux

4.2 设置 MCP 配置信息

MCP Server 包含以下配置信息：

配置项	描述	默认值
enabled	启用/禁用 MCP 服务器	TRUE
stdio	启用/禁用 stdio 传输	FALSE
name	用于标识的服务器名称	mcp-server
version	服务器版本	1.0.0
type	服务器类型 （SYNC/ASYNC）	SYNC
resource-change-notification	启用资源更改通知	TRUE
prompt-change-notification	启用提示更改通知	TRUE
tool-change-notification	启用工具更改通知	TRUE
tool-response-mime-type	（可选）每个工具名称的响应 MIME 类型。例如，将 mime 类型与工具名称相关联spring.ai.mcp.server.tool-response-mime-type.generateImage=image/pngimage/pnggenerateImage()	-
sse-message-endpoint	Web 传输的 SSE 终端节点路径	/mcp/message

其中 MCP Server 又分为以下两种类型。

服务器类型

同步服务器：默认服务器类型，它专为应用程序中的简单请求-响应模式而设计。要启用此服务器类型，请在您的配置中设置。 激活后，它会自动处理同步工具规格的配置，spring.ai.mcp.server.type=SYNC。异步服务器： 异步服务器实现使用非阻塞作并针对非阻塞作进行了优化。要启用此服务器类型，请使用配置您的应用程序。此服务器类型会自动设置具有内置 Project Reactor 支持的异步工具规范，spring.ai.mcp.server.type=ASYNC。

4.3 编写MCPServer服务代码

编写天气预报查询伪代码：

import org.springframework.ai.tool.annotation.Tool;import org.springframework.stereotype.Service;import java.util.Map;@Servicepublic class WeatherService {    @Tool(description = "根据城市名称获取天气预报")    public String getWeatherByCity(String city) {        Map<String, String> mockData = Map.of(            "西安", "晴天",            "北京", "小雨",            "上海", "大雨"        );        return mockData.getOrDefault(city, "抱歉：未查询到对应城市！");    }}

4.4 将服务暴露出去

@Beanpublic ToolCallbackProvider weatherTools(WeatherService weatherService) {return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();}

这样 MCP Server 就编写完成了。

5.Dify调用本地MCP

Dify 调用 MCP 主要步骤如下：

安装 MCP 插件。配置 MCP 服务 HTTP 地址。配置 Agent 相关信息。运行测试。

具体配置如下。

5.1 安装 MCP 插件

安装 Agent 策略（支持 MCP 工具）如下图所示：

MCP SSE 选装，非必须，可以为后续 Agent 提供 MCP 工具列表，方便 LLM 正确理解和调用工具。

5.2 配置 MCP 服务地址

Dify 只支持 HTTP 协议的 MCP 服务调用，它的配置格式如下：

{  "server_name1": {    "transport": "sse",    "url": "http://127.0.0.1:8000/sse",    "headers": {},    "timeout": 50,    "sse_read_timeout": 50  },  "server_name2": {    "transport": "sse",    "url": "http://127.0.0.1:8001/sse"  },  "server_name3": {    "transport": "streamable_http",    "url": "http://127.0.0.1:8002/mcp",    "headers": {},    "timeout": 50  },  "server_name4": {    "transport": "streamable_http",    "url": "http://127.0.0.1:8003/mcp"  }}

支持配置多个 MCP 服务，或者是以下 JSON 格式也支持：

{  "mcpServers": {      "server_name1": {        "transport": "sse",        "url": "http://127.0.0.1:8000/sse",        "headers": {},        "timeout": 50,        "sse_read_timeout": 50      },      "server_name2": {        "transport": "sse",        "url": "http://127.0.0.1:8001/sse"      },      "server_name3": {        "transport": "streamable_http",        "url": "http://127.0.0.1:8002/mcp",        "headers": {},        "timeout": 50      },      "server_name4": {        "transport": "streamable_http",        "url": "http://127.0.0.1:8003/mcp"      }    }}

5.3 配置 Agent

Agent 需要配置的项目比较多，首先是 Agent 策略：

然后是 LLM，选择合适的大模型即可，之后配置 MCP 工具和 HTTP 地址，如下图所示：

之后配置指令和查询问题：

5.4 测试 MCP 调用

我们创建的是一个 ChatFlow，执行效果如下：

执行符合预期。

小结

Dify 调用 MCP 服务主要依靠的是 HTTP 地址和 MCP 协议，对于用户来说他面向的是大模型，对于程序来说是大模型调用了 MCP 服务，所以大模型端也就是 MCP 的客户端。我们会调用本地 MCP 服务了，那么问题来了，如何调用通用的 MCP 服务呢？

我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是， 基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 拿出来： 😝有需要的小伙伴，可以 在这🆓↓↓↓

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段：专题集丨特训篇 【录播课】

现在将这份 LLM大模型资料 拿出来： 😝有需要的小伙伴，可以 在这🆓↓↓↓