Dify 实战任务：基于 MCP 协议搭建 AI 学习智能 Agent（自动生成每日学习+实战内容）

任务核心定位

聚焦 AI 学习场景（覆盖 Python 基础、LLM 原理、RAG 实战、Dify/n8n 工具使用等方向），基于 Dify + MCP 协议搭建「AI 学习智能 Agent」。该 Agent 能根据用户的学习阶段（新手/进阶）、目标（如掌握 Dify 实战/搭建 RAG 系统）、每日可投入时长，自动生成「知识点学习内容 + 可落地实战任务」，并通过 MCP 协议对接外部学习资源（如 GitHub 学习仓库、AI 官方文档、在线代码评测平台），实现“个性化学习计划生成→学习资源调取→实战任务设计→进度追踪”的闭环，解决 AI 学习“无规划、无方向、学完不会用”的痛点。

一、任务基础信息

• 适用人群：AI 学习新手/进阶者、想要系统化学习 LLM/RAG/Dify 的开发者、教育类工具搭建者；

• 前置条件：

  1. 已部署 Dify（v1.10.0+ 版本，支持 MCP 协议，Docker/私有化部署均可）；
  2. 开发环境：Python 3.8+（搭建 MCP Server）、Git（对接 GitHub 学习资源）、浏览器（Dify 操作）；

  3. 学习资源准备：

     • 本地/在线 AI 学习知识库（如 Python 基础、RAG 原理、Dify 文档等 Markdown/PDF 资料）；
     • 可选对接外部工具：GitHub API（调取学习仓库）、LeetCode API（Python 刷题）、Dify 官方文档 API；
  4. 工具支持：FastAPI（搭建 MCP Server）、uvicorn（运行 Server）、requests（接口调用）；
• 任务周期：2-3 天（按「MCP Server 搭建→Dify 配置→工作流编排→测试优化」推进）；

• 最终产出：可直接使用的 AI 学习 Agent，输入指令如“我是 AI 新手，每天 1.5 小时，目标 2 周掌握 Dify 实战，生成今日学习计划”，即可返回：

  • 当日学习内容（知识点+资源链接）；
  • 当日实战任务（步骤清晰、可落地的小任务）；
  • 学习验证方式（如代码运行、效果验收标准）。

二、核心原理：MCP 协议对接 AI 学习工具链

本次 Agent 核心通过 MCP 协议对接 3 类核心工具（由 MCP Server 封装），Dify 作为“大脑”编排流程：

graph LR
    A[用户输入] --> B[Dify 工作流]
    B --> C[LLM 节点：解析学习阶段/目标/时长]
    C --> D[Fetch MCP Tools：获取 3 类学习工具]
    D --> E[Call MCP Tool：调用工具生成内容]
    E --> F[内容整合节点：拼接学习+实战内容]
    F --> G[返回给用户]
    
    subgraph MCP Server 封装的工具
    E --> E1[学习资源查询工具：调取知识点资料]
    E --> E2[实战任务生成工具：匹配阶段设计任务]
    E --> E3[进度记录工具：记录每日完成情况]
    end
    
    E1 --> H[GitHub 学习仓库/本地知识库]
    E2 --> I[实战任务模板库]
    E3 --> J[本地 JSON/轻量数据库]

• MCP Server 作用：封装“学习资源查询、实战任务生成、进度记录”3 类工具，提供标准化 MCP 协议接口；
• Dify 工作流作用：解析用户需求→调用 MCP 工具→整合结果→输出个性化学习计划。

三、任务详细拆解（Step-by-Step 落地）

阶段 1：搭建 AI 学习专属 MCP Server（1 天）

核心目标：封装 3 类 AI 学习工具，提供 MCP 协议接口供 Dify 调用

具体操作：

1. 创建 MCP Server 项目&安装依赖

   • 新建文件夹 ai-learning-mcp-server，执行以下命令安装依赖：

     pip install fastapi uvicorn requests pydantic python-dotenv

   • 新建 server.py（核心代码，含 3 类工具封装，可直接复制）：

     from fastapi import FastAPI, HTTPException
     from pydantic import BaseModel
     import requests
     import json
     from datetime import datetime
     import os
     
     # 初始化 FastAPI 应用
     app = FastAPI(title="AI 学习 Agent MCP Server")
     
     # ===================== 配置项（可根据自己的学习资源修改） =====================
     # 1. 学习资源映射（按阶段/主题分类）
     LEARNING_RESOURCES = {
         "新手-Python基础": {
             "知识点": "Python 变量/数据类型/循环/函数/模块导入",
             "资源链接": "https://github.com/walter201230/Python.git",
             "文档": "https://docs.python.org/zh-cn/3/tutorial/index.html"
         },
         "新手-Dify部署": {
             "知识点": "Docker 基本命令、Dify 一键部署、知识库创建",
             "资源链接": "https://github.com/langgenius/dify.git",
             "文档": "https://docs.dify.ai/guides/getting-started/install-docker"
         },
         "进阶-RAG优化": {
             "知识点": "Embedding 模型选型、分片策略、混合检索、Rerank 重排序",
             "资源链接": "https://github.com/explodinggradients/ragas.git",
             "文档": "https://docs.dify.ai/guides/knowledge-base/optimize-retrieval"
         },
         "进阶-MCP协议": {
             "知识点": "MCP 协议原理、MCP Server 搭建、Dify MCP 插件配置",
             "资源链接": "https://github.com/langgenius/dify-docs.git",
             "文档": "https://docs.dify.ai/guides/plugins/mcp-plugin"
         }
     }
     
     # 2. 实战任务模板（按阶段/主题匹配）
     PRACTICE_TASKS = {
         "新手-Python基础": {
             "任务名称": "Python 基础语法实战",
             "任务描述": "编写一个 Python 脚本，实现：1. 定义函数计算两个数的和；2. 循环输出 1-10 的偶数；3. 导入 math 模块计算圆的面积（半径手动输入）",
             "验收标准": "脚本可运行，无语法错误，输出结果正确"
         },
         "新手-Dify部署": {
             "任务名称": "Dify 本地部署+基础知识库创建",
             "任务描述": "1. 用 Docker 一键部署 Dify；2. 创建名为「AI 学习笔记」的知识库；3. 上传 1 篇 Python 学习笔记（Markdown 格式）；4. 测试 1 个简单问答（如“Python 函数定义规则”）",
             "验收标准": "Dify 服务正常启动，知识库问答准确率≥80%"
         },
         "进阶-RAG优化": {
             "任务名称": "Dify RAG 检索效果优化",
             "任务描述": "1. 基于已有的 Dify 知识库，修改分片参数（Chunk Size=500，Overlap=100）；2. 启用混合检索+gte-rerank-v2 模型；3. 设计 5 条测试用例，验证召回率提升≥10%",
             "验收标准": "检索结果更精准，模糊查询能匹配到相关内容"
         },
         "进阶-MCP协议": {
             "任务名称": "MCP 对接天气 API 实战",
             "任务描述": "1. 搭建简易 MCP Server，封装天气查询工具；2. 在 Dify 中配置 MCP 插件；3. 编排工作流，实现“输入城市名→调用 MCP 工具→返回天气信息”",
             "验收标准": "工作流可正常运行，查询城市天气返回准确结果"
         }
     }
     
     # 3. 学习进度存储（本地 JSON 文件，简易版）
     PROGRESS_FILE = "learning_progress.json"
     if not os.path.exists(PROGRESS_FILE):
         with open(PROGRESS_FILE, "w", encoding="utf-8") as f:
             json.dump({}, f)
     
     # ===================== MCP 协议核心接口 =====================
     # 定义工具调用请求模型
     class ToolCallRequest(BaseModel):
         tool_name: str
         parameters: dict
     
     # 1. MCP 接口：获取工具列表（Dify 必须调用）
     @app.get("/mcp/tools")
     async def get_tools():
         return {
             "tools": [
                 {
                     "name": "get_learning_resource",
                     "description": "根据学习阶段和目标查询对应的学习资源（知识点+链接+文档）",
                     "parameters": [
                         {"name": "stage", "type": "string", "required": True, "description": "学习阶段：新手/进阶"},
                         {"name": "topic", "type": "string", "required": True, "description": "学习主题：Python基础/Dify部署/RAG优化/MCP协议"}
                     ]
                 },
                 {
                     "name": "generate_practice_task",
                     "description": "根据学习阶段和主题生成可落地的实战任务",
                     "parameters": [
                         {"name": "stage", "type": "string", "required": True, "description": "学习阶段：新手/进阶"},
                         {"name": "topic", "type": "string", "required": True, "description": "学习主题：Python基础/Dify部署/RAG优化/MCP协议"}
                     ]
                 },
                 {
                     "name": "record_learning_progress",
                     "description": "记录每日学习进度（完成/未完成）",
                     "parameters": [
                         {"name": "date", "type": "string", "required": True, "description": "学习日期，格式：YYYY-MM-DD"},
                         {"name": "stage", "type": "string", "required": True, "description": "学习阶段"},
                         {"name": "topic", "type": "string", "required": True, "description": "学习主题"},
                         {"name": "status", "type": "string", "required": True, "description": "进度状态：完成/未完成"}
                     ]
                 }
             ]
         }
     
     # 2. MCP 接口：调用工具（核心逻辑）
     @app.post("/mcp/call")
     async def call_tool(request: ToolCallRequest):
         tool_name = request.tool_name
         params = request.parameters
     
         # 工具1：查询学习资源
         if tool_name == "get_learning_resource":
             key = f"{params['stage']}-{params['topic']}"
             if key not in LEARNING_RESOURCES:
                 return {"success": False, "error": f"无匹配的学习资源：{key}"}
             return {"success": True, "result": LEARNING_RESOURCES[key]}
     
         # 工具2：生成实战任务
         elif tool_name == "generate_practice_task":
             key = f"{params['stage']}-{params['topic']}"
             if key not in PRACTICE_TASKS:
                 return {"success": False, "error": f"无匹配的实战任务：{key}"}
             return {"success": True, "result": PRACTICE_TASKS[key]}
     
         # 工具3：记录学习进度
         elif tool_name == "record_learning_progress":
             try:
                 with open(PROGRESS_FILE, "r", encoding="utf-8") as f:
                     progress = json.load(f)
                 # 存储格式：{日期: {阶段-主题: 状态}}
                 if params["date"] not in progress:
                     progress[params["date"]] = {}
                 progress[params["date"]][f"{params['stage']}-{params['topic']}"] = params["status"]
                 with open(PROGRESS_FILE, "w", encoding="utf-8") as f:
                     json.dump(progress, f, ensure_ascii=False, indent=2)
                 return {"success": True, "result": "学习进度记录成功"}
             except Exception as e:
                 return {"success": False, "error": f"记录失败：{str(e)}"}
     
         # 未知工具
         else:
             raise HTTPException(status_code=404, detail=f"工具 {tool_name} 不存在")
     
     # 启动 MCP Server
     if __name__ == "__main__":
         import uvicorn
         uvicorn.run(app, host="0.0.0.0", port=8001)

2. 启动并测试 MCP Server

   • 运行 Server：在项目文件夹执行 python server.py；
   • 测试工具列表接口：浏览器访问 http://localhost:8001/mcp/tools，能看到 3 个工具列表即启动成功；

   • 测试工具调用（Postman/浏览器）：发送 POST 请求到 http://localhost:8001/mcp/call，请求体示例（查询新手-Dify部署的学习资源）：

     {
       "tool_name": "get_learning_resource",
       "parameters": {"stage": "新手", "topic": "Dify部署"}
     }

   • 若返回对应的学习资源信息，说明工具调用正常。

阶段 2：Dify 配置 MCP 插件与工具（0.5 天）

核心目标：让 Dify 识别 MCP Server 中的 3 类学习工具，实现工具调用

具体操作：

1. 安装并配置 MCP 插件

   • 登录 Dify 后台 → 插件市场 → 搜索「MCP SSE 插件」→ 安装；

   • 配置插件参数：

     • MCP Server URL：http://你的服务器IP:8001（确保 Dify 能访问该地址，本地部署填 http://localhost:8001）；
     • 授权方式：选择「无授权」（简易场景）；
     • 点击「测试连接」，显示「连接成功」即完成配置。

2. 验证 MCP 工具识别

   • 进入 Dify 「工作室」→ 创建新应用，命名为「AI 学习智能 Agent」，选择「工作流」类型；

   • 在工作流编辑器中，添加「Fetch MCP Tools」节点：

     • 插件选择：已安装的 MCP 插件；
     • 运行该节点，输出结果中能看到 get_learning_resource/generate_practice_task/record_learning_progress 3 个工具，说明识别成功。

阶段 3：编排 AI 学习 Agent 工作流（核心环节，1 天）

核心目标：实现“用户输入→解析需求→调用 MCP 工具→整合学习+实战内容→输出计划”的完整流程

工作流节点配置（按顺序添加）：

用户输入 → LLM 节点（解析需求）→ 条件分支 → Call MCP Tool（资源查询）→ Call MCP Tool（实战生成）→ 内容整合 → 输出
                                                                 → 进度记录（可选）→ 输出

1. 节点 1：用户输入（默认节点）

   • 接收用户自然语言输入，示例：

     • 新手：“我是 AI 新手，每天 1 小时，今天想学习 Dify 部署，生成学习计划和实战任务”；
     • 进阶：“我是进阶学习者，今天想优化 RAG 检索效果，生成对应的学习内容和实战任务”。

2. 节点 2：LLM 节点（解析学习需求，关键！）

   • 模型选择：GPT-3.5 Turbo/DeepSeek-R1（意图识别准确率高）；

   • Prompt 设计（严格按格式解析参数，可直接复制）：

     你是 AI 学习助手，需解析用户的学习需求，输出以下 JSON 格式的参数（无额外内容）：
     {
       "stage": "学习阶段（仅填：新手/进阶）",
       "topic": "学习主题（仅填：Python基础/Dify部署/RAG优化/MCP协议）",
       "duration": "每日学习时长（如1小时/2小时）",
       "date": "今日日期（格式：YYYY-MM-DD）"
     }
     规则：
     1. 必须从用户输入中提取准确的 stage 和 topic，无法识别时 stage 填“新手”，topic 填“Python基础”；
     2. duration 如实提取，无则填“1小时”；
     3. date 填当前系统日期（YYYY-MM-DD）。
     示例：
     用户输入：我是 AI 新手，每天 1 小时，今天想学习 Dify 部署 → 输出：
     {"stage":"新手","topic":"Dify部署","duration":"1小时","date":"2026-01-12"}

   • 输出格式：选择「JSON」，确保后续节点能解析参数。

3. 节点 3：Call MCP Tool（调用学习资源查询工具）

   • 插件选择：已配置的 MCP 插件；
   • 工具名称：get_learning_resource；

   • 工具参数：

     • stage：{{$node["LLM 节点"].json["stage"]}}（引用 LLM 节点解析的阶段）；
     • topic：{{$node["LLM 节点"].json["topic"]}}（引用学习主题）。

4. 节点 4：Call MCP Tool（调用实战任务生成工具）

   • 插件选择：已配置的 MCP 插件；
   • 工具名称：generate_practice_task；

   • 工具参数：

     • stage：{{$node["LLM 节点"].json["stage"]}}；
     • topic：{{$node["LLM 节点"].json["topic"]}}。

5. 节点 5：内容整合（编辑字段节点）

   • 作用：将学习资源、实战任务、时长整合为易读的每日学习计划，示例配置：

     【今日 AI 学习计划】
     学习阶段：{{$node["LLM 节点"].json["stage"]}}
     学习主题：{{$node["LLM 节点"].json["topic"]}}
     每日时长：{{$node["LLM 节点"].json["duration"]}}
     
     === 一、学习内容 ===
     核心知识点：{{$node["Call MCP Tool（资源查询）"].json["result"]["知识点"]}}
     学习资源：{{$node["Call MCP Tool（资源查询）"].json["result"]["资源链接"]}}
     官方文档：{{$node["Call MCP Tool（资源查询）"].json["result"]["文档"]}}
     
     === 二、实战任务 ===
     任务名称：{{$node["Call MCP Tool（实战生成）"].json["result"]["任务名称"]}}
     任务描述：{{$node["Call MCP Tool（实战生成）"].json["result"]["任务描述"]}}
     验收标准：{{$node["Call MCP Tool（实战生成）"].json["result"]["验收标准"]}}

6. 节点 6：进度记录（可选，Call MCP Tool）

   • 工具名称：record_learning_progress；

   • 工具参数：

     • date：{{$node["LLM 节点"].json["date"]}}；
     • stage：{{$node["LLM 节点"].json["stage"]}}；
     • topic：{{$node["LLM 节点"].json["topic"]}}；
     • status：未完成（用户完成后可手动修改为“完成”）。

7. 节点 7：输出节点

   • 引用「内容整合」节点的输出，将格式化的学习计划返回给用户。

阶段 4：测试与优化（0.5 天）

核心目标：验证 Agent 生成的学习计划精准、实战任务可落地

具体操作：

1. 测试用例设计&验证

   用户输入	预期输出	验证要点
   “我是 AI 新手，每天 1 小时，今天想学习 Dify 部署”	新手-Dify部署的学习资源+实战任务，格式清晰	知识点准确、实战任务可落地、资源链接有效
   “我是进阶学习者，今天想优化 RAG 检索效果”	进阶-RAG优化的学习资源+实战任务	RAG 优化知识点完整、实战任务有量化验收标准
   “随便推荐今天的 AI 学习内容”	默认新手-Python基础的学习计划	兜底逻辑生效，无报错

2. 优化方向

   • 若 LLM 解析参数错误：在 Prompt 中添加更多示例（few-shot），或降低温度参数（temperature=0.1）；
   • 若学习资源/实战任务不足：补充 LEARNING_RESOURCES 和 PRACTICE_TASKS 字典（如新增“进阶-n8n 工作流”主题）；
   • 若格式混乱：优化「内容整合」节点的模板，增加换行/分段。

四、企业级/个性化扩展建议

1. 对接更多学习工具：

   • 在 MCP Server 中新增工具：对接 LeetCode API（Python 刷题）、AI 教程网站（如 HuggingFace Docs）、Dify 社区案例库；
   • 新增“学习效果验证”工具：调用在线代码评测平台，自动校验实战任务的代码正确性。

2. 个性化适配：

   • 增加「学习目标」参数（如“找工作/兴趣学习/企业落地”），生成不同侧重点的学习计划；
   • 对接用户学习进度，生成“昨日未完成→今日优先学”的联动计划。

3. 多端集成：

   • 通过 Dify 的「集成」功能，将 Agent 接入飞书/企业微信/钉钉，每日自动推送学习计划；
   • 增加“进度打卡”功能，用户完成实战任务后可上传截图，Agent 自动标记“完成”。

五、总结

关键点回顾

1. 本次 AI 学习 Agent 核心通过 MCP 协议封装了「学习资源查询、实战任务生成、进度记录」3 类核心工具，实现了学习计划的自动化生成；
2. Dify 工作流的核心是「LLM 解析用户需求→调用 MCP 工具→整合内容」，其中 LLM Prompt 的精准解析是关键；
3. 实战任务设计遵循“可落地、可验证”原则，每个任务都有明确的验收标准，避免“学完不会用”。

核心价值

这个 Agent 不仅解决了 AI 学习“无规划”的问题，还通过 MCP 协议打通了“学习资源→实战任务→进度追踪”的全链路，新手可快速上手系统化学习，进阶者可针对性突破难点。你可根据自己的学习目标（如新增“大模型微调”“Agent 开发”等主题），补充 MCP Server 中的学习资源和实战任务模板，适配个性化学习需求。