当前位置：首页 > news >正文

AI大模型全栈开发Coze+Dify+MCP+llama+LangChain+LangGraph智能体部署

news 2025/10/15 11:50:54

如果想让你的智能助手实时获取最新信息，联网检索能力必不可少！然而，Dify插件市场的搜索工具要么需要付费，要么性能有限。而Coze提供的免费网页搜索插件，只需通过MCP服务简单改造，就能为Dify智能体打造经济高效的联网方案！

本文将详细讲解通过以下三步骤，让你无需高成本，搞定实时搜索——让AI助手真正‘联网’！：

✅ Coze 免费网页搜索工作流搭建

✅ FastAPI-MCP 封装接口，变成Dify兼容的MCP服务

✅ Dify 配置联网智能体，实战落地！

Coze网页搜索工作流搭建

网页搜索插件

在coze的插件市场中，找到了几款免费的网页搜索插件：必应搜索、博查搜索社区版等。

工作流搭建

我们以必应搜索为例，搭建一个以必应搜索为引擎的联网检索工作流。

Coze联网搜索工作流

工作流传入两个参数，search_content用于搜索的文本，n返回搜索的网页数量。

工作流输入参数

由于必应搜索到的结果，可能不包含网页内的具体内容，因此，我们在必应搜索的结果上，对搜索到的链接，使用Coze官方的LinkReaderPlugin插件，进一步提取出网页内的具体内容。再合并网页链接进行输出。最终每个网页的输出参数为content、images、title、url。

工作流发布

工作流创建后，发布工作流。为了后续我们能够调用该工作流的API，需要记住该工作流的workflow_id。找到发布的工作流，点开之后，在地址栏中就能看到工作流的workflow_id

在地址栏获取Coze工作流的ID

在 扣子API 界面找到 Playground -> 授权 -> 个人访问令牌，创建一个新令牌，用于我们后续调用该工作流的凭证。

创建API调用凭证

FastAPI-MCP 封装Coze接口

Coze接口调用

查看Coze官网API，找到 Playground -> 工作流 -> 执行工作流。点击进入，选择 Python，就可以看到Coze官方的API调用示例。

Coze官方API调用示例

参考官方样例，我们用FastAPI写一个接口调用的服务。

class CozeAPI:
def __init__(self, coze_api_token):
self.coze_api_token = coze_api_token
def workflow_api(self, workflow_id, workflow_parameters):
coze_api_base = COZE_CN_BASE_URL
coze = Coze(auth=TokenAuth(token=self.coze_api_token), base_url=coze_api_base)
workflow = coze.workflows.runs.create(
workflow_id=workflow_id,
parameters = workflow_parameters,
)
result = json.loads(json.loads(workflow.data).get("data"))
return result
@cozeAPIServer.get("/websearch", description="Coze联网检索服务")
asyncdef web_search(search_content:str, n:int=3):
workflow_name = "WebSearch"
res = (
CozeAPI(COZE_API_KEY)
.workflow_api(
workflow_id=COZE_WORKFLOW.get(workflow_name),
workflow_parameters={"search_content":search_content, "n":n}
)
)
return res
app = FastAPI(
title='COZE API',
description=f'COZE API接口文档',
version='0.0.1',
)
app.include_router(cozeAPIServer, prefix="/coze", tags=['COZE API'])

FastAPI -> MCP

参考《FastAPI-MCP+Dify：让AI教你打炉石上传说》文章介绍，将我们的FastAPI服务两行代码秒变MCP服务。

mcp = FastApiMCP(
app,
name="COZE MCP",
description="COZE MCP",
base_url="http://0.0.0.0:8062",
)
mcp.mount()

Cherry Studio测试MCP服务

在设置 -> MCP服务器中添加开发环境运行的CozeMCP

Cherry Studio CozeMCP配置

在聊天界面进行测试。

Cherry Studio 测试联网检索

Dify搭建联网智能体

Docker部署CozeMCP

将我们开发好并测试通过的CozeMCP代码，打包一起上传到服务器，进行本地部署。

1.构建镜像

cd cozemcp/
docker build -t cozemcp:v0.1 .

2.启动服务，需要注意的是，由于我们的接口需要向coze服务器发送请求，需要连接到外部网络，因此我们在启动容器时，需要能够访问外网。

docker run -d -p 8062:8062 --network docker_ssrf_proxy_network --network docker_default --name cozemcpserver cozemcp:v0.1

Dify插件配置CozeMCP

在Dify的插件市场，找到MCP SSE插件，进行安装。

MCP SSE插件

安装完之后，点击授权，在MCP 服务配置中填入如下服务器信息。

{
"cozemcp": {
"url": "http://cozemcpserver:8062/mcp",
"headers": {}, "timeout": 60,
"sse_read_timeout": 300
}
}

构建联网检索智能体

在Dify的 工作室 页面，点击创建空白应用 -> Agent。在工具中，添加mcp_sse工具。

进行一下测试。

联网智能助手测试

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望