Spring AI 框架中如何集成 MCP？
<h2 id="springai-mcp介绍">SpringAI MCP介绍</h2><p>Spring AI MCP 为模型上下文协议提供 Java 和Spring 框架集成、它使 SpringAI 应用程序能够通过标准化的接口与不同的数据源和工是进行交互，支持同步和异步通信模式。整体架构如下:</p>
<p><img src="https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202507192156820.png" alt="" loading="lazy"></p>
<p>Spring Al 通过以下 Spring Boot 启动器提供 MCP 集成：</p>
<p>客户端启动器</p>
<ul>
<li>spring-ai-starter-mcp-client 核心启动器提供 STDIO 和基于 HTTP 的 SSE 支持。</li>
<li>spring-ai-starter-mcp-client-webflux 基于WebFlux的SSE流式传输实现</li>
</ul>
<p>服务端启动器</p>
<ul>
<li>spring-ai-starter-mcp-server 核心服务器具有 STDIO 传输支持</li>
<li>spring-ai-starter-mcp-server-webmvc 基于Spring MVC的SSE流式传输实现</li>
<li>spring-ai-starter-mcp-server-webflux 基于WebFlux的SSE流式传输实现</li>
</ul>
<h2 id="基于stdio标准流">基于stdio标准流</h2>
<h3 id="mcp-服务端">MCP 服务端</h3>
<p>基于 stdio 的实现是最常见的 MCP客户端方案，它通过标准输入输出流与 MCP 服务器进行通信，这种方式简单直观，能够直接通过进程间通信实现数据交互，避免了额外的网络通信开销，特别适用于本地部署的MCP服务器，可以在司一台机器上启动 MCP 服务器进程，与客户端无缝对接。</p>
<p><strong>引入依赖</strong></p>
<pre><code class="language-xml"><dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
</code></pre>
<p><strong>配置MCP服务端</strong></p>
<pre><code class="language-yaml">spring:
application:
name: mcp-server
main:
web-application-type: none # 必须禁用web应用类型
banner-mode: off # 禁用banner
ai:
mcp:
server:
stdio: true # 启用stdio模式
name: mcp-server # 服务器名称
version: 0.0.1 # 服务器版本
</code></pre>
<p><strong>实现MCP工具</strong></p>
<p>@Tool 是 SpingAI MCP框架中用于快速暴露业务能力为AI 工具的核心注解，该注解实现Java方法与MCP协议工具的自动银蛇，并且可以通过注解的属性description，有助于人工智能模型根据用户输入的信息决定是否调用这些工具，并返回相应的结果.</p>
<pre><code class="language-java">@Service
public class OpenMeteoService {
@Tool(description = "根据经纬度获取天气预报")
public String getAirQuality(
@ToolParameter(description = "纬度，例如：39.9042") String latitude,
@ToolParameter(description = "经度，例如：116.4074") String longitude) {
// 模拟数据，实际应用中应调用真实API
return "当前位置（纬度：" + latitude + "，经度：" + longitude + "）的天气信息：\n 多云转阴";
}
}
</code></pre>
<p>这个工具方法主要是用来根据经纬度获取天气预报的，这里为了方便演示，写了模拟数据</p>
<p><strong>注册MCP工具</strong></p>
<p>最后向 MCP 服务注册刚刚写的工具：</p>
<pre><code class="language-java"> @Bean
public ToolCallbackProvider serverTools(OpenMeteoService openMeteoService) {
return MethodToolCallbackProvider.builder().toolObjects(openMeteoService).build();
}
</code></pre>
<p>这段代码定义了一个 Spring 的 Bean，用于将查询天气服务 OpenMeteoService 中所有用 @Tool 注解标记的方法注册为工具，供 AI 模型调用。</p>
<p>ToolCallbackProvider 是Spring Al 中的一个接口，用于定义工具发现机制，主要负责将那些使用<br>
@Tool 注解标记的方法转换为工具回调对象，并提供给 ChatClient 或ChatModel 使用，以便 AI 模型能够在对话过程中调用这些工具。</p>
<h3 id="mcp-客户端">MCP 客户端</h3>
<p><strong>引入依赖</strong></p>
<pre><code class="language-xml"><dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
</code></pre>
<p><strong>配置MCP服务器</strong></p>
<p>因为服务端是通过 stdio 实现的，需要在 application.yml 中配置MCP服务器的一些参数：</p>
<pre><code class="language-yaml">spring:
ai:
mcp:
client:
stdio:
# 指定MCP服务器配置文件
servers-configuration: classpath:/mcp-servers-config.json
mandatory-file-encoding: UTF-8
</code></pre>
<p>其中 mcp-servers-config.json 的配置如下：</p>
<pre><code class="language-json">{
"mcpServers": {
"weatherServer": {
"command": "java",
"args": [
"-Dspring.ai.mcp.server.stdio=true",
"-Dspring.main.web-application-type=none",
"-Dlogging.pattern.console=",
"-jar",
"/Users/gulihua/Documents/mcp-server/target/mcp-server-0.0.1-SNAPSHOT.jar"
],
"env": {}
}
}
}
</code></pre>
<p>这个配置文件设置了MCP客户端的基本配置，包括 Java 命令参数，服务端 jar 包的绝对路径等，上述的 JSON 配置文件也可以直接写在 apllication.yaml 里，效果是一样的。</p>
<pre><code class="language-yaml"> mcp:
client:
stdio:
connections:
server1:
command: java
args:
- -Dspring.ai.mcp.server.stdio=true
- -Dspring.main.web-application-type=none
- -Dlogging.pattern.console=
- -jar
- /Users/gulihua/Documents/mcp-server/target/mcp-server-0.0.1-SNAPSHOT.jar
</code></pre>
<p>客户端我们使用问里巴巴的通义千问模型，所以引入 spring-ai-alibaba-starter 依赖，如果使用的是其他的模型，也可以使用对应的依赖项，比加 openAI 引入sprine-ai-openai-spring-boot-starter 这个依赖就行了</p>
<p>配置大模型的密钥等信息：</p>
<pre><code class="language-yaml">spring:
ai:
dashscope:
api-key: ${通义千问的key}
chat:
options:
model: qwen-max
</code></pre>
<p><strong>初始化聊天客户端</strong></p>
<pre><code class="language-java">@Bean
public ChatClient initChatClient(ChatClient.Builder chatClientBuilder,
ToolCallbackProvider mcpTools) {
return chatClientBuilder
.defaultTools(mcpTools)
.build();
}
</code></pre>
<p>该代码定义了一个 spring pean，用于初始化一个AI聊天客户端，里面有两个参数，chatcient.Buinider 是 SpnngAI 提供的AI聊天客户端构建器，用于构建 ChatCient实例，是由 Spring AI 自动注入的，另一个是 ToolCallbackProvider，用于从MCP客服端发现并获取AI工具。</p>
<p>然后就可以通过这个 chatclient 去调用了：</p>
<pre><code class="language-java">chatClient.prompt()
.user(request.getContent())
.call()
.content();
</code></pre>
<h2 id="基于sse">基于SSE</h2>
<h3 id="mcp服务端">MCP服务端</h3>
<p>除了基于 stdio 的实现外，Spring Al还提供了基于 Server-Sent vents(SSE)的 MCP客户端方案。相较于 stdio方式，SSE 更适用于远程部署的 MCP 服务器，客户端可以通过标准 HTTP 协议与服务器建立连接，实现单向的实时数据推送。基于 SSE的 MCP 服务器支持被多个客户端的远程调用。</p>
<p><strong>引入依赖</strong></p>
<pre><code class="language-xml"><dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-server-webflux-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
</code></pre>
<p><strong>配置MCP服务端</strong></p>
<pre><code class="language-yaml">server:
port: 8090
spring:
application:
name: mcp-server
ai:
mcp:
server:
name: mcp-server # MCP服务器名称
version: 0.0.1 # 服务器版本号
</code></pre>
<p>除了引入的依赖包不一样，以及配置文件不同，其他的不需要修改。</p>
<h3 id="mcp-客户端-1">MCP 客户端</h3>
<p><strong>引入依赖</strong></p>
<pre><code class="language-xml"><dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
</code></pre>
<p><strong>配置MCP服务器</strong></p>
<p>因为服务端是通过SSE实现的，需要在 application.yml 中配置MCP服务器的URL端口：</p>
<pre><code class="language-yaml">spring:
ai:
mcp:
client:
enabled: true
name: mcp-client
version: 1.0.0
request-timeout: 30s
type: ASYNC # 类型同步或者异步
sse:
connections:
server1:
url: http://localhost:8090
</code></pre>
<p>和MCP服务端的修改一样，除了依赖和配置的修改，其他的也不需要调整</p>
<h2 id="注意">注意</h2>
<p>除了上面基础的用法和配置，还应该考虑以下几个方面:</p>
<ul>
<li>工具设计
<ul>
<li>每个工具方法应具备明确的功能定义及参数说明。</li>
<li>使用 @Tool 注解提供清晰、完整的工具描述，便于自动生成文档或展示给前端。</li>
<li>使用 @ToolParameter 注解详细说明每个参数的用途，提升使用者的理解与正确性。</li>
</ul>
</li>
<li>错误处理
<ul>
<li>应全面捕获并妥善处理可能出现的异常，防止服务崩溃。</li>
<li>返回结构化、具备可读性的错误信息，便于客户端识别错误原因并进行相应处理。</li>
</ul>
</li>
<li>性能优化
<ul>
<li>对于可能耗时的任务，建议使用异步处理机制，避免阻塞主线程，</li>
<li>设置合理的超时时间，防止客户端长时间等待，提高系统响应性和稳定性。</li>
</ul>
</li>
<li>安全性考虑
<ul>
<li>对涉及敏感资源或关键操作的工具方法，应添加严格的权限校验逻辑</li>
<li>禁止在工具方法中执行高风险操作(如执行任意系统命令)，以防止安全洞。</li>
</ul>
</li>
<li>部署策略
<ul>
<li>Stdio 模式：适用于嵌入式场景，可作为客户端的子进程运行，便于集成与资源控制。</li>
<li>SSE模式：更适合部署为独立服务，支持多个客户端同时访问，适用于需要持续通信的远程调用场景。</li>
</ul>
</li>
</ul>
</div>
<div id="MySignature" role="contentinfo">
<p>本文来自在线网站：seven的菜鸟成长之路，作者：seven，转载请注明原文链接：www.seven97.top</p><br><br>
来源：https://www.cnblogs.com/sevencoding/p/18999695
頁:
[1]