AI创想

标题: Dify+MCP+MySQL：智能问数本地实践 [打印本页]

作者: RomaQ34306 时间: 7 小时前
标题: Dify+MCP+MySQL：智能问数本地实践
作者：CSDN博客
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

一、MySQL部署与配置

安装MySQL
自行官网下载安装，我装的是mysql 8.4。
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”。

(, 下载次数: 0)

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

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

复制代码

创建dify Docker

cd dify/docker
cp .env.example .env
docker compose up -d

复制代码

– 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。

(, 下载次数: 0)

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：

(, 下载次数: 0)

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

复制代码

# 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

复制代码

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。

(, 下载次数: 0)

（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

复制代码

(, 下载次数: 0)

（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

复制代码

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。

(, 下载次数: 0)

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。）

(, 下载次数: 0)

安装好后，是这样的：

(, 下载次数: 0)

（二）创建对话工作流应用

(, 下载次数: 0)

（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

(, 下载次数: 0)

（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

(, 下载次数: 0)

2、选择AI模型

(, 下载次数: 0)

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}}

复制代码

(, 下载次数: 0)

– – 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。

(, 下载次数: 0)

4、启用工具

(, 下载次数: 0)

5、选择另一个工具

(, 下载次数: 0)

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';

复制代码

(, 下载次数: 0)

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 definition
CREATE 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;

复制代码

(, 下载次数: 0)

7、设置查询提示词
聊天输入框的值就是 sys.query

(, 下载次数: 0)

上图是原帖，下面附上我的步骤：

(, 下载次数: 0)

然后显示如下：

(, 下载次数: 0)

（五）直接回复节点

(, 下载次数: 0)

（六）测试效果

1、dify的返回结果

(, 下载次数: 0)

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。
我的提问、大模型思考过程、答案：
（1）提问

换手率最高的ETF是哪只？

复制代码

（2）思考过程（两轮）：
第一轮

(, 下载次数: 0)

第二轮

(, 下载次数: 0)

（3）答案：
没有输出答案。。
（4）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。供与大模型输出结果对比。

(, 下载次数: 0)

2、可以看到MCP服务控制台的打印信息

(, 下载次数: 0)

3、工作流的日志追踪

(, 下载次数: 0)

（七）保存工作流

(, 下载次数: 0)

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。

原文地址：https://blog.csdn.net/weixin_44216391/article/details/148304893

欢迎光临 AI创想 (https://llms-ai.com/)