摘要：在AI技术蓬勃发展的当下，大模型与外部数据源、工具的交互成为提升AI应用能力的关键。MCP（Model Context Protocol，模型上下文协议）作为Anthropic推出的开放标准，旨在打破数据孤岛，让AI应用能安全、高效地访问和操作本地及远程数据，
在AI技术蓬勃发展的当下，大模型与外部数据源、工具的交互成为提升AI应用能力的关键。MCP（Model Context Protocol，模型上下文协议）作为Anthropic推出的开放标准，旨在打破数据孤岛，让AI应用能安全、高效地访问和操作本地及远程数据，为AI应用搭建起连接万物的接口。而Spring AI，作为Spring生态下专注于AI应用开发的框架，凭借其对AI模型集成、工具调用等方面的良好支持，为基于MCP开发AI应用提供了绝佳的技术底座。
Spring AI的核心优势之一是依赖注入（DI）和强大的配置管理能力。在MCP开发中，我们需要管理大量的组件，如MCP客户端（McpSyncClient）、工具回调提供者（ToolCallbackProvider）等。通过Spring的@Bean注解和配置类（如McpClientAutoConfiguration、ToolCallingAutoConfiguration），可以轻松地将这些组件纳入Spring的容器管理。
例如，在McpClientAutoConfiguration中，我们可以定义McpSyncClient的创建逻辑：
@Configurationpublic class McpClientAutoConfiguration {@Beanpublic McpSyncClient mcpSyncClient(HttpClientSseClientTransport transport, SyncMcpToolCallbackProvider toolCallbackProvider) {// 初始化McpSyncClient，设置传输层和工具回调提供者McpSyncClient client = new McpSyncClient(transport);client.setToolCallbackProvider(toolCallbackProvider);return client;}@Beanpublic HttpClientSseClientTransport httpClientSseClientTransport {// 配置基于HTTP的SSE传输return new HttpClientSseClientTransport;}}这样，当Spring容器启动时，会自动创建并注入所需的McpSyncClient实例，开发者无需手动管理对象的生命周期，极大地简化了代码编写。
MCP的服务器端（MCP Server）通常需要以Web服务的形式对外提供接口。Spring AI借助Spring Web MVC或WebFlux等Web框架，能够快速构建MCP Server的Web端点。
从提供的图片中可以看到，MCP Server通过WebMvcMcpServerTransportProvider等组件与Web容器（如Tomcat、Jetty等）集成，处理来自MCP Client的请求。利用Spring的@RestController和路由映射（RouterFunction Mapping），可以方便地定义MCP Server的API接口。
示例代码如下：
@RestController@RequestMapping("/mcp")public class McpServerController {private final McpServerSession session;public McpServerController(McpServerSession session) {this.session = session;}@PostMapping("/message")public ResponseEntity handleMessage(@RequestBody MessageRequest request) {// 处理MCP Client发送的消息请求session.handleMessage(request);return ResponseEntity.ok.build;}@GetMapping("/tools/list")public ResponseEntity> listTools {// 返回可用工具列表List tools = session.getAvailableTools;return ResponseEntity.ok(tools);}}这里，McpServerSession负责管理MCP Server的会话逻辑，包括工具调用、通知处理等。
在MCP的工作流程中，工具调用是核心环节之一。Spring AI提供了灵活的工具回调机制，支持同步和异步的工具调用方式。
从图片中可知，ToolCallbackProvider有多个实现类，如MethodToolCallbackProvider、SyncMcpToolCallbackProvider等。可以通过反射解析标注了特定注解（如@Tool）的方法，将其转化为MCP可调用的工具。
示例代码：
@Servicepublic class WeatherService {@Tool(name = "getWeather", description = "获取指定城市的天气信息")public WeatherInfo getWeather(String city) {// 调用实际的天气API获取数据WeatherInfo weatherInfo = weatherApiClient.getWeather(city);return weatherInfo;}}@Configurationpublic class ToolConfig {@Beanpublic MethodToolCallbackProvider methodToolCallbackProvider(ApplicationContext applicationContext) {MethodToolCallbackProvider provider = new MethodToolCallbackProvider;// 扫描带有@Tool注解的BeanMap toolBeans = applicationContext.getBeansWithAnnotation(Tool.class);for (Object bean : toolBeans.values) {provider.register(bean);}return provider;}}当MCP Client发起工具调用请求时，MethodToolCallbackProvider会找到对应的方法并执行，然后将结果返回给MCP Server，再由MCP Server传递给大模型进行进一步处理。
我们将开发一个基于MCP的智能天气助手应用。该应用通过MCP Client与大模型交互，当用户询问天气时，大模型判断需要调用天气工具，然后通过MCP Server调用天气服务获取数据，最后将天气信息以自然语言的形式返回给用户。
首先，在Maven项目的pom.xml中添加Spring AI及相关依赖：
org.springframework.aispring-ai-core0.8.0org.springframework.aispring-ai-mcp-server0.8.0org.springframework.bootspring-boot-starter-web创建天气服务类，提供获取天气的工具方法：
@Servicepublic class WeatherService {private final WeatherApiClient weatherApiClient;public WeatherService(WeatherApiClient weatherApiClient) {this.weatherApiClient = weatherApiClient;}@Tool(name = "getWeather", description = "获取指定城市的天气信息，参数为城市名称")public WeatherInfo getWeather(String city) {return weatherApiClient.fetchWeather(city);}}// 天气API客户端，模拟调用外部天气API@Componentpublic class WeatherApiClient {public WeatherInfo fetchWeather(String city) {// 实际开发中，这里会调用真实的天气API// 此处为模拟数据WeatherInfo info = new WeatherInfo;info.setCity(city);info.setTemperature(25);info.setWeather("晴");return info;}}// 天气信息实体类public class WeatherInfo {private String city;private int temperature;private String weather;// getter和setter方法public String getCity { return city; }public void setCity(String city) { this.city = city; }public int getTemperature { return temperature; }public void setTemperature(int temperature) { this.temperature = temperature; }public String getWeather { return weather; }public void setWeather(String weather) { this.weather = weather; }@Overridepublic String toString {return city + "当前天气" + weather + "，气温" + temperature + "摄氏度";}}编写MCP Server的自动配置类，注册工具回调提供者和MCP Server相关组件：
@Configuration@EnableAutoConfigurationpublic class McpServerAutoConfiguration {@Beanpublic MethodToolCallbackProvider methodToolCallbackProvider(ApplicationContext applicationContext) {MethodToolCallbackProvider provider = new MethodToolCallbackProvider;Map toolBeans = applicationContext.getBeansWithAnnotation(Tool.class);for (Object bean : toolBeans.values) {provider.register(bean);}return provider;}@Beanpublic McpServerTransportProvider mcpServerTransportProvider {return new WebMvcMcpServerTransportProvider;}@Beanpublic McpServerSession mcpServerSession(McpServerTransportProvider transportProvider, ToolCallbackProvider toolCallbackProvider,ObjectMapper objectMapper) {McpServerSession session = new McpServerSession(transportProvider, objectMapper);session.setToolCallbackProvider(toolCallbackProvider);// 初始化服务器功能，如设置工具、资源等McpServerFeatures features = new McpServerFeatures;features.addToolDefinitions(toolCallbackProvider.getToolDefinitions);session.setFeatures(features);return session;}}创建Spring Boot启动类：
@SpringBootApplicationpublic class McpServerApplication {public static void main(String args) {SpringApplication.run(McpServerApplication.class, args);}}启动应用后，MCP Server将在默认端口（如8080）上运行，提供工具列表查询（/mcp/tools/list）和工具调用等接口。
在MCP Client项目的pom.xml中添加依赖：
org.springframework.aispring-ai-mcp-client0.8.0org.springframework.bootspring-boot-starter-web编写配置类，创建McpSyncClient实例：
@Configurationpublic class McpClientConfig {@Value("${mcp.server.url:http://localhost:8080}")private String serverUrl;@Beanpublic HttpClientSseClientTransport httpClientSseClientTransport {return new HttpClientSseClientTransport;}@Beanpublic SyncMcpToolCallbackProvider syncMcpToolCallbackProvider {return new SyncMcpToolCallbackProvider;}@Beanpublic McpSyncClient mcpSyncClient(HttpClientSseClientTransport transport, SyncMcpToolCallbackProvider toolCallbackProvider) {McpSyncClient client = new McpSyncClient(transport);client.setServerUrl(serverUrl + "/mcp");client.setToolCallbackProvider(toolCallbackProvider);return client;}}这里假设我们使用Anthropic的Claude大模型，通过Spring AI的大模型集成能力与MCP Client结合：
@Servicepublic class AiAssistantService {private final McpSyncClient mcpSyncClient;private final AnthropicChatClient anthropicChatClient;public AiAssistantService(McpSyncClient mcpSyncClient, AnthropicChatClient anthropicChatClient) {this.mcpSyncClient = mcpSyncClient;this.anthropicChatClient = anthropicChatClient;}public String askAssistant(String question) {// 从MCP Server获取工具列表List tools = mcpSyncClient.listTools;// 将问题和工具描述发送给大模型Prompt prompt = new Prompt(question + "\n可用工具：" + tools);ChatResponse response = anthropicChatClient.call(prompt);String modelOutput = response.getResult.getOutput;// 解析大模型输出，判断是否需要调用工具if (needsToolCall(modelOutput)) {ToolCall toolCall = parseToolCall(modelOutput);// 调用MCP Server的工具Object result = mcpSyncClient.callTool(toolCall);// 将工具调用结果再次发送给大模型，生成最终响应Prompt finalPrompt = new Prompt(question + "\n工具调用结果：" + result);ChatResponse finalResponse = anthropicChatClient.call(finalPrompt);return finalResponse.getResult.getOutput;} else {return modelOutput;}}// 解析大模型输出，判断是否需要工具调用private boolean needsToolCall(String output) {// 实际开发中，需要根据大模型的输出格式进行判断return output.contains("需要调用工具");}// 解析工具调用信息private ToolCall parseToolCall(String output) {// 实际开发中，需要根据大模型的输出格式解析出工具调用信息return new ToolCall("getWeather", Map.of("city", "北京"));}}创建一个简单的命令行应用，测试智能天气助手：
@SpringBootApplicationpublic class McpClientApplication {public static void main(String args) {ConfigurableApplicationContext context = SpringApplication.run(McpClientApplication.class, args);AiAssistantService assistantService = context.getBean(AiAssistantService.class);Scanner scanner = new Scanner(System.in);System.out.println("请输入您的问题（输入'退出'结束）：");String question = scanner.nextLine;while (!"退出".equals(question)) {String answer = assistantService.askAssistant(question);System.out.println("助手回答：" + answer);System.out.println("请输入您的问题（输入'退出'结束）：");question = scanner.nextLine;}scanner.close;context.close;}}当用户输入“北京天气怎么样”时，MCP Client会将问题发送给大模型，大模型判断需要调用“getWeather”工具，然后通过MCP Server调用WeatherService的getWeather方法获取北京的天气信息，最后大模型将天气信息整理成自然语言返回给用户。
开放标准与生态融合：MCP作为开放标准，打破了不同AI应用与工具、数据之间的壁垒。Spring AI则凭借Spring生态的广泛影响力，将MCP的能力快速融入到众多Java应用中，促进了AI应用生态的繁荣。简化开发流程：Spring AI的依赖注入、配置管理、Web集成等特性，极大地简化了MCP应用的开发流程。开发者无需关注复杂的通信协议和组件管理，只需专注于业务逻辑的实现。灵活的工具调用机制：通过Spring AI的工具回调机制，MCP能够灵活地调用各种自定义工具，无论是同步还是异步调用，都能轻松实现，满足不同场景下的需求。数据安全保障：MCP本身通过标准化的数据访问接口、内置安全机制以及对敏感信息的保护（如MCP Server控制资源，不将API密钥提供给LLM提供商），保障了数据安全。Spring AI在安全方面的实践（如Spring Security的集成能力）也能进一步增强MCP应用的数据安全性。随着AI技术的不断发展和MCP生态的逐渐完善，基于Spring AI开发MCP应用将拥有更广阔的前景。未来，可能会有更多的工具和服务提供商加入MCP生态，丰富MCP Server的能力。同时，Spring AI也会持续迭代，提供更强大的AI模型集成、向量数据库交互等功能，进一步提升MCP应用的智能化水平。例如，在多模态AI应用中，MCP可以结合Spring AI的多模态模型支持，实现图像、语音等数据与大模型的交互，为用户带来更丰富的智能体验。
总之，Spring AI与MCP的结合，为AI应用开发打开了新的大门，让开发者能够更高效地构建出连接万物、智能高效的AI应用，推动AI技术在各个领域的深入应用。
导出
Markdown 9918 字数 360 行数 当前行 1, 当前列 0
HTML 9603 字数 287 段落
发布文章
来源：码韵匠道
