--- theme: geek-black --- ## 一、前言在之前的文章[SpringAI介绍](https://juejin.cn/post/7449652882649694219)里面我介绍了SpringAI 目前的技术发展现状以及一些RAG、Function Call 、向量数据库等知识，当时使用的还是1.0.0-M3 版本，然后这段时间我再次登录SpringAI官方网站发现又有了很多新变化，版本也已经来到了1.0.0-M6 版本，不得不感慨Spring在AI领域的发展动作还是很快的。

可以发现SpringAI把FunctionCall已经标记为废弃状态，真的让人大吃一惊，仔细深入查看文档发现如今的Spring更为推荐使用Tool Calling 感兴趣的读者可以阅读下这篇文章简单来说，Tool Calling 和 FunctionCall的作用大致相同，只不过换用了一套注解，使用Tool Calling之后可以像下面的代码这样去绑定到ChatClient上面 ```java class DateTimeTools { @Tool(description = "Get the current date and time in the user's timezone") String getCurrentDateTime() { return LocalDateTime.now().atZone(LocaleContextHolder.getTimeZone().toZoneId()).toString(); } } // 注册工具到大模型上面 ChatModel chatModel = ... ToolCallback[] dateTimeTools = ToolCallbacks.from(new DateTimeTools()); ChatOptions chatOptions = ToolCallingChatOptions.builder() .toolCallbacks(dateTimeTools) .build(): Prompt prompt = new Prompt("What day is tomorrow?", chatOptions); chatModel.call(prompt); ``` 那为什么好好的FunctionCall需要改为ToolCall，我猜测背后的原因主要是SpringAI想去支持MCP协议，MCP协议中规定了服务端程序需要具备Prompt、Resource、Tools三个要素（后文会有详细讲解），把FunctionCall的API全部修改为ToolCall，可能也有出于命名统一的考量，读者可以参考：有两种API的使用对比，改造的规模还是挺大的，不得不说以后升级SpringAI大版本又不知道会让多少研发陷入API改造的深渊。 ## 二、MCP协议介绍 MCP（Model Context Protocol）又被称之为模型上下文协议，MCP 就像是 AI 世界中的 “通用插座”，为 AI 模型与外部数据源和工具之间搭建起沟通的桥梁，致力于标准化应用程序为 LLM 提供上下文的方式，让不同的 AI 组件和系统能够顺畅连接、协同工作。这个就有点像Jdbc 协议一样，通过定义规范，让中间件厂商进行实现。我们看几张来自SpringAI官网的图示： ![](https://p6-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/039ceb12871c408196082581311bf310~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6Ieq54S25ZC45rCU5Y-R5Yqo5py6:q75.awebp?rk3s=f64ab15b&x-expires=1774218900&x-signature=uTi5hbjoA3%2BxpVgxTzYeVBVnwtI%3D) 在上图中我们可以发现，我们开发的大模型应用程序可以通过MCPClient去访问外部资源，并且是典型的Client-Server架构。实现了大模型工具实现和工具调用的分离，就像通过一个第三方管家，来统一管理函数调用，在我看来MCP就是比FunctionCalling的更高一级抽像，也是实现智能体Agent的基础。 ![](https://p6-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/4f7868e344ae497083d4840d5a530ac6~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6Ieq54S25ZC45rCU5Y-R5Yqo5py6:q75.awebp?rk3s=f64ab15b&x-expires=1774218900&x-signature=FondyZdRwFmsks650ELZ1CM1lQs%3D) 在上面的图示中我们可以发现目前的MCP 服务端存在两种类型一种是标准IO，一种是SSE模式，对于标准IO的服务端和大模型应用是一对一的对应关系，而通过SSE方式进行客户端服务端通信的模型，服务端则可以与客户端进行一对多通信也许在不久的未来，目前的服务端开发人员，不再需要和前端页面对接只需要和大模型的McpClient对接了，即一切服务端程序都需要接入MCP协议以更好的服务大模型和智能体。 ## 三、MCP体验下面我们开发一个简单demo，去体验一下SpringAI的MCP能力，我们计划通过MCPClient让大模型具备访问数据库和本地文件系统的能力，实际效果如下图所示： ![](https://p6-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/c558b6e5ef1b44eba6b5bae5d2f071ed~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6Ieq54S25ZC45rCU5Y-R5Yqo5py6:q75.awebp?rk3s=f64ab15b&x-expires=1774218900&x-signature=5r8Y%2FaWxeoBJbJpzvhIDIEu%2BczE%3D) 这个demo中我们先不开发MCP服务端应用程序，而是利用中提供的一些开源MCP服务端实现。 > 此外额外说明下版本问题，考虑到目前大部分人使用的都是SpringAI 1.0.0-M5版本，所以本节先使用SpringAI 1.0.0-M5版本做演示，在第四节将具体演示SpringAI 1.0.0-M6的功能，也可以给大家做一个对比，方便大家比较两个大版本的API改动。 ### 3.1 本地安装npx和uvx npx是nodeJs下的一个工具可以执行一些Ts或者JS脚本甚至应用程序，uvx的功能则和他很类似是python环境下执行脚本的工具，因为我们使用的文件服务器MCP服务端是使用Ts代码写的，而访问数据库的MCP服务端程序是用Python写的所以我们必须去安装下这两个命令以支持MCPClient调用，简单来说，使用 TypeScript 编写的 MCP server 可以通过 npx 命令来运行，使用 Python 编写的 MCP server 可以通过 uvx 命令来运行。安装教程可以询问大模型，安装成功之后可以做下述简单测试，测试工具安装是否成功：

### 3.2 使用大模型生成一个简单的前端页面这一步就比较简单，笔者是使用DeepSeek生成的前端页面，但是需要注意的是Prompt需要反复打磨，Deepseek具备识图能力也可以直接发图给Deepseek，记住需要在提示词里面告诉大模型，不要用Vue或者React，因为我们的功能非常简单，所以不需要上这种重量级框架，此外可以告诉大模型需要使用EventSource来接收服务端的数据以实现打字机效果 ### 3.3 编写代码声明MCP配置 ```java @Configuration public class McpConfig { @Bean public List functionCallbacks(List mcpSyncClients) { List list = new ArrayList<>(); for (McpSyncClient mcpSyncClient : mcpSyncClients) { list.addAll(mcpSyncClient.listTools(null) .tools() .stream() .map(tool -> new McpFunctionCallback(mcpSyncClient, tool)) .toList()); } return list; } @Bean(destroyMethod = "close") public McpSyncClient mcpFileSysClient() { // 把这里的路径记得改为自己的真实路径 var stdioParams = ServerParameters.builder("D:\\software\\nodeJs\\npx.cmd") .args("-y", "@modelcontextprotocol/server-filesystem", "D:\\工作日志") .build(); var mcpClient = McpClient.using(new StdioClientTransport(stdioParams)) .requestTimeout(Duration.ofSeconds(10)).sync(); var init = mcpClient.initialize(); System.out.println("mcpFileSysClient loading init=" + init); return mcpClient; } @Bean(destroyMethod = "close") public McpSyncClient mcpDbClient() { // 把这里的路径记得改为自己的真实路径 var stdioParams = ServerParameters.builder("D:\\Program Files\\python3.12.3\\Scripts\\uvx.exe") .args("mcp-server-sqlite", "--db-path", "D:\\work-space-study\\spring-ai-mcp-demo\\mcp-client\\src\\main\\resources\\test.db") .build(); var mcpClient = McpClient.using(new StdioClientTransport(stdioParams)) .requestTimeout(Duration.ofSeconds(10)).sync(); var init = mcpClient.initialize(); System.out.println("mcpDbClient loading init=" + init); return mcpClient; } } ``` 在上面的代码中我们声明了两个McpClient使用stdIo（标准IO）的方式去链接MCP服务端，并通过@Bean(destroyMethod = "close") 让Spring容器关闭的时候一并释放客户端占用，最后我们把两个服务端提供的tools全部转为List集合中，这个集合会在后面定义ChatClient中使用到。 ### 3.4 大模型客户端集成 ```java public FileSysController(ChatClient.Builder chatClientBuilder, List functionCallbacks) { this.chatClient = chatClientBuilder // 注意这里 .defaultFunctions(functionCallbacks.toArray(new McpFunctionCallback[0])) .defaultAdvisors(new MessageChatMemoryAdvisor(new InMemoryChatMemory())) .defaultOptions(DashScopeChatOptions.builder().withTopP(0.7).build()) .build(); } ``` 在这里我们创建ChatClient 并利用Spring的依赖注入能力注入了在之前McpConfig类中声明的functionCallbacks，至此这个大模型ChatClient就具备了调用MCP服务端的能力。使用大模型生成的前端页面输入问题访问下面的Controller接口即可进行测试。 ```java @RequestMapping(value = "/generate", method = RequestMethod.GET) public Flux generateStream(HttpServletResponse response, @RequestParam("id") String id, @RequestParam("prompt") String prompt) { response.setCharacterEncoding("UTF-8"); var messageChatMemoryAdvisor = new MessageChatMemoryAdvisor(chatMemory, id, 10); return this.chatClient.prompt(prompt) .advisors(messageChatMemoryAdvisor).stream().chatResponse(); } ``` ## 四、如何基于SpringAI开发服务端应用程序在前面的开发环节中，我们使用的是开源的MCP服务端，如何自己用Java语言开发一个MCP服务端程序呢？本节将给出一个案例介绍使用SpringAI开发MCPserver的主要步骤 > 注意到这里你需要将你的SpringAI升级到1.0.0-M6版本，低版本的无法很好的支持MCP服务端调用 ### 4.1 MCP-Server开发开发MCPserver 需要引入SpringAI下面三种依赖中的一种，取决于你打算使用什么通信方式 ```xml org.springframework.ai spring-ai-mcp-server-spring-boot-starter org.springframework.ai spring-ai-mcp-server-webmvc-spring-boot-starter org.springframework.ai spring-ai-mcp-server-webflux-spring-boot-starter ``` 一个标准的MCP服务端程序需要包含三个主要信息分别为Tools、Prompts、Resources 资源（Resources）：资源是AI可以读取的数据，比如文件内容、数据库查询结果或API的响应。例如，AI可能通过资源获取你的日历事件列表。工具（Tools）：工具是AI可以调用的函数，用于执行特定操作，比如添加新任务或发送邮件，使用工具时，通常需要用户先批准，以确保安全。提示词（Prompts）：提示词是服务器提供给AI的预写消息或模板，帮助AI理解如何使用资源和工具，例如，服务器可能告诉AI：“你可以添加任务，试试说‘添加任务：买牛奶’”，从而帮助用户更轻松地完成任务。提示词虽然直接提供给AI，但实际上是通过AI间接帮助用户，比如AI会根据提示词告诉用户如何操作。这三个要素在SpringAI中对应的API如下： ```java @Configuration @EnableWebMvc public class McpServerConfig implements WebMvcConfigurer { @Bean public ToolCallbackProvider bookServiceTools(BookService bookService) { // …… 注册工具 return MethodToolCallbackProvider.builder().toolObjects(bookService).build(); } @Bean public List resourceRegistrations() { // …… 注册资源 return List.of(resourceRegistration); } @Bean public List promptRegistrations() { // ……注册Prompt return List.of(promptRegistration); } } ``` 上面的代码中BookService 可以是你自己写的一个服务，比如可以执行查询DB或者调用其他微服务等代码实现。最后还需要再application.yaml中进行服务暴露 ```java # Using spring-ai-mcp-server-webmvc-spring-boot-starter spring: ai: mcp: server: name: webmvc-mcp-server version: 1.0.0 type: SYNC sse-message-endpoint: /mcp/messages ``` 至此你的服务端基本就开发完毕了。 ### 4.2 MCP-Client开发在4.1中我们开发了我们自己的MCP-server 那么怎么去让大模型去调用它呢？相比SpringAI1.0.0-M5版本的McpClient集成方式，在SpringAI 1.0.0-M6那就发生了翻天覆地的变化。总体来说配置变得更加简单：首先我们需要在application.yaml中做下述配置： ```yaml server: port: 9999 spring: ai: mcp: client: enabled: true name: call-mcp-server sse: connections: server1: # 这里是你的Mcp服务端的暴露地址 url: http://127.0.0.1:8080 dashscope: api-key: {通义千问API-Key} ``` 接着你需要在pom文件中引入下面的依赖： ```xml org.springframework.ai spring-ai-mcp-client-spring-boot-starter 1.0.0-SNAPSHOT ``` 最后我们就可以直接使用了，详细可以看下下面的代码 ```java @RestController @RequestMapping("/dashscope/chat-client") public class ChatController { private final ChatClient chatClient; private final ChatMemory chatMemory = new InMemoryChatMemory(); // 直接使用自动装配就会自动注入McpClient public ChatController(ChatClient.Builder chatClientBuilder, List mcpSyncClients, ToolCallbackProvider tools) { this.chatClient = chatClientBuilder // 注意这里API发生了变化不再使用defaultFunctions .defaultTools(tools) .defaultOptions(DashScopeChatOptions.builder().withTopP(0.7).build()) .build(); } @RequestMapping(value = "/generate_stream", method = RequestMethod.GET) public Flux generateStream(HttpServletResponse response, @RequestParam("id") String id, @RequestParam("prompt") String prompt) { response.setCharacterEncoding("UTF-8"); var messageChatMemoryAdvisor = new MessageChatMemoryAdvisor(chatMemory, id, 10); return this.chatClient.prompt(prompt) .advisors(messageChatMemoryAdvisor) .stream() .chatResponse(); } } ``` 我们对比下之前在SpringAI1.0.0-M5的客户端实现方式就可以发现，现在我们不需要自己去定义McpClient，由于我们引入了spring-ai-mcp-client-spring-boot-starter 就可以自动识别我们配置的mcpClient信息，进行自动装配，此外我们也可以发现我们创建ChatClient使用的API也不再是defaultFunctions而是defaultTools。那就有聪明的读者要问了那这样配置的话我的超时时间怎么配置呢？SpringAI提供了McpSyncClientCustomizer接口这个接口里面提供了定制逻辑，可以实现该接口做一些McpClient定制工作。最后我们先启动Mcp-Server然后启动我们的Mcp-client应用程序，开始提问，实际效果如下： ![](https://p6-xtjj-sign.byteimg.com/tos-cn-i-73owjymdk6/4af5e68db98046ea95a116b17fb3253f~tplv-73owjymdk6-jj-mark-v1:0:0:0:0:5o6Y6YeR5oqA5pyv56S-5Yy6IEAg6Ieq54S25ZC45rCU5Y-R5Yqo5py6:q75.awebp?rk3s=f64ab15b&x-expires=1774218900&x-signature=e%2F%2F7kcPNpJyKbk6rEvZ2nH6fKkc%3D) 在上图中大模型通过了McpClient调用了我在Mcp-Server提供了BookService，然后按照名字查询到了对应的书籍，这些书籍信息是我在代码中预制的信息，大模型输出这个信息也很好的证明了确实调用到了我们的Mcp服务端接口。 ## 五、总结本文介绍了下目前比较火热的MCP协议设计内容以及关键思想，同时基于SpringAI的两个版本分别给出了具体的实现方案，希望对各位读者有所帮助，由于SpringAI发展很快，内容如有错误欢迎沟通。也欢迎大家在评论区交流，源码已经放于，运行之前请前往[阿里云百炼平台](https://www.aliyun.com/product/bailian?utm_content=se_1020245514)申请自己的API-Key，目前SpringAI最新1.0.0-M6版本的网上资源比较少，如果源码对你有帮助，欢迎Star。最后请大家思考一个问题,你觉得目前的这种实现MCP服务和大模型的交互模式是否存在一些不足？ > 在笔者看来至少SpringAI的AI生态应该还需要加强下面几个方面： > > * 流程编排能力：熟悉coze或者dify的都知道，如果搭建复杂的智能体单靠一次对话调用是不行的，涉及大量流程编排，以及任务拆解能力，这部分coze和dify都还不支持java > * 链路追踪能力：咱们对大模型的调用越来越黑盒了，不知道工具调用情况和大模型耗时情况，如何评估程序性能问题需要考虑 > * 大模型的不确定性：笔者在实际开发中发现有的时候换了Prompt就不会用到我希望他用到的工具，所以存在一定的不确定性，此外大模型的生成结果目前如何进行测试和评估也是需要关注的问题内容创作不易，转载请务必注明出处，谢谢。