Agent + MCP工具实现数据库查询

置顶 已于 2025-08-14 12:54:05 修改
阅读量1.3k 收藏 29
点赞数 21
CC 4.0 BY-SA版权
分类专栏： 大模型LLM、 Dify 、数据分析 文章标签： 数据库
于 2025-05-30 15:22:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/litlit023/article/details/148338646
了解本专栏 订阅专栏 解锁全文 超级会员免费看
大模型Agent + MCP 在 ChatBI 问数场景下的探索实践
litlit023的专栏
08-03 933
大模型Agent + MCP 在 ChatBI 问数场景下的探索实践
大模型系列——Dify结合MCP实现数据库查询
2401_84052244的博客
05-24 1038
今天我们来看Dify结合MCP查询数据库，这里我们用到了一个查询数据库的服务，其实之前我们也有一篇讲text2sql的案例，但是因为我们表结构作为知识库，需要我们把这个表结构做的很丰富，确保能够更精准的生成相应的SQL语句，今天介绍的MCP查询数据库会更灵活一些。MCP服务其实在现阶段，Dify的支持还是欠缺了点，使用的感受还是不如其他的一些客户端，比如我用的cherry studio，这个给我感觉会更兼容一些，使用起来会更方便一些，就是cursor也很好用，有空我也会去介绍一下这些工具的使用。
Dify + Agent实现自然语言查询Mysql数据库并分析
wangwei的博客
03-20 2811
Dify + Agent实现自然语言查询Mysql数据库并分析 问题是，我配置完AGENT中的提示词、变量、知识库、工具后，比如我输入“查询用户信息”，按照 【知识库】中的文件信息，生成的sql应该是 “select  *  from  sys_user”等sql,但现在情况是，生成的sql中的表信息，与我配置的知识库中的信息不一致，问题出在哪里，虚心请教，感谢！！！！
大模型 agent 执行sql查询
Qiming的博客
08-08 821
大模型agent执行sql。
用dify + agent构建自然语言查询数据库信息并展示
热门推荐
wu_tech的博客
12-11 1万+
用dify + agent构建自然语言查询数据库信息并展示。
Dify AI智能体实战：MCP+RAG+DeepSeek+通义千问
最新发布
08-12
一、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）。新书配合此实战课程结合学习，一静一动，互补高效学习！本课程由互联网一线知名大牛陈敬雷老师全程亲自授课，技术前沿热门，是真正的互联网工业级实战项目。二、课程简介        GPT-5多模态大模型、MCP、AI Agent智能体、DeepSeek、Dify、扣子Coze、RAG、Sora……这些不断刷屏的前沿技术正持续引爆AI领域，掀起一轮又一轮创新浪潮。你是否也渴望穿透技术表象，直抵核心本质？是否想系统梳理发展脉络，不再被碎片化信息裹挟？          在 Dify AI 智能体平台实操浪潮里，MCP、RAG 知识库集成、DeepSeek 模型调用、通义千问交互设计等 AI 应用操作，正重塑业务落地场景。想穿透平台技术表象，直抵 Dify 智能体开发、多模型融合核心？想摆脱碎片化摸索，系统掌握从 0 到 1 落地 AI 应用的实操路径？这门 Dify AI 智能体平台实战课专为你打造！从基础组件逻辑到多模型协同部署，从 RAG 与大模型结合到行业场景落地，深度拆解 Dify 平台实操体系，教你用 Dify 融合多技术把 AI 创意变成真实生产力，在智能应用浪潮里精准卡位、高效实操！课程核心亮点：从根源到前沿，锻造硬核 AI 技能课程模块详解：体系化学习，收获明确第一章：AI Agent智能体、Dify平台、工作流开发等操作实践1.Dify平台基础环境搭建-Docker和WSL安装操作实践本课程聚焦Dify/Coze平台基础环境搭建，深入讲解 Docker 与 WSL 安装实操。从 Windows 系统下以管理员身份运行命令行安装 WSL，开启 Hyper-V 功能，到官网下载安装 Docker Desktop，并巧妙配置镜像源提升下载速度，每一步都有详细演示与指导。同时，课程会给出下载 Dify 并启动的具体步骤，帮助你快速搭建起 Dify 运行所需的基础环境，为后续深入探索 Dify 平台强大功能筑牢根基，无论是编程新手还是 AI 爱好者，都能轻松上手 。2.最新Dify源码平台安装实操和核心架构全流程拆解 本课程围绕最新 Dify 源码平台展开，为你呈上全面的安装实操与核心架构拆解。从前期环境准备，像不同系统下 Docker、Docker Compose 及 Git 的安装配置，到一步步克隆 Dify 代码，启动中间件服务，再到细致地配置并运行后端 API 服务与前端 Web 服务，每一个安装环节都有详细步骤演示与深度讲解，助你顺利搭建 Dify 平台。在核心架构拆解部分，课程深入剖析 Dify 的六大功能层。从负责任务调度与逻辑处理的核心业务层，到提供交互界面的交互与展示层；从承担数据存储与缓存功能的数据存储与缓存层，到赋予平台 AI 能力的 AI 能力层；还有保障网络安全与请求转发的网络与安全层，以及用于隔离测试的隔离与测试层，帮你透彻理解各层容器的作用及协同工作机制。无论你是想基于 Dify 开发 AI 应用的开发者，还是对其架构原理感兴趣的技术爱好者，本课程都能让你收获满满，为后续深入应用 Dify 平台奠定坚实基础 。3.Dify集成DeepSeek和阿里通义千问等大模型底座插件安装想拓展 Dify 平台的大模型能力吗？本课程聚焦 Dify 集成 DeepSeek、阿里通义千问等大模型底座插件的安装实操。从前期准备，如获取对应模型 API Key、检查 Dify 市场插件可用性，到安装环节，细致演示在 Dify 市场中精准定位并下载 DeepSeek、通义千问插件（规避版本报错问题），再到关键的配置阶段，指导你在 Dify 系统内正确填入 API Key，开启所需模型开关。同时，深入剖析不同插件与 Dify 现有架构的融合逻辑，助你理解安装后如何让新模型在 Dify 平台上稳定运行、高效协作，轻松为 Dify 增添多元大模型支持，拓展应用开发边界 。4.Dify平台 - 配置Agent策略及MCP插件在Dify平台强大的生态体系中，合理配置Agent策略与安装MCP插件，能极大拓展其功能边界，为AI应用开发带来更多可能。本课程将深入聚焦这两大关键板块，助力开发者全面掌握相关实操技能。课程开篇，会为你详细阐释Agent策略的核心概念与在Dify平台中的关键作用。通过直观的演示，你将学习如何在Dify的Chatflow/Workflow编辑器内，精准拖拽Agent节点至画布，并深入理解Function Calling和ReAct等内置策略的差异，依据不同业务场景做出选择。例如，在处理明确的任务需求时，Function Calling可快速调用外部函数，实现高效响应；而ReAct策略则适用于需要多步推理、交替思考与行动的复杂场景。同时，课程会细致讲解如何在节点配置面板中，针对所选策略，合理设置驱动大语言模型、添加并配置可调用工具、填写API密钥授权、定义任务目标与上下文，以及设定执行步数等关键参数，确保Agent能精准执行任务。5.Dify平台整体功能操作实践  全面解锁Dify平台功能！从平台基础操作界面认知，到项目创建、智能体配置、工作流编排，再到功能联调与部署，完整演示Dify平台各模块实操流程。帮你快速上手这款工具，利用平台能力高效搭建AI应用，降低开发门槛。  6.Dify平台知识库管理模块操作实践  专注Dify平台知识库管理！详解知识库创建、文档上传、知识分类、检索优化等操作。教你如何构建高质量知识库，让AI智能体精准调用知识，解决业务问答、内容推荐等场景需求，掌握知识驱动AI应用的核心技能。  7.智能客服知识问答助手AI智能体开发操作实践  围绕智能客服场景，专攻知识问答助手AI智能体开发。从需求梳理、知识体系构建，到智能体对话逻辑设计、多轮问答优化，结合实际客服案例实操。教你打造能精准答疑、高效服务的智能客服助手，提升业务接待效率与用户体验。  8.大模型预测AI智能体应用落地工作流开发操作实践  聚焦大模型预测场景，拆解AI智能体应用落地工作流开发全流程。从需求分析到功能实现，手把手教你借助大模型能力，搭建高效预测工作流，掌握智能体在实际业务中落地的关键操作，让模型预测从理论走向可执行的应用方案。  9.从0到1实操：AI智能体工作流开发操作实践  专为0基础或想系统搭建AI智能体工作流的学习者设计。从基础概念破冰，逐步讲解工作流设计逻辑、开发步骤、调试优化，全程实操演示，带你走完“从无到有”开发AI智能体工作流的完整路径，快速具备独立开发简单工作流的能力。  10.预测类AI算法模型训练和预测API代码开发实践  深入预测类AI算法核心，涵盖模型训练全流程（数据预处理、算法选型、训练调优 ），并重点讲解预测API代码开发。通过真实案例实操，教你用代码实现算法模型落地，让训练好的模型能通过API对外提供预测服务，打通算法到应用的关键环节。  11.多模态大模型AI智能体工作流开发实践  拥抱多模态趋势，聚焦多模态大模型驱动的AI智能体工作流开发。涵盖图像、文本、语音等多模态数据处理，讲解工作流中多模态任务串联、交互逻辑设计，通过案例实操，让你掌握开发能处理复杂多模态场景的智能体工作流技能 。第二章： MCP(大模型上下文协议)代码开发实践12.MCP Server开发实践 - 服务器发送事件（SSE）代码开发实践服务器发送事件（SSE）是MCP（Model Context Protocol）协议实现实时数据交互的核心技术，也是打通Dify平台与外部数据源的关键桥梁。本课程聚焦MCP Server中SSE的开发实践，从基础原理到代码落地，带开发者掌握实时数据推送的核心技能。课程先解析SSE的工作机制：如何通过HTTP长连接实现服务器向客户端（如Dify的Agent）单向持续推送数据，对比WebSocket理解其轻量性与适用场景（如实时日志、增量数据返回）。随后，结合MCP协议规范，详解SSE在MCP Server中的角色——如何将外部数据源（数据库查询结果、API响应、实时监控数据）以事件流形式实时反馈给Dify，支撑Agent的动态决策。13.MCP Server开发实践 - 可流式传输的HTTP（StreamableHttp）代码开发实践可流式传输的HTTP（StreamableHttp）是MCP协议中实现高效数据交互的核心技术，为Dify平台与外部服务的动态通信提供了灵活支撑。本课程聚焦StreamableHttp在MCP Server中的开发实践，帮助开发者掌握流式数据传输的实现逻辑与落地技能。14.MCP Client代码开发实践和Cherry Studio、Dify平台集成MCP 课程简介MCP（Model Context Protocol）客户端是连接AI应用平台与MCP服务器的关键接口，本课程聚焦MCP Client的开发实践及其在Cherry Studio、Dify两大平台的集成落地，帮助开发者打通“客户端-服务器-应用平台”的全链路数据交互。第三章：DeepSeek大模型企业应用落地实践15. Ollama 框架详解：本地部署 DeepSeek 大模型实战指南核心内容：深度剖析 Ollama 框架，从安装到配置，一步步教你在本地部署 DeepSeek 大模型，涵盖模型下载、运行及管理等实操环节。学习受益：掌握 Ollama 框架运用，能独立在本地部署 DeepSeek 大模型，降低模型使用成本，保障数据隐私，提升自然语言处理效率。16. Ollama 安装与 DeepSeek 大模型部署全流程操作实践核心内容：全面覆盖 Ollama 在不同系统的安装方法，以及 DeepSeek 大模型从选型到部署的完整流程，包含硬件适配、版本选择及部署后测试。学习受益：通过实践掌握 Ollama 与 DeepSeek 大模型部署技能，可依自身需求灵活搭建模型环境，为 AI 相关工作、学习筑牢基础。17. Open WebUI 全方位解析：自托管 AI 平台功能与应用核心内容：详细解读 Open WebUI 自托管 AI 平台，介绍其安装方式、多模型兼容特性、权限管理及丰富的功能模块，如 RAG 集成等。学习受益：学会运用 Open WebUI 搭建个性化 AI 平台，利用其丰富功能提升大模型交互体验，满足企业级或个人多样化 AI 应用需求 。18. 基于Unsloth的DeepSeek训练微调核心工具核心内容：基于 Unsloth 对 DeepSeek 模型，优化训练效率与内存占用，适配多场景部署，支持灵活导出与定制。    学员收益：掌握高效微调 DeepSeek 的方法，降低硬件门槛，提升模型落地能力，助力科研与企业应用。19. DeepSeek-R1训练微调代码实践核心内容：DeepSeek-R1高效训练微调，结合医学 COT思维链 数据集，实操 LoRA、量化压缩，实现专业领域推理大模型问答全流程。学员收益：快速掌握数据处理到部署全流程，攻克大模型微调痛点，获得医学垂类模型训练实战能力。然后举一反三，相同代码可以应用到其他行业。20. 吃透 DeepSeek-R1：模型文件全解析与实战指南    核心内容：解析架构与训练机制，详解 163 个分片文件及配置、分词器，含多领域实战案例。    学员收益：掌握模型原理与优化，提升实战能力，拓宽职业路，培养逻辑与创新思维。21. 本地运行DeepSeek-R1满血版大模型    核心内容：涵盖硬件配置（多高端 GPU 等）、环境部署、模型下载与调优，及推理测试全流程。    学员收益：掌握本地部署技能，实现隐私数据处理，降低依赖，提升大模型实战与优化能力。！ 为什么选择这门课程？四大核心优势权威性与实用性兼具：作者陈敬雷深耕 AI 领域多年，课程内容基于《GPT 多模态大模型与 AI Agent 智能体》一书，结合京东图书配套视频，理论与实践深度结合。理论与实战紧密融合：每个知识点都配套代码实践，从原理理解到动手操作无缝衔接，避免 “纸上谈兵”，学完就能上手应用。内容全面且聚焦核心：覆盖大模型技术全链条关键内容，不冗余、不零散，直击技术核心，让学习更高效。紧跟 AI 应用落地浪潮：聚焦 Dify 平台核心操作，深耕 MCP 框架搭建、RAG 知识库集成、DeepSeek 与通义千问模型调用、多模型协同部署等实操热点，拆解平台最新功能与技术融合逻辑，确保所学直接对接 Dify 实操场景，贴合用多技术落地 AI 应用的行业需求。 三、老师介绍陈敬雷  充电了么创始人，CEO兼CTO陈敬雷，北京充电了么科技有限公司创始人，CEO兼CTO，十几年互联网从业经验，曾就职于用友网络、中软集团、凡客诚品、唯品会、猎聘、人民日报(灵思云途)、北京万朝科技，曾任架构师、首席技术官、首席科学家等职务，对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验，在技术领域，尤其在大数据和人工智能方向有丰富的算法工程落地实战经验，其中在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖，推荐效果得到5倍的提升。此外，陈敬雷著有清华大学出版社四本人工智能书籍，分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》，颇受好评。同时陈敬雷还是知名大数据人工智能讲师，研发了上百门课程，总计有30万学员。四、《GPT多模态大模型与AI Agent智能体》书籍配套视频课程介绍：陈敬雷老师的京东自营书名标题： GPT多模态大模型与AI Agent智能体（跟我一起学人工智能）《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。五、配套书籍目录：第1章 大模型技术原理1．1 大模型技术的起源、思想1．2 基于Transformer的预训练语言模型1．2．1 编码预训练语言模型1．2．2 解码预训练语言模型1．2．3 基于编解码架构的预训练语言模型1．3 提示学习与指令微调1．3．1 提示学习1．3．2 指令微调1．4 人类反馈强化学习1．4．1 强化学习1．4．2 PPO算法1．4．3 大模型人类反馈强化学习对齐1．5 GPT智能涌现原理与AGI通用人工智能1．5．1 什么是智能涌现1．5．2 思维链1．5．3 上下文学习能力1．5．4 指令理解1．5．5 通用人工智能第2章 大模型训练及微调2．1 大模型训练概述2．2 分布式训练的并行策略2．2．1 数据并行2．2．2 模型并行2．2．3 混合并行2．2．4 并行计算框架2．3 预训练模型的压缩2．3．1 模型压缩方案概述2．3．2 结构化模型压缩策略2．3．3 非结构化模型压缩策略2．3．4 8位/4位量化压缩实战2．4 大模型微调方法2．4．1 Prefix Tuning微调2．4．2 P-Tuning V1微调2．4．3 P-Tuning V2微调2．4．4 LoRA微调2．4．5 QLoRA微调2．5 基于旋转位置编码RoPE的长文本理解2．5．1 RoPE技术原理2．5．2 RoPE关键特性第3章 主流大模型3．1 国内大模型3．1．1 智谱清言ChatGLM3．1．2 百川智能3．1．3 百度文心一言3．1．4 阿里巴巴通义千问3．1．5 腾讯混元3．1．6 华为盘古3．1．7 360智脑3．1．8 科大讯飞星火3．1．9 智源悟道大模型3．1．10 月之暗面Kimi3．1．11 复旦大学MOSS3．1．12 零一万物3．1．13 字节跳动豆包大模型3．2 国外大模型3．2．1 OpenAI GPT-4o3．2．2 Meta LLaMA3．2．3 Anthropic Claude3．2．4 谷歌Gemini和开源Gemma3．2．5 Mistral Large3．2．6 xAI Grok3．3 垂直类大模型3．3．1 HuatuoGPT3．3．2 BianQue3．3．3 BenTsao3．3．4 XrayGLM3．3．5 DoctorGLM3．3．6 ChatMed3．3．7 度小满轩辕3．3．8 BloombergGPT3．3．9 LawGPT3．3．10 LexiLaw3．3．11 Lawyer LLaMA3．3．12 ChatLaw3．3．13 ChatGLM-Math第4章 LangChain技术原理与实践4．1 LangChain技术原理4．2 LangChain六大核心模块4．2．1 模型I/O4．2．2 数据增强模块4．2．3 链模块4．2．4 记忆模块4．2．5 Agent模块4．2．6 回调处理器第5章 RAG检索增强生成5．1 RAG技术原理5．1．1 RAG的概念与应用5．1．2 RAG技术架构5．1．3 分块和向量化5．1．4 搜索索引5．1．5 重新排序和过滤5．1．6 查询转换与路由5．1．7 RAG中的Agent智能体5．1．8 响应合成器5．1．9 大模型微调和RAG优劣势对比5．2 文本向量模型5．2．1 Embedding模型、Reranker模型及ColBERT模型5．2．2 阿里巴巴GTE向量模型5．2．3 中文acge_text_embedding模型5．2．4 智源中英文语义向量模型BGE5．2．5 Moka开源文本嵌入模型M3E5．2．6 OpenAI的text-embedding模型5．3 向量数据库5．3．1 Faiss5．3．2 Milvus5．3．3 Pinecone5．3．4 Chroma5．4 RAG应用实践5．4．1 基于大模型构建企业私有数据的知识问答5．4．2 应对大模型落地挑战的优化策略第6章 多模态大模型6．1 多模态基础模型6．1．1 多模态对齐、融合和表示6．1．2 CLIP6．1．3 BLIP6．1．4 BLIP-26．1．5 InstructBLIP和X-InstructBLIP6．1．6 SAM6．1．7 OpenFlamingo6．1．8 VideoChat6．1．9 PaLM-E6．2 OpenAI多模态大模型DALL·E 3、GPT-4V、GPT-4o、Sora6．2．1 文生图多模态大模型DALL·E 36．2．2 GPT-4V6．2．3 端到端训练多模态大模型GPT-4o技术原理6．2．4 文生视频多模态大模型Sora6．3 通义千问多模态大模型6．3．1 开源Qwen-VL和Qwen-VL-Chat6．3．2 Qwen-VL-Plus和Qwen-VL-Max6．4 开源端到端训练多模态大模型LLaVA6．4．1 LLaVA6．4．2 LLaVA-1．56．4．3 LLaVA-1．66．4．4 MoE-LLaVA6．4．5 LLaVA-Plus6．4．6 Video-LLaVA和LLaVA-NeXT-Video6．5 零一万物多模态大模型Yi-VL系列6．5．1 Yi-VL系列模型架构6．5．2 Yi-VL系列模型训练微调及推理6．6 清华系多模态大模型6．6．1 VisualGLM-6B6．6．2 CogVLM26．6．3 CogAgent6．6．4 CogView、CogVideo和CogVideoX6．6．5 CogCoM6．6．6 GLM-4V-9B第7章 AI Agent智能体7．1 AI Agent智能体介绍和原理7．1．1 AI Agent的定义与角色7．1．2 AI Agent技术原理7．2 主流大模型Agent框架7．2．1 AutoGPT7．2．2 MetaGPT7．2．3 ChatDev7．2．4 AutoGen7．2．5 FastGPT7．2．6 XAgent7．2．7 GPT-Engineer7．2．8 BabyAGI7．2．9 SuperAGI第8章 大模型在企业应用中落地8．1 基于大模型的对话式推荐系统8．1．1 基于大模型的对话式推荐系统技术架构设计8．1．2 推荐AI Agent智能体8．1．3 面向推荐的语言表达模型8．1．4 知识插件8．1．5 基于大模型的推荐解释8．1．6 对话式推荐系统的新型评测方法8．2 多模态搜索8．2．1 多模态搜索技术架构设计8．2．2 多模态搜索关键技术8．2．3 多模态实时搜索与个性化推荐8．3 基于自然语言交互的NL2SQL数据即席查询8．3．1 NL2SQL数据即席查询技术原理8．3．2 NL2SQL应用实践8．4 基于大模型的智能客服对话机器人8．4．1 大模型智能客服对话机器人技术原理8．4．2 AI大模型赋能提升智能客服解决率新策略8．4．3 基于大模型的智能客服对话机器人系统搭建8．5 多模态数字人8．5．1 多模态数字人技术原理8．5．2 三维建模与三维重建8．5．3 数字人形象设计8．5．4 唇形同步算法8．5．5 NeRF、ER-NeRF与RAD-NeRF模型8．5．6 数字人项目实践8．6 多模态具身智能8．6．1 多模态具身智能概念及技术路线8．6．2 多模态感知与场景理解8．6．3 视觉导航8．6．4 世界模型8．6．5 具身智能模拟器8．6．6 多模态多感官交互具身智能大模型8．6．7 端到端强化学习人形机器人8．6．8 多模态通才具身智能体   
如何用MCP实现数据库查询？我的实战经验与RAG对比分析
分享平时的学习心得和笔记
05-20 1374
MCP（Model Context Protocol）是Anthropic提出的标准化协议，旨在使大模型能够与外部数据源（如数据库、API）和工具进行交互。相比传统的RAG技术，MCP具有动态数据获取、结构化数据处理和安全可控等优势。MCP通过自然语言生成SQL语句，支持实时查询数据库，并提供了表级和列级的权限控制，防止敏感数据泄露。实现MCP的关键步骤包括安装MCP服务器、配置数据库连接、启动服务器、自然语言查询转换和结果返回与优化。然而，MCP在实战中面临权限控制复杂性、SQL注入风险和多表关联查询困难
Dify+MCP+MySQL：智能问数本地实践
SophiaSSS的博客
05-29 4930
本文分享了基于Dify+MCP+MySQL构建AI问答系统的实践经验。主要内容包括： 系统架构：Dify作为AI开发平台，MCP作为中间层，MySQL存储数据 环境部署：在macOS系统下使用Docker部署Dify，通过conda创建Python虚拟环境运行MCP服务 数据库配置：创建专用MySQL数据库存储金融股票数据 工作流配置：在Dify中集成MCP插件，建立对话工作流应用 问题解决：详细记录了MCP服务连接配置中的常见错误及解决方法 实践表明该方案能有效解决XX问题，为构建智能问答系统提供有效路径
不到百行代码实现自然语言数据库查询：解密AI Agent的ReAct框架
surfirst的博客
11-25 1397
在人工智能的 Agent 设计中，ReAct（Reasoning + Acting）框架以其高效的决策与推理能力受到关注。本篇文章将通过 LangChain 的SQLAgent 实现的自然语言数据库查询的案例来演示 ReAct 框架的基本工作原理。
Dify_SQLAgent：基于 Dify+MCP 的金融数据库 Agent 搭建
qq_64889217的博客
04-12 1382
项目旨在利用最新的人工智能技术平台，构建一个专属的 Agent，以实现半自动化的业务流程，全面提升生产效率并降低生产成本。项目的核心目标是基于大模型领域的 Dify 和 MCP 技术，构建金融大数据数据库的智能 Agent。你可以通过 cursor 进行编写代码的同时，方便的检索业务数据库！可以实时测试代码、查看数据库内容 等等。
MCP + openGauss:连接人工智能与openGauss数据库
openGauss的博客
04-07 690
仅依赖预训练数据与固定上下文窗口进行静态推理，无法主动访问实时数据库、动态更新信息或与业务系统协同，导致结果滞后性和数据割裂性等问题。提供统一的数据访问通道，解决传统模型无法动态调用实时数据源的痛点。每个新数据源都需要自定义实现，使得真正互联的系统难以扩展。提供了一种将设备连接到各种外围设备和配件的标准化方式一样，主机直接对数据库进行操作和分析，实现数据实时化。主机和服务器的通信细节，保持数据连接畅通。服务器可以安全访问的您的计算机文件和服务。），能够提供实时的数据查询插入和分析，在企业级。
Dify × MCP 实战（一）：用插件一分钟搞定MCP Server(含时间踩坑实践)
xiaoganbuaiuk的博客
06-28 1036
在之前的mcp实战中，都是通过客户端、或者代码来实现的，很多朋友，有朋友就问了，在dify中怎么使用mcp？我第一个想法就是直接接口调用，第二个想法就是dify中的插件。我直接打开了 Dify 的插件市场，搜了一下 MCP，惊喜地发现：MCP ServerAntV 可视化图表。
LangChain实战，纯手打实现数据库问答，使用Chain和Agent两种方法
jandon_12的博客
05-14 1634
本案例介绍的是，我们根据数据库中的表格数据，进行基本的问答，建立简单的问答系统，案例将涵盖使用链{}以及代理{}的实现方法。查询数据库中的数据，如何总结归纳得到自然语言的回答。{chain}和{agent}的区别在于，agengt可以自行判断是否需要多次调用也就是循环查询数据库来完成任务，而chain则是需要明确的知道需要调用多少次数据库。举个例子：条件：你现在拥有一个数据库，其中有一张表“GDP”，表中有“year”、“city”、“GDP”三个字段。
利用AI Agent革新Text2SQL应用
人工智能讲师分享前沿技术
04-29 2120
的语义理解能力，能够准确识别出用户是想查询在任意连续两个月内都有订单的客户，而不是简单地查找在最近两个月内有订单的客户。：Agent的Memory组件负责存储和检索对话历史和关键信息，确保在交互过程中信息的连贯性。然而，面对复杂的查询需求，传统方法仍显不足。的设计灵感来源于人类或其他智能体的行为和决策过程，它通过模拟这些过程来执行复杂的任务。的过程中，会进行自我反思，评估生成的查询是否能够准确反映用户的意图。：Agent能够感知当前的环境状态，包括用户输入的查询需求和数据库的当前状态。
LangChain之数据库操作：通过链Chain和代理Agent查询数据库信息
W楠的博客
07-27 863
LangChain是一个专为构建复杂自然语言处理应用而设计的框架。链式调用：将多个语言模型或函数调用连接起来，形成一个处理链。数据增强：集成外部数据源，提升模型能力。文档处理：处理长文档并保持上下文一致性。记忆管理：在对话中保持上下文记忆。定制和扩展：支持插件和自定义组件。多模型支持：动态选择最合适的模型执行任务。通过这些特点，LangChain为开发者提供了一个灵活、高效的平台，便于构建和部署基于大语言模型的应用。
大模型入门实战：通过 HuggingFace 调用 Llama3
python12345_的博客
01-10 2127
至此，我们成功演示了如何通过 Hugging Face 的 Transformers 调用 Llama 模型，并获取了模型的回答。但是如果你的需求只是简单地调用模型，而无需进行微调或复杂的部署，可以尝试使用 Ollama。它不仅操作更加便捷，还提供了开箱即用的 RESTful 接口，适合快速集成到生产环境中。下一篇，我将会讲解如何通过 Ollama 下载部署 Llama 模型并调用。
AI应用开发必知词汇（LLM、Function calling、MCP、RAG、Agent）
同名公众号：dify实验室
04-21 1390
人工智能（AI）正以前所未有的速度融入我们的生活与工作，驱动着从科研到日常应用的深刻变革。理解这些核心概念，不仅能帮助我们跟上技术前沿，更能洞察未来智能发展的脉络。掌握这些核心词汇，就如同获得了一张导航图，能帮助我们更好地理解当前的技术格局，把握未来的发展机遇。以其独特的“注意力机制”脱颖而出，它能高效捕捉文本中的长距离依赖关系，成为现代自然语言处理的基石。当大语言模型具备了与外部世界交互和获取实时知识的能力后，人工智能便朝着更高级的形态——的理念则指向了未来更标准化、模块化的智能系统构建方式。
MCP（模型上下文协议）简单案例
weixin_47958619的博客
04-12 1692
MCP（Model Context Protocol，模型上下文协议）是由Anthropic开发的一种开放协议，旨在标准化大型语言模型（LLM）与外部数据源和工具的交互方式。它就像AI应用程序的USB-C接口，为AI模型提供了一种标准化的方式来连接不同的数据源和工具。
MCP（Model Context Protocol）案例研究：从实践到成功
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
06-07 1062
在人工智能技术快速发展的今天，如何将MCP（Model Context Protocol）成功应用到实际项目中成为了开发者关注的重点。本文将通过多个实际案例，深入分析MCP在不同场景下的应用实践，帮助您更好地理解和应用MCP。了解MCP的应用场景掌握实施方法学习成功经验避免常见问题持续改进系统。
qwen-agent+MCP编写文档
05-20
### 关于Qwen-Agent与MCP结合使用的文档或指南 Qwen-Agent 是一种基于大模型的能力扩展框架，能够通过集成多种工具来增强其功能。其中，MCP（Multi-Client Protocol）作为 Qwen-Agent 的一个重要组成部分，提供了对多个客户端工具的支持能力[^1]。 #### MCPManager 单例模式的作用 MCPManager 使用单例模式设计，主要负责初始化和管理 MCP 工具以及 clients。它可以通过配置文件动态加载不同的工具和服务。例如，在 `mcp_servers` 配置中定义了一个 SQLite 数据库服务，并指定了启动命令及其参数： ```python {'mcpServers': {'sqlite': {'command': 'uvx', 'args': ['mcp-server-sqlite', '--db-path', 'test.db']}}} ``` 此部分日志表明 MCPManager 正在尝试初始化一个标准的 stdio_client 客户端实例[^1]。如果该过程耗时过久，则可能是因为配置错误或者外部依赖未正常工作。 #### 实际应用中的代码示例 下面是一个完整的 Python 脚本案例，展示如何利用 Qwen-Agent 和 MCP 来实现时间查询的功能[^2]: ```python from qwen_agent.agents import Assistant from dotenv import load_dotenv import os load_dotenv() API_KEY = os.getenv("API_KEY") BASE_URL = os.getenv("BASE_URL") MODEL = os.getenv("MODEL") # 定义LLM配置 llm_cfg = { 'model': MODEL, 'model_server': BASE_URL, 'api_key': API_KEY, 'enable_thinking': False # 禁用思考模式 } # 定义工具列表 tools = [ {"mcpServers": { "time-sse": { "url": "https://time.mcp.minglog.cn/sse", "name": "time-sse" } }}, 'code_interpreter' # 内置工具 ] # 初始化Agent bot = Assistant(llm=llm_cfg, function_list=tools) # 执行对话请求 messages = [{'role': 'user', 'content': '现在几点了？'}] for responses in bot.run(messages=messages): final_response = responses[-1]['message']['content'] print(final_response) print("___________________") ``` 这段脚本展示了如何设置 LLM 参数、指定可用工具并运行实际的任务交互逻辑。特别注意的是，“time-sse” 这一远程 SSE 时间服务器被成功嵌入到工具链当中。 #### 总结 以上内容涵盖了从理论层面理解 MCPManager 到实践操作编写具体程序的过程。希望这些资料可以帮助开发者更好地掌握 Qwen-Agent 结合 MCP 的开发技巧。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值