新闻详情

新闻详情

首页 / 资讯中心 / 详情

智能体开发实战 | 基于Dify+MCP打造MySQL理财助手智能体

发布时间:2026/11/16 9:35:26来源:尧图网络
智能体开发实战 | 基于Dify+MCP打造MySQL理财助手智能体
1. 从一张记账表说起为什么理财助手总在“接口对接”上翻车很多人做理财助手智能体第一反应是写一堆 if-else 去拼 SQL或者给每个数据源单独写适配层。结果就是用户说“昨天吃饭花了50”模型能听懂但工具调用链一断数据就写不进去用户问“这个月餐饮花了多少”模型又得重新理解一遍表结构。真正卡住进度的不是模型能力而是工具与数据源之间的“最后一公里”。MCPModel Context Protocol解决的正是这件事。它把外部工具抽象成标准化接口让大模型像插 U 盘一样调用 MySQL、文件系统或 HTTP 服务。你不需要为每个模型重写适配代码只需要一个 MCP Server 暴露工具Dify 里的 Agent 就能通过 Function Calling 自动发现并调用。这篇内容面向已经会用 Dify 搭 Chatflow、但被“工具链编排”卡住的开发者。我会用一张finance收支表从 Docker 起 MySQL、写 MCP Server、配 Dify Agent 节点一直跑到“记一笔账 按类别汇总”的完整闭环。全程可复制踩过的坑我也会标出来。2. 前置准备TaoToken 与 Dify 环境怎么摆在开始写 MCP Server 之前先把模型调用链路理顺。Dify 本身不绑定模型但 Agent 节点需要稳定的模型服务来驱动 Function Calling。我实测下来豆包系列在工具调用上的指令遵循比较稳通义千问系列在复杂 SQL 生成时偶尔会漏掉表结构约束。如果你还没有可用的模型 API Key可以通过 TaoToken 获取。它的接入方式兼容 OpenAI 风格Dify 里配置模型供应商时直接填 Base URL 和 Key 即可。具体入口模型对话调试https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodel_chatAPI Key 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi_keys接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc注意Dify 的 Agent 节点对模型有 Function Calling 能力要求选模型时确认支持工具调用否则 MCP 工具列表拿不到。环境侧你需要Docker DesktopWindows/macOS 均可用来跑 MySQL 和 DifyPython 3.10推荐用 uv 管理虚拟环境Dify 已通过 Docker 部署能访问插件市场3. 可复制配置MySQL 表结构 MCP Server 骨架3.1 起一个带 finance 表的 MySQL先写docker_compose.yaml把 MySQL 5.7 拉起来。字符集用 utf8mb4避免中文备注乱码。services: mysql: image: mysql:5.7 container_name: mysql5.7 ports: - 3306:3306 environment: - MYSQL_ROOT_PASSWORDroot - MYSQL_ALLOW_EMPTY_PASSWORDyes - TZAsia/Shanghai volumes: - ./volumes:/var/lib/mysql command: --character-set-serverutf8mb4执行docker compose up -d然后用 DBeaver 或 MySQL 客户端连接localhost:3306建库建表create database testdb; use testdb; CREATE TABLE finance ( id bigint(20) NOT NULL AUTO_INCREMENT, user_id varchar(36) NOT NULL DEFAULT COMMENT 用户ID, date datetime NOT NULL COMMENT 金额发生日期, amount decimal(10,2) NOT NULL DEFAULT 0.00 COMMENT 收入支出金额(收入正数支出负数), category varchar(32) NOT NULL DEFAULT COMMENT 收支类别, remark varchar(100) NOT NULL DEFAULT COMMENT 收支具体类目, PRIMARY KEY (id), KEY idx_user_date (user_id,date) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT日常收支;这张表的关键设计amount用正负号区分收支category做粗分类remark存具体类目。Agent 生成 SQL 时只要提示词里把类别枚举写清楚插入和汇总都不容易跑偏。3.2 MCP Server两个工具就够用用 uv 初始化项目装依赖uv init finance cd finance uv venv .venv\Scripts\activate uv add mcp[cli] mysql-connector-python python-dotenv如果激活时报“禁止运行脚本”用管理员权限执行Set-ExecutionPolicy RemoteSigned后重试。创建.envDB_HOSTlocalhost DB_USERroot DB_PASSWDroot DB_NAMEtestdbMCP Server 只暴露两个工具get_table_definition拿表结构execute_sql执行 SQL。这样 Agent 先查表结构再生成 SQL避免瞎猜字段。import mysql.connector import json import os from contextlib import contextmanager from dotenv import load_dotenv from mcp.server.fastmcp import FastMCP load_dotenv() class DbManager: def __init__(self): self.connection_pool mysql.connector.pooling.MySQLConnectionPool( pool_namedb_pool, pool_size5, pool_reset_sessionTrue, hostos.getenv(DB_HOST), useros.getenv(DB_USER), passwordos.getenv(DB_PASSWD), databaseos.getenv(DB_NAME), ) contextmanager def get_cursor(self): with self.connection_pool.get_connection() as connection: cursor None try: cursor connection.cursor() yield cursor connection.commit() except Exception as e: connection.rollback() raise e finally: if cursor: cursor.close() def execute_sql(self, sql: str) - str: with self.get_cursor() as cursor: cursor.execute(sql) if cursor.description is not None: rows cursor.fetchall() result { columns: [desc[0] for desc in cursor.description], rows: rows, } return json.dumps(result, defaultstr) else: return frow affected:{cursor.rowcount} dbManager DbManager() mcp FastMCP() mcp.tool() def get_table_definition(table: str) - str: get table definition return dbManager.execute_sql(fshow create table {table}) mcp.tool() def execute_sql(sql: str) - str: execute sql return dbManager.execute_sql(sql) if __name__ __main__: mcp.run(transportsse)启动uv run main.py。看到 SSE 服务监听在 8000 端口就说明 MCP Server 活了。4. Dify 侧配置Agent 节点 MCP 工具策略4.1 装插件与配 MCP 服务在 Dify 右上角“插件”里从 Marketplace 安装两个插件Dify Agent 策略和MCP SSE / StreamableHTTP。装完后切到“插件”tab找到 MCP 插件点“去授权”填入{ finance_server: { url: http://host.docker.internal:8000/sse, headers: {}, timeout: 50, sse_read_timeout: 50 } }注意Dify 跑在 Docker 里访问宿主机服务要用host.docker.internal不要写 localhost。4.2 Chatflow 里替换成 Agent 节点新建空白 Chatflow把默认 LLM 节点换成 Agent 节点。Agent 策略选Function Calling模型选豆包 1.5 Pro 32k。系统提示词直接抄下面这段# 角色 你是记账助手可以通过调用MCP工具完成记录日常收入和支出并作分析。 为了获得MCP工具列表必须先通过mcp_sse_list_tools获取。 为了完成记账操作需要先获取表finance的定义。 记账的用户ID取值为{{#sys.user_id#}} # 收支类别 收入工资薪金劳务报酬投资收益分红收入租金收入其它收入 支出住房交通通讯保险餐饮电子产品日用品服饰旅行娱乐医疗学习其它支出 # 技能 ## 技能1记录日常开支 将开支信息记录到数据库表finance ## 技能2统计日常开支 根据用户输入信息分析统计日常开支 # 限制 仅处理记账相关问题不回复其它问题最大迭代次数建议设 8 以上。Agent 完成一次记账通常要两步先get_table_definition再execute_sql。迭代次数太小会在第二步直接截断。5. 验证请求从对话到数据落库在 Dify 预览窗口输入昨天吃饭用了50元还花了22元买了拖鞋。今天买手机花了1999元吃饭花了60元预期 Agent 会依次调用mcp_sse_list_tools、get_table_definition、execute_sql最终返回“已成功记录 4 笔支出”。然后去数据库查select * from finance order by date desc;你应该看到 4 行记录amount为负数category分别是餐饮、日用品、电子产品、餐饮。再输入“汇总各个类别的金额”Agent 会生成类似select category, sum(amount) as total from finance group by category;返回结果里餐饮合计 -110日用品 -22电子产品 -1999。到这一步读写闭环就跑通了。6. 本篇常见错排查报错一MCP 工具列表为空。检查 Dify 里 MCP 插件配置的 URL 是否用了host.docker.internal以及 MCP Server 是否真的在 8000 端口监听。可以在宿主机浏览器访问http://localhost:8000/sse看是否有事件流返回。报错二Agent 反复调用get_table_definition不执行 SQL。通常是模型 Function Calling 能力不足。换豆包 1.5 Pro 或确认所选模型支持工具调用。提示词里“必须先获取表定义”这句也会强化这个行为如果模型太弱可以暂时去掉。报错三插入中文备注乱码。检查 MySQL 容器启动参数是否带了--character-set-serverutf8mb4以及建表时DEFAULT CHARSETutf8mb4。Dify 侧不需要额外编码设置。报错四execute_sql返回 row affected 但数据没进去。看 DbManager 里是否在异常时 rollback 了。如果 SQL 语法错误MySQL 会抛异常连接池回滚Agent 会收到错误信息。让 Agent 根据错误重试即可但要在提示词里允许它修正 SQL。报错五Dify 容器访问不到宿主机 MySQL。MCP Server 跑在宿主机连的是localhost:3306这个没问题。但如果你把 MCP Server 也放进 Docker就要把DB_HOST改成host.docker.internal。7. 跑通之后把 MCP 工具链用起来这套结构的价值在于可扩展。你不需要改 Dify 工作流只要在 MCP Server 里加新工具比如get_monthly_summary或export_csvAgent 就能自动发现并调用。长期做编码类 Agent 或需要多工具编排的场景可以考虑用 Coding Plan 来降低模型调用成本入口在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding_plan 。如果你在接入过程中遇到 MCP 工具注册失败或 Agent 不调用工具的问题优先检查 API Key 和接入文档里的模型配置项https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi_keys 和 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc 。模型对话调试可以直接在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodel_chat 里先验证 Function Calling 是否正常再回 Dify 编排。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉