前言

AI智能体通过感知环境、自主决策和执行任务，突破传统大模型仅限于语言交互的局限。例如，当用户指令“订一张明天去北京的机票”时，智能体不仅理解语义，还能自动调用航班查询接口、完成支付并同步至日程系统。这种能力使其在客服、医疗、智能制造等领域展现出颠覆性潜力。

然而，智能体的开发长期受制于接口碎片化与工具兼容性难题。开发者需为不同数据源编写适配代码，导致60%的开发周期浪费在系统对接上。这一痛点催生了MCP协议的诞生。MCP（Model Context Protocol，模型上下文协议）由Anthropic于2024年底开源，其核心是通过标准化接口实现大模型与外部工具的“即插即用”。类比互联网的TCP/IP协议，MCP构建了AI交互的通用语言。

本文将介绍如下内容：

• 搭建基于Docker的MySQL数据库环境
• 开发MCP Server实现MySQL数据库操作
• 基于Dify搭建智能体通过MCP操作MySQL实现理财助手智能体

最终效果如下：

搭建基于Docker的MySQL数据库环境

1) 启动Docker容器

• • 建立docker_compose.yaml，内容如下

services:
  mysql:
    image: mysql:5.7
    container_name: mysql5.7
    ports:
      - "3306:3306"
    environment:
      - MYSQL_ROOT_PASSWORD=root
      - MYSQL_ALLOW_EMPTY_PASSWORD=yes
      - TZ=Asia/Shanghai
    volumes:
      - ./volumes:/var/lib/mysql
    command: --character-set-server=utf8mb4

• 执行docker compose up -d启动数据库

2) 创建数据库和表

• 下载MySQL客户端软件，例如dbeaver (https://dbeaver.io/download)
• 连接数据库，创建数据库和表

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(收入记为正数，支出记为负数)',
  `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`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='日常收支';

开发MCP Server实现MySQL数据库操作

以windows开发环境为例：

1) 设置Python开发环境

安装uv。uv是一个用Rust编写的极其快速的Python包和项目管理器。

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

创建python虚拟环境(假设项目目录为finance)

# Create a new directory for our project
uv init finance
cd finance

# Create virtual environment and activate it
uv venv
.venv\Scripts\activate

# Install dependencies
uv add mcp[cli] mysql-connector-python python-dotenv

如果在执行.venv\Scripts\activate时报错“无法加载.venv\Scripts\activate.ps1，因为在此系统上禁止运行脚本”，需要以管理员权限在终端执行Set-ExecutionPolicy RemoteSigned更改执行策略后再重新执行。

2) 设置环境变量

创建.env，配置数据库相关的环境变量，内容如下

DB_HOST=localhost
DB_USER=root
DB_PASSWD=root
DB_NAME=testdb

把.env添加到.gitignore

3) MCP Server实现代码

实现两个mcp工具：

• • get_table_definition: 获取表结构定义

• • execute_sql: 执行SQL语句

import mysql.connector
import json
import os
from contextlib import contextmanager
from dotenv import load_dotenv
from mcp.server.fastmcp import FastMCP

# 加载环境变量
load_dotenv()


class DbManager:
    def __init__(self):
        self.connection_pool = mysql.connector.pooling.MySQLConnectionPool(
            pool_name="db_pool",
            pool_size=5,
            pool_reset_session=True,
            host=os.getenv("DB_HOST"),  # 数据库服务器地址
            user=os.getenv("DB_USER"),  # 数据库用户名
            password=os.getenv("DB_PASSWD"),  # 数据库密码
            database=os.getenv("DB_NAME"),  # 数据库名
        )

    @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, default=str)
            else:
                return f"row affected:{cursor.rowcount}"


dbManager = DbManager()
# Initialize FastMCP server
mcp = FastMCP()


@mcp.tool()
def get_table_definition(table: str) -> str:
    """get table definition"""
    return dbManager.execute_sql(f"show create table {table}")


@mcp.tool()
def execute_sql(sql: str) -> str:
    """execute sql"""
    return dbManager.execute_sql(sql)


if __name__ == "__main__":
    # Initialize and run the server
    mcp.run(transport="sse")

3) 启动MCP Server

uv run main.py

基于Dify搭建智能体通过MCP操作MySQL实现理财助手智能体

Dify是一款开源的大语言模型应用开发平台，旨在降低AI应用的开发门槛，帮助开发者和企业快速构建、部署及管理生成式AI应用。

假设已经通过Docker Desktop for Windows安装Dify。

1) 安装MCP插件

点击右上角“插件”按钮，进入插件页面，选择“探索Marketplace

选择插件

Dify Agent 策略

进行安装。

选择插件

MCP SSE / StreamableHTTP

进行安装。

2) 设置MCP服务

切换到"插件"tab，选择已经安装的插件"MCP SSE / StreamableHTTP"，点击“去授权”

填上MCP服务配置：

配置如下:

{"finance_server":{"url":"http://host.docker.internal:8000/sse","headers":{},"timeout":50,"sse_read_timeout":50}}

3) 创建Chatflow应用

• • 创建一个空白应用，类型为Chatflow

  

• • 调整工作流，把默认的LLM节点替换为Agent节点

  

• 设置Agent节点的Agent策略，并添加MCP工具

  策略选择Function Calling

  

• Agent节点的模型选择doubao-1.5-pro-32k
  通义千问系列的模型跑起来效果不佳，这次改用豆包模型

• 设置Agent节点的指令(系统提示词)

# 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

• 设置Agent节点的查询和最大迭代次数

Agent完成一项任务可能需要迭代多次调用工具，最大迭代次数设置过小可能导致无法正常完成任务。

• 预览调试

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”，验证输出为成功记录支出。

另外，通过数据库表验证数据正常插入

输入“汇总各个类别的金额”，验证数据查询

确认无误后点击右上角的“发布”按钮发布应用

总结

基于Dify搭建的智能体案例，不仅展示了从语义理解到工具调用的完整决策链路，更印证了MCP协议在降低开发成本和加速应用落地方面的工程意义。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】