Model Context Protocol (MCP) 是由 Anthropic 开发的开放标准协议，为 AI 与外部工具和数据源提供标准化交互接口。AI 通过此协议访问软件工具和数据资源。

本文介绍如何基于 dify-docs 仓库 部署本地 MCP 服务器，实现 LLM 与文档的自然对话。

详细了解 MCP 协议，请参考 Model Context Protocol。

​
前置准备

  • Node ≥ 16.0
  • Git
  • MCP 客户端（如 Claude Desktop、VS Code 等）

​
安装步骤

​
1. 拉取仓库

克隆 Dify 文档仓库到本地：

git clone https://github.com/langgenius/dify-docs.git

该仓库包含 Dify 完整文档，作为 MCP 服务器的数据源。

​
2. 初始化 MCP 服务器

进入文档目录，安装并配置 MCP 服务器：

cd dify-docs
npx mint-mcp add dify-6c0370d8

此命令完成以下操作：

  • 创建本地 MCP 服务器实例
  • 分析和索引文档内容
  • 配置必要依赖项

安装过程约需几分钟，时间取决于网络状况。

​
3. 配置 MCP 服务器

MCP 客户端和服务器关系：

MCP 服务器提供知识和工具，处理查询请求、管理数据资源、执行特定功能。客户端为用户交互界面，通常是 AI 应用或聊天工具，接收用户问题，转发查询至相应 MCP 服务器，整合信息后返回用户。

安装过程中选择 MCP 客户端。以 Claude Desktop 为例，工具生成相应配置信息。

完成安装后，在 Claude Desktop 设置中添加 MCP 服务器。进入设置页面，在 MCP 服务器配置部分添加服务器地址和端口，保存配置并重启应用。

​
与文档对话

配置完成后即可与 Dify 文档进行对话。该方式支持自然语言查询，无需逐页搜索或精确匹配关键词。

例如询问”我想创建一个客服聊天机器人，应该选择 Workflow 还是 Chatflow？“，系统解释两种应用类型区别，并结合客服场景给出具体建议。

对于技术问题如“如何修改 Dify 端口号”，AI 提供具体操作步骤：

MCP 方式允许用自然语言描述问题，即使不确定具体技术术语，只需描述期望效果即可获取相关信息。

​
该方案与 RAG 方法对比

特性RAG (检索增强生成)MCP (Model Context Protocol)
工作原理预先将文档分割成文本块，使用向量嵌入建立索引。用户提问时，系统计算问题与文本块相似度，选择相关块作为上下文生成答案。AI 根据问题需求主动生成查询策略，支持多轮交互查询，根据初次结果调整后续搜索。
优势处理速度快，适合大规模静态文档集合。- 可访问完整文档内容，支持跨章节复杂查询
- 文档更新后无需再次进行繁琐处理，重新生成 MCP 服务即可提供查询服务
- 提供连贯完整的答案
局限性- 静态文档分割可能分散相关信息
- 基于向量相似度检索可能遗漏语义相关但词汇不同的内容
- 上下文窗口限制，仅基于特定片段生成答案		- 需要消耗大量 Tokens，成本较高
- 依赖 LLM 的查询策略生成能力，可能影响检索准确性
- 多轮交互查询可能导致响应时间较长
- 需要额外的 MCP 服务器部署和维护成本

编辑此页面 | 提交问题