当前位置： 首页 > news >正文

MCP协议与Spring AI框架实战

news 2025/8/7 7:16:43

MCP协议

1. MCP协议的定义与诞生背景

  • MCP，即Model Context Protocol，也就是模型上下文协议，是由Anthropic公司（Claude大模型的母公司）于2024年11月推出的一项开放协议。在当时，大模型与外部工具、数据源之间的交互接口缺乏统一标准，开发效率低下，数据孤岛问题严重，MCP协议正是为了解决这些痛点而诞生，旨在规范大模型（LLM）与外部工具、数据源之间的标准化交互接口。
  • MCP协议官方文档提供了详细的规范和示例，帮助开发者理解并实现基于MCP的模型交互。

1.2 MCP协议架构

  • MCP 的核心遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器：
  1. MCP Hosts: 希望通过 MCP 访问数据的 Claude Desktop、IDE 或 AI 工具等程序
  2. MCP Clients: 与服务器保持 1：1 连接的协议客户端
  3. MCP Servers: 轻量级程序，每个程序都通过标准化的 Model Context Protocol 公开特定功能
  4. Local Data Sources: MCP 服务器可以安全地访问你的计算机文件、数据库和服务
  5. Remote Services: MCP 服务器可以连接到的 Internet 上可用的外部系统（例如，通过 API）

在这里插入图片描述

1.3 MCP协议的通信模式

MCP（Model Context Protocol）模型上下文协议提供三种核心的通信模式：STDIO、SSE和Streamable HTTP，在不同的场景中为开发者提供了灵活且高效的数据传输方式

  • STDIO 模式
    STDIO（Standard Input and Output）是最基本的输入输出方式，广泛应用于命令行工具、脚本编程以及本地调试过程中。它通过标准输入、输出和错误流来进行数据的传输。

  • SSE 模式
    SSE（Server-Sent Events）是一种基于HTTP协议的单向数据流传输方式。它允许服务器主动向客户端推送实时数据。SSE通过保持一个持久的HTTP连接，将数据流式传输到客户端，特别适合需要持续更新的实时场景。

  • Streamable HTTP 模式
    Streamable HTTP（是一种基于HTTP协议的流式传输技术，专门用于大文件（如视频、音频）的分段传输。与SSE不同，Streamable HTTP允许文件在传输的同时被处理，使客户端可以边接收数据边处理，避免等待整个文件加载完成。

1.4 MCP协议的核心要素

1.4.1 Prompts
  • Prompts用于传递结构化的用户指令与上下文，它就像是给大模型下达任务时附带的详细说明，让大模型能够准确理解用户需求。
1.4.2 Resources
  • Resources支持模型动态、安全地加载和利用外部数据源，如数据库信息、API返回结果、文件内容、日志文件等。这意味着大模型不再局限于自身已有的知识，能够实时获取最新的外部数据。
1.4.3 Tools
  • Tools实现模型调用预先定义好的功能或服务以执行具体任务，如代码执行、API调用。

1.5 MCP协议的功能定位与优势

1.5.1 功能定位
  • MCP致力于成为AI模型与外部世界交互的“通用接口”，作用类似硬件领域的USB - C标准，在架构设计上采用客户端 - 服务器模式（MCP Client调用工具，MCP Server对接数据源或执行操作），实现模型与异构资源（数据库、API、本地软件等）的双向通信和数据整合。
    在这里插入图片描述
1.5.2 优势
  • MCP的核心优势在于解决当前AI应用中工具调用接口碎片化、非标准化的问题。开发者通过遵循MCP协议，理论上无需为每个模型或工具单独编写复杂的适配代码，转而通过统一的协议规范进行调度。基于JSON - RPC 2.0等成熟标准，MCP协议支持动态加载外部数据，并明确定义工具的操作能力，从而扩展大模型的实际应用边界，增强其解决复杂问题的能力。
1.5.3 MCP与Toll Calling (Function Calling)的区别与联系
  • 模型上下文协议（MCP）——“AI界的‘USB-C’标准”

MCP（Model Context Protocol）目标是让不同大模型（如Claude、GPT等）能像“插USB-C接口”一样，无缝连接各种工具和数据源。它强调标准化和生态兼容性，通过客户端-服务器架构，实现模型与外部资源的灵活交互。
核心特点：

  1. 统一接口：遵循JSON-RPC 2.0标准，跨模型通用。
  2. 多能力整合：支持工具调用、数据访问、提示管理等多种功能。
  3. 上下文管理：擅长处理多步骤任务，保持对话连贯性。
  • Function Calling——“模型专属的‘快捷指令’”

Function Calling是某OpenAI等模型厂商提供的API功能，允许模型根据需求自动调用开发者定义的函数（如天气查询、发邮件）。它更像“为特定模型定制的工具箱”，特点如下：

  1. 轻量化集成：只需定义函数参数，模型即可智能触发调用。
  2. 场景专注：适用于简单、明确的单次任务（如查数据、执行API）。
  3. 依赖模型生态：功能受限于特定模型（如GPT系列）的支持
{"content": "","refusal": null,"role": "assistant","audio": null,"function_call": null,"tool_calls": [{"id": "call_6596dafa2a6a46f7a217da","function": {"arguments": "{\"location\": \"上海\"}","name": "get_current_weather"},"type": "function","index": 0}]
}

Spring AI框架

2. Spring AI框架的概述

  • Spring AI是一个人工智能工程的应用框架，由Spring官方社区推出，旨在简化Java AI应用程序的开发。其目标是将Spring生态系统的设计原则，如可移植性和模块化设计，应用于人工智能领域。它就像是一个强大的工具箱，为Java开发者提供了一系列便捷的工具和组件，让他们能够轻松地将AI技术集成到自己的项目中。
  • Spring AI官方文档提供了详细的开发指南和API参考，帮助开发者深入了解并使用该框架。

2.1 Spring AI框架的优势

2.1.1 易于集成
  • 如果你熟悉 Spring Boot、Spring Data、Spring Web 等，那么你几乎可以零成本地学习和使用 Spring AI。它沿用了 Spring 家族一贯的"约定优于配置"和"开箱即用"的特性，大大降低了学习曲线
2.1.2 抽象与统一的 API
  • 无论是 OpenAI、DeepSeek、Hugging Face 还是 Azure OpenAI，Spring AI 都提供了一套统一的 API 接口。这意味着你可以在不修改核心业务逻辑的情况下，轻松切换不同的 AI 模型提供商，这对于模型的选择和未来的扩展性至关重要
2.1.3 企业级特性支持
  • 作为 Spring 家族的一员，Spring AI 自然继承了 Spring Boot 在可观测性（Metrics, Tracing）、配置管理、安全性等方面的强大能力，使得构建生产级别的 AI 应用变得更加可靠。
2.1.4 模块化与可扩展性
  • Spring AI 设计精巧，各个功能模块（如 Chat Client, Embedding, Tool Calling, RAG）都是独立的，你可以根据需求选择性地引入和使用，并且可以轻松扩展自定义功能。
2.1.5 社区支持
  • 活跃社区：作为 Spring 官方项目的一部分，拥有庞大的开发者社区和丰富的资源支持。
  • 持续更新：定期发布新版本，修复 bug 并引入新特性，保持项目的活力和竞争力。

2.2 Spring AI框架的主要功能模块

2.2.1 AI 模型集成模块
  • 大型语言模型（LLM）支持：支持 OpenAI（如 ChatGPT 和 DALL-E）、Azure OpenAI、DeepSeek、QianWen、Anthropic Claude、Mistral AI、Ollama、Vertex AI Gemini 等多种流行的大型语言模型服务。
  • 嵌入模型：支持 Vertex AI Embeddings、Amazon Bedrock、PostgresML、Transformers（ONNX）等多种嵌入模型，能够将文本或多模态内容转换为向量表示，为语义搜索、推荐系统等应用提供基础支持。
  • 图像生成模型：支持 Stability AI 和 OpenAI DALL-E 等图像生成模型。
  • 模型上下文协议（MCP）支持：提供 MCP 服务器和客户端支持，方便模型之间的通信和协作。
2.2.2 向量数据库支持模块
  • Spring AI 支持丰富的向量数据库集成选项，包括 SQL 数据库向量支持（如 PGvector、MariaDB Vector Database、Oracle Vector Database）、NoSQL 数据库向量支持（如 MongoDB Atlas Vector Database、Elasticsearch Vector Database、Redis Search and Query、Neo4j Vector Database、Apache Cassandra Vector Database）、专用向量数据库（如 Pinecone、Weaviate、Qdrant、Milvus、Chroma、Typesense）以及云服务向量数据库（如 Azure AI Search、Azure Cosmos DB Vector Store）。这些向量数据库能够高效地存储和检索嵌入向量，为 AI 应用中的语义搜索、知识检索等功能提供有力支持
2.2.3 文档处理模块
  • Spring AI 提供了多种文档读取和处理工具，能够从不同格式的文档（如 Markdown、PDF 等）中提取文本并转换为 Spring AI Document 对象。这为后续的知识注入、内容分析等操作奠定了基础，方便开发者将各种文档资料整合到 AI 应用中，使模型能够基于这些文档内容生成更准确、更有价值的响应。
2.2.4 对话记忆存储模块
  • 该模块用于管理和存储聊天对话的历史记录，为模型提供上下文信息，使生成的对话更具连贯性和一致性。通过合理利用对话记忆，模型可以更好地理解用户的需求和意图，从而提供更个性化、更优质的对话服务
2.2.5 RGA插件
  • 支持RAG（Retriever - Augmented Generation）能力的基础组件，包括DocumentLoader、TextSplitter、EmbeddingClient、VectorStore等。在一个知识问答系统中，RAG能力可以帮助系统从大量的文档中检索相关信息，并结合大模型的生成能力，为用户提供准确的答案。

2.3 Spring AI框架之MCP

MCP Java SDK 提供了模型上下文协议的 Java 实现，通过同步和异步通信模式实现与人工智能模型和工具的标准化交互。

Spring AI MCP 通过与 Spring Boot 集成扩展了 MCP Java SDK，提供了客户端和服务器启动器。使用 Spring Initializer 创建支持 MCP 的人工智能应用程序。

MCP 客户端负责与 MCP 服务器建立和管理连接。它实现了协议的客户端部分，处理以下方面：

  • 协议版本协商，以确保与服务器兼容
  • 能力协商，以确定可用功能
  • 消息传输和 JSON-RPC 通信
  • 工具发现与执行
  • 资源访问与管理
  • 提示系统交互
  • 可选功能：
    • 根目录管理
    • 采样支持
  • 同步和异步操作
  • 传输选项：
    • 基于标准输入输出（Stdio）的传输，用于基于进程的通信
    • 基于 Java HttpClient 的服务器发送事件（SSE）客户端传输
    • 用于响应式 HTTP 流的 WebFlux SSE 客户端传输

在这里插入图片描述

MCP 服务器为客户端提供工具、资源和功能。它实现了该协议的服务器端，负责：

  • 服务器端协议操作的实现
    • 工具展示与发现
    • 基于统一资源标识符（URI）访问的资源管理
    • 提示模板的提供与处理
    • 与客户端的功能协商
    • 结构化日志记录与通知
  • 并发客户端连接管理
  • 同步和异步应用程序编程接口（API）支持
  • 传输实现：
    • 基于标准输入输出（Stdio）的传输，用于基于进程的通信
    • 基于 Servlet 的服务器发送事件（SSE）服务器传输
    • 用于响应式 HTTP 流的 WebFlux SSE 服务器传输
    • 用于基于 Servlet 的 HTTP 流的 WebMVC SSE 服务器传输

在这里插入图片描述

使用Spring AI开发MCP服务

3. 开发前的准备工作

3.1 环境搭建
  • 确保开发环境满足Spring AI的要求，通常需要Java 17和Spring Boot 3.2.4等版本。如果使用Maven进行项目管理，还需要在pom.xml文件中添加Spring AI相关依赖，例如：
 <dependencyManagement><dependencies><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-bom</artifactId><version>1.0.1</version><type>pom</type><scope>import</scope></dependency></dependencies>
</dependencyManagement>
3.2 理解MCP服务架构
  • MCP服务采用客户端 - 服务器模式，MCP Client负责处理客户端操作，与用户或其他应用程序进行交互，将用户的请求发送给MCP Server；McpServer则管理服务器端协议操作，对接数据源或执行操作，为客户端提供工具、资源和功能。

3.1 构建MCP Server

3.1.1 创建Spring Boot项目
  • 首先访问Spring Initializr官网，按照提示填写项目的相关信息，如项目名称、包名、Spring Boot版本等，并添加Spring AI相关依赖，然后下载项目压缩包，解压到指定目录。
3.1.2 引入MCP Server依赖

根据实际需求，选择合适的MCP Server依赖。MCP Server依赖有三种类型：

  • 标准输入/输出 （STDIO）：spring-ai-starter-mcp-server；
  • Spring MVC（服务器发送的事件）：spring-ai-starter-mcp-server-webmvc；
  • Spring WebFlux（响应式SSE）：spring-ai-starter-mcp-server-webflux。如果项目需要实现实时数据推送等功能，可以选择Spring WebFlux类型的依赖。
<dependencies><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-mcp-server-webflux</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency></dependencies>
3.1.3 设置MCP配置信息
  • MCP Server包含以下配置信息：name用于标识服务器名称，默认值为mcp-server；version表示服务器版本，默认值为1.0.0；type指定服务器类型 （SYNC/ASYNC），默认值为SYNC等。在配置文件中设置这些参数，以满足项目的需求。例如：
spring.ai.mcp.server.name=webflux-mcp-server
spring.ai.mcp.server.version=1.0.0
spring.ai.mcp.server.type=ASYNC
3.1.4 编写MCP Server服务代码
  • 使用@Tool注解将业务方法标记为可被大模型调用的工具。例如，创建一个CommonTool类，其中包含获取天气预报和获取IP地址详细信息的方法：
@Service
public class CommonTool {@Tool(description = "获取当前天气预报")WeatherResponse getCurrentWeather(WeatherRequest request) {System.err.printf("准备查询【%s】天气预报%n", request.city());RestClient client = RestClient.create(URI.create("https://api.vvhan.com"));Map<?,?> result = client.get().uri("/api/weather?city={0}", request.city()).retrieve().body(Map.class);try {return new WeatherResponse(new ObjectMapper().writeValueAsString(result));} catch (JsonProcessingException e) {throw new RuntimeException(e);}}@Tool(description = "获取IP地址详细信息")String getIpAddressInfo(String ip) {System.err.printf("准备查询【%s】详细信息%n", ip);RestClient client = RestClient.create(URI.create("https://api.vvhan.com"));Map<?,?> result = client.get().uri("/api/ipInfo?ip={0}", ip).retrieve().body(Map.class);try {return new ObjectMapper().writeValueAsString(result);} catch (JsonProcessingException e) {throw new RuntimeException(e);}}
}
3.1.5 注册工具
  • 创建一个配置类ToolsConfig，使用@Bean注解将工具注册到Spring容器中，例如：
@Configuration
public class ToolsConfig {@Beanpublic ToolCallbackProvider myToolCallBackProvider(CommonTool commonTool) {return MethodToolCallbackProvider.builder().toolObjects(commonTool).build();}
}

3.2 构建MCP Client

3.2.1 引入MCP Client依赖
  • 在项目的pom.xml文件中添加MCP Client相关依赖：
  1. spring-ai-starter-mcp-client - Core starter providing STDIO and HTTP-based SSE support
  2. spring-ai-starter-mcp-client-webflux - WebFlux-based SSE transport implementation
<dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-mcp-client-webflux</artifactId></dependency><!-- Spring AI Alibaba（通义大模型支持） --><dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-starter</artifactId><version>1.0.0-M6.1</version></dependency><!-- 其他依赖 -->
</dependencies>
3.2.2 配置MCP服务器地址
  • 在配置文件中配置MCP服务端地址，如果有多个服务器，也可以按照相应格式进行配置。例如：
spring.ai.mcp.client.name=webflux-mcp-client
spring.ai.mcp.client.type = ASYNC
spring.ai.mcp.client.request-timeout=60s
spring.ai.mcp.client.sse.connections.server1.url=http://localhost:8089
spring.ai.mcp.client.toolcallback.enabled = true
spring.ai.dashscope.api-key: xxxx
spring.ai.dashscope.chat.model: qwq-32b
3.2.3 提供http请求接口
  • 对外提供http请求接口，以便调用mcp服务：
@RestController
public class McpController {@Autowiredprivate DashScopeChatModel dashScopeChatModel;@Autowiredprivate ToolCallbackProvider myToolCallBackProvider;@GetMapping("/ai/generate")public String generate(@RequestParam(value = "message") String message) {ChatClient chatClient = ChatClient.builder(dashScopeChatModel).defaultTools(myToolCallBackProvider.getToolCallbacks()).build();return chatClient.prompt(message).call().content();}
}
http://www.lryc.cn/news/611739.html

相关文章：

  • NY112NY117美光固态闪存NY119NY123
  • 新手向:Python实现简易计算器
  • 疯狂星期四文案网第30天运营日记
  • mysql索引的用法
  • Suno API V5模型 python源码 —— 使用灵感模式进行出创作
  • 国产3D大型装配设计新突破①：图纸打开设计双加速 | 中望3D 2026
  • rsync 的三种常见用法
  • 学习bug
  • jmm 指令重排 缓存可见性 Volatile 内存屏障
  • word2vector细致分解(CBOW, SKIP_GRAM, 层次soft Max， 负采样)
  • linux创建虚拟内存
  • Linux Vim 常用快捷键
  • Java学习第一百一十部分——CI/CD
  • 【完整源码+数据集+部署教程】爬行动物异常检测系统源码和数据集：改进yolo11-GhostDynamicConv
  • 一个php 连sqlserver 目标计算机积极拒绝，无法连接问题的解决
  • CVE-2021-30661、CVE-2021-30665、CVE-2021-30666
  • 浅谈对linux进程池的理解
  • back_inserter 详解
  • 快手小店客服自动化回复
  • 基于 Jenkins Pipeline 实现 DITA 文档自动化构建与发布（开源方案）
  • 基于模式识别的订单簿大单自动化处理系统
  • 【Redis】hash哈希，List列表
  • 在Jetson AGX Orin上将docker目录挂载到大容量硬盘目录
  • 【C语言】文件操作全解析
  • c++ template in .h and .cpp
  • 快速删除 `node_modules`
  • 2025面试题（10）
  • Shader开发（八）创建第一个三角形
  • 微信小程序多媒体功能实现
  • 微信小程序初次运行项目失败