一、MCP原理说明
【Function call的实现逻辑】：
1、在模型API调用时，传递参数tools，其中包含了可用的函数清单；
2、模型分析输入要求以及已知tools后，返回调用工具以及对应的参数；
3、根据工具调用参数调用第三方工具，并获取结果；
4、将执行结果再次提交给模型，获取最终结果；
这里存在的问题在于，步骤3中需要针对不同的工具说明，APP侧编写不同的调用代码，从而降低了通用性。
【MCP的实现逻辑】
关键角色包括：
- MCP Server，封装外部第三方工具，执行具体的操作，并对外暴露统一接口；
- MCP client，与MCP Server进行交互（负责实际的工具调用），同时负责调用LLM以及处理LLM结果；
- LLM，根据工具清单，以及用户问题，判定是否调用工具；
其实现流程如下：
0、基于框架实现MCP Server，其中包含具体的第三方工具调用逻辑；
1、在应用初始化阶段，MCP client通过访问配置的Server地址，获取当前可用工具清单；
2、用户问题以及工具清单提交给LLM；
3、LLM进行逻辑分析，自行判定是否需要调用工具，并输出结果（含是否调用工具声明及具体参数）
4、MCP Client分析模型输出结果：
(1) 如果需要调用工具，则根据调用声明，与MCP Server通讯调用工具，拿到执行执行结果，并交由模型进行二次判断；
(2) 如果不需要调用工具，则生成结果；
5、经过多轮迭代（可能），最终返回生成结果
相比较Function call方式，通过MCP协议规范定义，这里只需要将工具封装到MCP Server中，剩余调用逻辑按照通用方式统一实现即可。不同的模型，不同的工具，只要按照MCP协议规范定义，就可以进行快速的调用。同时Java、Python等均提供了SDK，进一步对细节进行抽象，降低开发成本。
二、基于Dify的MCP实践
1、编写MCP Server
基于fastmcp库编写MCP 服务，提供了add() 和 sub() 两个工具，示例代码如下：
from fastmcp import FastMCP2、在服务器上将mcp服务启动 python demo_server.py
| INFO: Started server process [9888] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8088 (Press CTRL+C to quit) |
说明：服务可在其他服务器上部署启动，并保证dify主机能够访问目标服务的网络访问即可
3、在Dify平台上对MCP_SSE工具进行授权
(1) 在Dify开发平台，选择工具，搜索“mcp”，点击MCP SSE 工具，
(2) 点击“已授权”按钮
(3) 配置MCP服务配置
| { “compute_tools”: { “url”: “http://MCP Server’s IP:8088/sse”, “headers”: {}, “timeout”: 50, “sse_read_timeout”: 50 }} |
说明：这里允许配置多个MCP服务地址
4、通过Dify平台构建MCP应用
(1) 创建chatflow应用
(2) 创建工作流如下：
(3) 核心Agent节点配置内容如下：
其中：
Agent策略选择“支持MCP的Agent”-ReAct
模型选择qwen3-32b，并关闭思考模式（非必须，只是为了响应快一些）
工具列表选择MCP_SSE的两个工具
MCP服务器内容配置如下
| {“compute_tools”:{“transport”:“sse”,“url”: “http://*.*.*.*:8088/sse”}} |
指令内容输入如下：
| 当用户问题需要进行加法、减法计算时，调用compute_tools工具 |
查询内容直接配置为sys.query变量 即可
5、点击右上角预览按钮，进行功能验证
6、在预览阶段，点击AGENT可查看Agent调用详细日志（很棒的功能）
(1) 点击查看策略详情：
(2) 共计进行了两轮迭代，点击进一步查看
(3) 可查看具体的工作日志
(4) 最底层包含了Qwen3的思考过程，以及Add工具的调用过程。
以上，完成了简单的MCP服务部署，以及通过Dify平台进行MCP服务的调用，并进行工具验证以及调用日志查看。除通过MCP Server的方式提供第三方能力调用外，Dify平台本身也提供了工具插件，以及插件开发范式。可根据自身的业务需求进行灵活调用。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01教学内容
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
0690+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
