当前位置： 首页 > news >正文

Dify+MCP+MySQL：智能问数本地实践

news 2025/6/8 10:28:55

此记，一为流程备忘和指引，二为分享共建。
参考多篇帖子，最主要一篇是：
《Dify+MCP 组合拳：彻底根治 Excel 上传知识库回答数据不准的难题！》。在此感谢。
https://blog.csdn.net/python1234567_/article/details/147592305

实际实践下来，与该帖子还是有比较大差异的，虽然dify+mcp的整体流程几乎一样，不过在python环境配置上采用了不同方式。原帖子用uv，我不太懂，换成了conda。

部署架构概述

Dify作为AI应用开发平台，MCP作为中间层，MySQL作为数据存储，三者结合构建完整解决方案。
Dify是一个开源的大型语言模型（LLM）应用开发平台，提供了直观的界面，可帮助开发者快速构建AI聊天助手、工作流、RAG、Agent等生产级的生成式AI应用。
MCP（模型上下文协议）通过为AI模型提供标准化接口，增强其与外部数据源和工具的交互能力，从而支持更智能、上下文感知的自动化。

我的环境准备

  • 操作系统：macOS（15.4）+ Docker环境
  • 软件依赖：Python 3.12、Docker、MySQL 8.0+
  • 硬件配置：M4芯片（10+10核）、24G内存、1T存储

一、MySQL部署与配置

  1. 安装MySQL
    自行官网下载安装，我装的是mysql 8.4。

  2. 创建专用数据库与用户

安装mysql之后，可以下载安装dbeaver数据管理客户端来对mysql进行新建数据库、数据存储、迁移和查看等。

我本来有在用的数据库和部分金融-股票数据，所以直接新建一个库ai_agent_test作为智能问数本地实践测试使用，数据则从现有金融数据库复制一份现有的股票数据，供后续“智能问数”。
在这里插入图片描述

二、Dify平台部署

Dify是一个开源的大型语言模型（LLM）应用开发平台，提供了直观的界面，可帮助开发者快速构建AI聊天助手、工作流、RAG、Agent等生产级的生成式AI应用。

可以参考这篇帖子：
大模型（deepseek）之运用Dify构建智能体和工作流应用
https://blog.csdn.net/qq_31400983/article/details/143751581

在安装好docker之后，可以开始dify部署。我采用的是docker部署方式。
dify官网：https://dify.ai/
GitHub源码和镜像：https://github.com/langgenius/dify

  1. 克隆代码库
    下载Dify代码。可以直接访问Dify官网直接选择进入Github页面下载代码，也可以在cmd窗口运行以下代码克隆代码（事先为Dify克隆文件创建一个文件夹，如docker_files）：
cd docker_files   # 如果没有这一步，则默认下载在根目录下。
git clone https://github.com/langgenius/dify.git
  1. 创建dify Docker
cd dify/docker
cp .env.example .env
docker compose up -d

– 这里“dify/docker”要根据实际情况替换实际路径。
此步骤可以参考官网。
在这里插入图片描述

  1. 前端构建与启动

在浏览器输入：http://127.0.0.1/install或者http://localhost/install
回车即可打开dify前端页面。登录后页面如下：
在这里插入图片描述

三、MCP中间层集成

（一）下载mysql-mcp-server源码

下载mysql-mcp-server源码，这是一个github项目的源码，原github地址是：https://github.com/mangooer/mysql-mcp-server-sse

（二）准备python环境

因为采取的是源码方式 / Source Code Method，所以需要准备python环境。（如果采用docker方式，则不用）

创建虚拟环境及安装依赖包
创建python虚拟环境命名为ai_agent并激活，以及安装必要的依赖包：
– – “ai_agent”可以自定义为你喜欢的名字

# 创建指定Python版本的虚拟环境
conda create --name ai_agent python=3.12  
# 激活虚拟环境
conda activate ai_agent       
# 从 requirements.txt 批量安装
pip install -r requirements.txt

# 如果requirements.txt批量安装失败，可以尝试单包安装（示例）
pip install mcp
pip install aiomysql
pip install python-dotenv
pip install sqlparse

PS：
我本机用的是anaconda，所以习惯用conda命令。
然后，我的requirements.txt批量安装失败了，所以是单包安装解决的，就几个包，不多。
在这里插入图片描述

（三）数据库配置

复制.env.example为.env，并根据实际情况修改。 如下图：

# 数据库连接配置
MYSQL_HOST=localhost      # MySQL服务器地址
MYSQL_PORT=3306           # MySQL服务器端口
MYSQL_USER=root           # MySQL用户名
MYSQL_PASSWORD=root12345   # MySQL密码（留空表示无密码）
MYSQL_DATABASE=ai_agent_test  # 要连接的数据库名

在这里插入图片描述

（四）启动服务 / Start the Server

cd /Users/xxx/docker_files/mysql-mcp-server-sse-main    # 改成自己实际路径
python -m src.server     # 默认监听：http://127.0.0.1:3000/sse

可以看到，MCP服务运行在了 3000 端口，请记住该端口号，后面配置Dify工作流会用到。
在这里插入图片描述
从这里开始，由于实现路径接近一致，所以要大篇幅复制一下前面提到的参考帖子内容了。如有侵权，请联系我删除。
《Dify+MCP 组合拳：彻底根治 Excel 上传知识库回答数据不准的难题！》
https://blog.csdn.net/python1234567_/article/details/147592305

四、Dify工作流调用MCP服务

（一）安装插件

安装 MCP Agent策略 MCP SSE 插件，以供后面使用。
（才发现我电脑设置了中文繁体，所以简体“插件”显示成繁体“外褂”。如果看不习惯，可以点击上方链接，参考原帖相应部分。）
在这里插入图片描述
安装好后，是这样的：
在这里插入图片描述

（二）创建对话工作流应用

在这里插入图片描述

（三）开始节点

开始节点什么都不用填写，默认使用输入框的内容 sys.query 作为输入参数

在这里插入图片描述

（四）Agent策略节点

1、选择策略工具
选择刚才下载的 MCP Agent 策略作为意图识别的工具，他会自主来决策，该选择调用工具列表中的哪个工具执行任务
在这里插入图片描述

2、选择AI模型
在这里插入图片描述

3、添加工具
① 点击添加工具
② 选择前面安装的插件工具
获取MCP工具列表，调用MCP工具，两个都要选择，此处仅以第一个为例，第二个操作步骤一样
③ 点击工具授权

④ 填写MCP的SSE服务配置

此处填写的信息就用到了前面启动MCP服务时我提到的端口号 3000了。

{  "mysql-server": {    "url": "http://host.docker.internal:3000/sse",    "headers": {}, "timeout": 60,    "sse_read_timeout": 300  }}

在这里插入图片描述

– – 切记：除了端口号，其他信息都不用改。
– – 我一开始以为要根据实际情况自定义，所以尝试在"url"处输入http://127.0.0.1:3000或者http://localhost:3000，也曾尝试把"mysql-server"替换成"mysql_server"，都提示无法连接MCP server。后来发现，直接复制粘贴就OK。
在这里插入图片描述
在这里插入图片描述

4、启用工具
在这里插入图片描述

5、选择另一个工具

在这里插入图片描述

6、填写指令提示词

你是一名水果店员工，负责调用工具列表，查询水果表数据，水果表表结构如下：CREATE TABLE `fruits` (`id` int NOT NULL COMMENT 'ID',`name` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL COMMENT '水果名称',`price` decimal(6,2) NOT NULL COMMENT '水果价格',`stock` int NOT NULL COMMENT '库存',`origin` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL COMMENT '产地',PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci COMMENT='水果表';

在这里插入图片描述
我的提示词和页面：

你是一名投资分析师，负责调用工具列表，查询财经数据，相关表结构如下：
-- ai_agent_test.ods_basicInfo_fund_etf_spot_em definitionCREATE TABLE `ods_basicInfo_fund_etf_spot_em` (`代码` varchar(255) DEFAULT NULL,`名称` varchar(255) DEFAULT NULL,`最新价` double DEFAULT NULL,`IOPV实时估值` double DEFAULT NULL,`基金折价率` double DEFAULT NULL,`涨跌额` double DEFAULT NULL,`涨跌幅` double DEFAULT NULL,`成交量` double DEFAULT NULL,`成交额` double DEFAULT NULL,`开盘价` double DEFAULT NULL,`最高价` double DEFAULT NULL,`最低价` double DEFAULT NULL,`昨收` double DEFAULT NULL,`振幅` double DEFAULT NULL,`换手率` double DEFAULT NULL,`量比` double DEFAULT NULL,`委比` double DEFAULT NULL,`外盘` double DEFAULT NULL,`内盘` double DEFAULT NULL,`主力净流入-净额` double DEFAULT NULL,`主力净流入-净占比` double DEFAULT NULL,`超大单净流入-净额` double DEFAULT NULL,`超大单净流入-净占比` double DEFAULT NULL,`大单净流入-净额` double DEFAULT NULL,`大单净流入-净占比` double DEFAULT NULL,`中单净流入-净额` double DEFAULT NULL,`中单净流入-净占比` double DEFAULT NULL,`小单净流入-净额` double DEFAULT NULL,`小单净流入-净占比` double DEFAULT NULL,`现手` double DEFAULT NULL,`买一` double DEFAULT NULL,`卖一` double DEFAULT NULL,`最新份额` double DEFAULT NULL,`流通市值` bigint DEFAULT NULL,`总市值` bigint DEFAULT NULL,`数据日期` datetime DEFAULT NULL,`更新时间` varchar(255) DEFAULT NULL,`update_time` timestamp NULL DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

在这里插入图片描述
在这里插入图片描述

7、设置查询提示词
聊天输入框的值就是 sys.query
在这里插入图片描述
上图是原帖，下面附上我的步骤：在这里插入图片描述
然后显示如下：
在这里插入图片描述

（五）直接回复节点

在这里插入图片描述

（六）测试效果

1、dify的返回结果
在这里插入图片描述
原帖子博主（上图）是成功了，不过我暂时失败了（下图），晚点再更新。
在这里插入图片描述
我的提问、大模型思考过程、答案：

提问

换手率最高的ETF是哪只？

思考过程（两轮）：
第一轮
在这里插入图片描述
第二轮
在这里插入图片描述

答案：
没有输出答案。。

下图是我通过thinking思考过程中提及的sql语句，去debeaver中直接查询而来。
在这里插入图片描述
2、可以看到MCP服务控制台的打印信息
在这里插入图片描述

3、工作流的日志追踪
在这里插入图片描述

（七）保存工作流

在这里插入图片描述

总结

MCP结合数据库的方案为Dify等知识库应用提供了高效、精准的结构化数据检索能力，显著提升了数据查询的准确性和灵活性，弥补了RAG的检索精度上的不足。

但是，这一方案也是有缺点的，与RAG每次只检索相关文本片段不同，MCP+数据库会真正执行SQL查询，若一次查询数据量过大，会消耗大量Token，甚至可能导致MCP客户端卡死。

在实际应用中，我们应该将两种技术结合使用，取长补短，灵活处理自己的业务场景。

http://www.xdnf.cn/news/716185.html

相关文章：

  • 品优购项目（HTML\CSS）
  • 缓存架构方案：Caffeine + Redis 双层缓存架构深度解析
  • 2025年05月29日Github流行趋势
  • 【SOLUTION】Java 生成 TOTP 验证码
  • 政策与数字双赋能驱动：ERP助力外贸企业高质量发展路径解析
  • Maven-生命周期
  • 信创采购热潮下的隐忧：单一技术路线的市场垄断之困
  • Oracle RMAN自动恢复测试脚本
  • mongodb的安装使用
  • 20250529-C#知识：分部类和分部方法
  • 小白畅通Linux之旅-----Linux日志管理
  • 【芯片设计中的交通网络革命：Crossbar与NoC架构的博弈C架构的博弈】
  • 在Linux环境里面，Python调用C#写的动态库，如何实现？
  • Java集合操作常见错误与最佳实践
  • OSCP备战-SickOs1.2靶场详细步骤
  • 第九章 MQTT报文
  • C primer plus (第六版）第六章 编程练习第10题
  • 关于《DAHSF》即《火小兔智慧开发平台V2.0》的碎碎念
  • ADC同步采样
  • XMOS以全新智能音频及边缘AI技术亮相广州国际专业灯光音响展
  • 【NebulaGraph】查询案例(七)
  • 两个频率比较接近的简谐振动叠加后会产生拍形
  • C#学习：基于LLM的简历评估程序
  • 4. 算法与分析 (1)
  • 【Dify系列教程重置精品版】第十一章：Dify与slenium
  • Flutter下的一点实践
  • 手动移植FreeRTOS
  • 用 Python 模拟雪花飘落效果
  • Oracle 临时表空间详解
  • Oracle的NVL函数