在Dify工作流里，我为什么“剥夺”了大模型调用工具的能力？
在生产环境用 Dify，我们最头疼的就是大模型的不确定性。
让 Agent 节点自己调用工具，结果总会有点飘。
今天分享一个能让工作流更稳定、更可控的小技巧：
就是我们可以将MCP中的工具作为工具节点直接插入dify的工作流中。
不知道大家有没有注意到我上一篇文章的一个使用方式：
这里我直接将腾讯的Edgeone-Pages当做一个工具节点了。大家可以看到它是一个工具，这个实际上是我从dify的插件市场下载的一个工具插件，最主要是这玩意儿必须要申请APIkey.而且它输出的text不是url，还需要我从json中提取，所以我加了一个模板转换节点。
虽然他的apikey申请起来并不是特别费劲。
但是大家如果之前在其他地方用过腾讯这个网页部署的mcp服务的话，应该是知道，他是不需要key的。
所以，比如我们可以直接登录modelscope（魔塔社区），开通一下这个服务。
然后配置到你的dify里面：
接下来，我们就可以直接再工作流里面把MCP中的工具，直接当做工具引用了。
大家看下效果：
当然，这只是非常简短的一个案例。
给大家说这个小技巧的主要原因是，我们不必专门写那么多的http请求或者怎样了。
又或者，以高德地图的MCP为例，他有非常非常多的工具，我们只需要写一个授权凭据（其实就是在URL里面加上Key），我们就可以直接引用这些工具了。
我们不需要使用哪个工具，还专门写个http请求了。
大家可能会说，我感觉要写http请求，调用工具，我直接加一个Agent节点，让大模型调用不就行了。
这个小技巧啥用都没用。
其实不是的。
我们为什么在生产环境等业务场景使用Dify这种开源的工作流平台。
其实，我们就是努力在不确定性中，找确定性。
这也是为什么MCP都这么方便了，大家还是会自己写工具的原因。
大模型本质上是概率模型，它的结果都是随机的，MVP版本可以使用Agent节点，让他自主调用工具，通过提示词限制它。
但是，我们在实际业务落地的时候，就不能这样了。
我们要尽可能多的减少变量，以求结果的稳定性。
我们剥夺大模型使用工具的能力，是为了更好的达到生产级可用。
大家可能会说，我变成工具节点，这些参数我也不知道怎么输入啊，格式应该是什么呢？
小技巧又来了。
我们可以把这个MCP配置给claude code或者Trae等比较厉害的AI IDE或者是某个客户端，比如chatwise，cherry studio。让他们教我们啊。
以上，谢谢大家看完我的文章。
