Spring AI Alibaba 1.1.2.0 实操完整记录：基础对话、流式 SSE、自建 MCP服务端互通实践

Spring AI Alibaba 1.1.2.0 实操完整记录：基础对话、流式 SSE、自建 MCP服务端互通实践

近期基于 Spring AI Alibaba 1.1.2.0 新版本开展实操学习，全程完整记录搭建流程、代码实现、踩坑现象与个人实操理解。本文全部内容均为本地实际运行验证后的一手记录，选用新版本核心原因是 Spring AI 各版本 API 改动幅度极大，旧版本教程参考价值较低，优先跟进新版可规避大量 API 废弃、配置失效问题。 在 AI 大模型落地场景中，大模型原生能力存在边界，企业私有化业务数据、内部工具、第三方接口无法直接让大模型访问，行业内主流两种解决方案：Function Calling、MCP 协议工具调用。 Function Calling 适用于简单本地工具封装，工具与 AI 服务耦合在同一项目；而 MCP（Model Context Protocol）支持将工具独立抽离为单独服务，实现工具服务与 AI 对话服务解耦、可多服务共享、统一注册管理，支持公共 MCP 服务直接接入使用。本次实操重点完成手动自建 MCP 服务端，并搭配 Spring AI Alibaba 实现基础对话、流式输出、跨服务 MCP 工具远程调用全流程落地。

一. 创建项目

1.1 参考页面

java2ai.com/docs/versio… 补充说明：该页面可查看 Spring AI Alibaba、原生 Spring AI、Spring Boot 三者版本对应关系，实操前务必核对版本匹配，版本不匹配会出现依赖缺失、MCP 相关 Bean 无法自动注入、SSE 流式连接失败等问题。本次选用组合：spring-ai-alibaba 1.1.2.0、spring ai 1.1.2、spring boot 3.5.16，三者完全适配。

1.2 创建项目

1.2.1 新建 SpringAIAlibaba-Demo 项目

补充：整体采用多模块 Maven 聚合工程结构，父工程统一管控全部依赖版本，避免子模块重复定义版本号，降低版本冲突风险。

1.2.2 创建SpringAI-MCP-Server和SprigAI-Demo

模块分工说明：

1. SpringAI-Demo：客户端模块，对接阿里百炼通义千问大模型，实现对话、流式、记忆、MCP 客户端调用；
2. SpringAI-MCP-Server：独立 MCP 工具服务端，封装天气查询工具，对外提供标准化 MCP 工具调用能力；
3. 父工程 SpringAIAlibaba-Demo：统一管理 bom、jdk、编码等公共配置。

1.2.3 配置 SpringAIAlibaba

配置版本，spring-al-alibaba 使用比较新的 1.1.2.0 版本，对应 spring ai 版本 1.1.2，spring boot 版本 3.5.16。因为是学习，尽量使用比较新的版本，因为 ai 每个版本的变化都比较大，有时前面刚学会的，后面就变得没太大价值了。

    <properties>
        <maven.compiler.source>17</maven.compiler.source>
        <maven.compiler.target>17</maven.compiler.target>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <spring-ai-alibaba.version>1.1.2.0</spring-ai-alibaba.version>
        <springboot.version>3.5.16</springboot.version>
        <!--  SpringAi 的版本号      -->
        <spring-ai.version>1.1.2</spring-ai.version>
    </properties>

补充注意点：JDK 强制要求 17 及以上，Spring Boot 3.x 不再支持 JDK8，本地运行前需确认环境 JDK 版本，否则直接编译报错。

1.2.4 统一版本管控 dependencyManagement

统一引进版本

  <dependencyManagement>
        <dependencies>
            <!--   SpringAi Alibaba 的版本管理        -->
            <dependency>
                <groupId>com.alibaba.cloud.ai</groupId>
                <artifactId>spring-ai-alibaba-bom</artifactId>
                <version>${spring-ai-alibaba.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>

            <!--   SpringAi 的版本管理         -->
            <dependency>
                <groupId>org.springframework.ai</groupId>
                <artifactId>spring-ai-bom</artifactId>
                <version>${spring-ai.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>

            <dependency>
                <groupId>com.alibaba.cloud.ai</groupId>
                <artifactId>spring-ai-alibaba-extensions-bom</artifactId>
                <version>${spring-ai-alibaba.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>

补充说明：引入三层 bom 后，子模块引入对应 starter 依赖时无需指定 version，自动继承父工程统一版本，杜绝子模块依赖版本混乱、jar 包冲突、类找不到等问题。

1.2.5 SpringAI-Demo 基础配置

pom.xml 的 dependencies

 <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
            <version>${springboot.version}</version>
        </dependency>

        <dependency>
            <groupId>com.alibaba.cloud.ai</groupId>
            <!-- 阿里百炼大模型服务平台 -->
            <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
            <version>${spring-ai-alibaba.version}</version>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-mcp-client-webflux</artifactId>
        </dependency>
    </dependencies>

补充依赖说明：

1. spring-boot-starter-web：基础 web 服务，用于普通同步对话接口；
2. dashscope starter：阿里百炼通义大模型对接核心依赖，自动装配 DashScopeChatModel；
3. mcp-client-webflux：MCP 客户端依赖，基于 webflux SSE 协议连接远程 MCP 服务端，流式长连接必备。

application.yml

server:
  port: 8311

logging:   # SpringBoot日志配置
  level:
    # ChatClient 监控日志的等级
    org.springframework.ai.chat.client.advisor: debug
    
spring:
  ai:
    dashscope:
      # 阿里百炼大模型服务平台 API-Key申请文档
      # https://help.aliyun.com/zh/model-studio/get-api-key
      api-key: sk-****
      chat:
        options:
          model: qwen-max

补充配置踩坑点：

1. api-key 禁止硬编码提交代码至仓库，生产环境建议通过环境变量、配置中心注入；
2. model 可按需替换 qwen-turbo、qwen-plus 等规格，不同模型工具调用能力、响应速度存在差异；
3. advisor 日志设为 debug，调试对话流程、工具调用链路时可打印完整请求、返回报文，排查问题效率更高。

Springboot 启动

package vip.wayhua.ivy.ai;

import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication
public class AIDemoApplication {
    public static void main(String[] args) {
        SpringApplication.run(AIDemoApplication.class, args);
    }
}

启动

二. 增加 Controller 调用测试

2.1 增加 ChatController

2.1.1 两种 Chat

Spring AI 有 ChatModel 和 ChatClient，ChatModel 是标准的方式调用，而 ChatClient 是对 ChatModel 进行了一次封装，使用起来方便很多。同时这两个都是通过配置注入的。

package vip.wayhua.ivy.ai.controller;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class ChatController {

    private final ChatModel chatModel;

    private final ChatClient chatClient;

    public ChatController(ChatModel chatModel, ChatClient.Builder builder) {
        this.chatModel = chatModel;
        this.chatClient = builder.build();
    }

}

补充二者适用场景区分：

1. ChatModel：底层原生 API，流程透明，适合学习底层调用逻辑、自定义完整 Prompt 组装、精细控制请求参数；
2. ChatClient：高层链式封装，代码简洁，内置记忆、工具、拦截器快捷 API，业务开发优先选用。

2.1.2 ChatModel 标准调用

调用方式 message-> UserMessage-> Prompt-> call (prompt)-> 返回 ChatResponse

这是最简单的调用，并且是阻塞式的，首先是要了解调用流程

@GetMapping("/simple/chat")
    public String simpleChat() {
        // 返回结果变量
        String res = "";
        //用户输入
        String message = "在咖啡馆里，想要杯星巴克";
        UserMessage userMessage = new UserMessage(message);
        //提示词
        Prompt prompt = new Prompt(userMessage);

        //调用大模型并获取响应（文本响就）
        ChatResponse chatResponse = chatModel.call(prompt);
        if (chatResponse.getResult() != null) {
            if (chatResponse.getResult().getOutput() != null) {
                res = chatResponse.getResult().getOutput().getText();
            }
        }

        return res;
    }

2.1.3 测试

http://127.0.0.1:8311/simple/chat

现在是阻塞方式，所以时间比较长，5.59s。

补充：单次响应耗时受网络、模型负载、输入文本长度影响，多次测试耗时会浮动。

2.1.4 ChatClient 方式调用

ChatClient 调用就比较简单，都是链式调用

    @GetMapping("/simple/chatclient")
    public String simpleChatByChatClient() {

        String res = "";

        //构建prompt -> 发送到大模型 -> 获取大模型返回

        //用户输入
        String message = "在咖啡馆里，想要杯星巴克";

        //链式调用

        res = this.chatClient
                .prompt(message) //构建prompt
                .call()  //发送到大模型
                .content() //获取大模型文本返回
        ;


        return res;

    }

2.1.5 分析源码

两者效果差不多，主要在于调用，可以直接传入 message。要想了解更多，可以查看源码。

	public ChatClientRequestSpec prompt(String content) {
		Assert.hasText(content, "content cannot be null or empty");
		return prompt(new Prompt(content));
	}

再查看 Prompt

	public Prompt(String contents) {
		this(new UserMessage(contents));
	}

由于可见 ChatClient 就是封装了 ChatModel 的，主要是方便调用，效率提升可不一定，刚才测试是 9s。再测试试一下。

补充耗时差异原因：ChatClient 内部增加参数校验、默认拦截器执行逻辑，少量额外开销，单次短文本对话差距明显；长文本、工具调用场景下开销占比可忽略。

2.1.6 测试 ChatClient

两次测试，确实调用时间要比 ChatModel 的方式时间长。

2.2 流式返回 Controller

流式返回就全部使用 ChatClient，虽然有时间长的问题，但是流式返回就可以忽略了。

流式返回，要配置 produces

 @GetMapping(value = "/simple/stream",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> streamChat() {
        String message = "在咖啡馆里，想要杯星巴克";

        //链式调用

        return this.chatClient
                .prompt(message) //构建prompt
                //.call()  //发送到大模型
                .stream() //以流式响应的方式和大模型进行交互
                .content() //获取大模型文本返回
                ;
    }

补充流式优势：SSE 长连接分段返回文字，前端实时展示打字效果，用户无等待卡顿感；底层基于 WebFlux 异步非阻塞，不占用容器同步线程，支持高并发。

2.3 SSE 定时发送空数据

/**
     * 基于SSE
     * @return
     */
    @GetMapping(value = "/flux/interval",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<ServerSentEvent<String>> sseToFrontPage() {
        return Flux.interval(Duration.ofSeconds(1)) //每1秒发送SSE协议消息
                //将Map结构组装SSE协议格式消息，
                //.map(seq->"{data:{},event:{},id:{}}\\n\\n")  ;

                //通过 ServerSentEvent 组装 SSE协议格式
                .map(seq->ServerSentEvent
                        .<String>builder()
                        .event("")
                        .data("")
                        .id("")
                        .build())

                ;
    }

这个是后面的内容。

每秒接收一条空数据

2.4 保存对话到内存

 @GetMapping(value = "/chat/memory",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> chatMemory(
            @RequestParam(value="message") String message,
            @RequestParam(value="chatId") String chatId
    ) {


        //构建prompt -> 发送到大模型 -> 获取大模型返回


        //链式调用

        return this.chatClient
                .prompt(message) //构建prompt

                /* **********************
                 *
                 * advisors() 相当于Spring AOP
                 * 针对单个的 ChatClient 实例
                 *
                 * 1. 请求信息的重复性工作，安全信息验证
                 * 2. 返回信息的格式化（json格式）
                 * 3. 监控(请求以及返回信息的网络延迟，网络错误), 写入日志
                 *
                 * 内置拦截器 (advisor 机制)：
                 *
                 * SimpleLoggerAdvisor：对话监控日志开启
                 * MessageChatMemoryAdvisor：多轮对话的上下文记忆开启
                 *
                 * 自定义拦截器：继承CallAdvisor, StreamAdvisor
                 *
                 *
                 * 对话管理：
                 *
                 * ChatMemory 对话历史管理对象
                 * MessageWindowChatMemory 实现了 ChatMemory接口
                 * ChatMemoryRepository：历史对话存储方式 (接口)
                 * InMemoryChatMemoryRepository 实现了 ChatMemoryRepository接口 : 将对话储存在内存
                 *
                 *
                 * *********************/

                .advisors(new Consumer<ChatClient.AdvisorSpec>() {
                    @Override
                    public void accept(ChatClient.AdvisorSpec advisorSpec) {
                        advisorSpec.param(ChatMemory.CONVERSATION_ID,chatId);
                    }
                }) //拦截器
                //.call()  //发送到大模型
                .stream() //以流式响应的方式和大模型进行交互
                .content() //获取大模型文本返回
                ;

    }

补充记忆模块不足与优化方案：

1. 默认 InMemoryChatMemoryRepository 仅内存存储，服务重启对话记录全部丢失，生产需替换 RedisChatMemoryRepository 持久化会话；
2. MessageWindowChatMemory 默认存在消息条数上限，可自定义窗口大小控制上下文长度，避免 token 超限；
3. chatId 由前端传入区分不同用户会话，需做好参数防重复、非法字符校验。

三. MCP-Server

3.1 配置以及启动

3.1.1 application.yml

server:
  port: 8301

logging:   # SpringBoot日志配置
  level:
    # ChatClient 监控日志的等级
    org.springframework.ai.chat.client.advisor: debug

spring:
  application:
    name: springai-mcp-server-weather
  ai:
    mcp:
      server:
        # MCP服务器名称
        name:  springai-mcp-server-weather
        version: 0.0.1
        type: SYNC

补充配置说明：

1. name、version 为 MCP 服务唯一标识，客户端连接时匹配名称识别服务；
2. type=SYNC 同步模式，适合工具简单、执行耗时短场景；长耗时工具可选用 ASYNC 异步模式。

3.1.2 pom 配置

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <parent>
    <groupId>vip.wayhua.ivy</groupId>
    <artifactId>SpringAIAlibaba-Demo</artifactId>
    <version>1.0-SNAPSHOT</version>
  </parent>

  <artifactId>SpringAI-MCP-Server</artifactId>
  <packaging>jar</packaging>

  <name>SpringAI-MCP-Server</name>

  <properties>
    <maven.compiler.source>17</maven.compiler.source>
    <maven.compiler.target>17</maven.compiler.target>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
  </properties>

  <dependencies>
    <dependency>
      <groupId>org.springframework.boot</groupId>
      <artifactId>spring-boot-starter-webflux</artifactId>
      <version>${springboot.version}</version>
    </dependency>

    <dependency>
      <groupId>org.springframework.ai</groupId>
      <!--

              SpringAi 1.1 基于注解(Annotations)开发MCP
              基于注解(Annotations) 引入依赖 MCP-Annotations 依赖包

              spring-ai-starter-mcp-server-webflux 这个依赖包自动引入 MCP-Annotations 依赖包

              spring-ai-starter-mcp-server-webflux 属于 SpringAi，
              不属于 SpringAi Alibaba，
              所以需要引入SpringAi

               -->
      <artifactId>spring-ai-starter-mcp-server-webflux</artifactId>
    </dependency>

  </dependencies>
</project>

补充依赖要点：MCP 服务端强制依赖 WebFlux，基于 SSE 长连接通信，不能仅引入 spring-boot-starter-web，否则 MCP 服务暴露接口异常，客户端无法建立连接。

3.1.3 启动项目

package vip.wayhua.ivy.mcp;

import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication
public class McpServerApplication {
    public static void main(String[] args) {
        SpringApplication.run(McpServerApplication.class, args);
    }
}

3.1.4 查看

补充启动校验：日志打印 MCP Server 启动成功标识，代表工具服务注册完成，可等待客户端接入。

3.2 WeatherTool

在 tools 目录创建 WeatherTool。至于怎么获取温度不是我们这次的关键，流程搞通才是重要的。并增加日志，方便后面调用的时候查看。

package vip.wayhua.ivy.mcp.tools;

import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.stereotype.Component;

@Component
public class WeatherTool {
    private static final Logger log = LoggerFactory.getLogger(WeatherTool.class);

    @Tool(name = "Temperature",
            description = "获取指定城市当前时间的温度")
    public String getTemperature(
            @ToolParam String cityName
    ) {
        log.error("getTemperature->cityName->" + cityName);
        return cityName + "温度值是30度";
    }

    @Tool(description = "获取指定城市的紫外线值")
    public String getUltraviolet(@ToolParam String cityName) {
        log.error("getUltraviolet->cityName->" + cityName);
        return cityName + "紫外线值：103";
    }


}

补充注解规范：

1. @Tool 的 description 描述必须清晰完整，大模型依靠描述判断何时调用该工具；描述模糊会导致模型不会主动触发工具调用；
2. @ToolParam 建议补充参数说明，复杂参数可增加枚举、取值范围描述，提升工具调用准确性；
3. 生产环境替换模拟返回，对接第三方气象 API，增加异常捕获、参数校验逻辑。

3.3 配置 Tools

package vip.wayhua.ivy.mcp.conf;

import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.ai.tool.method.MethodToolCallbackProvider;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import vip.wayhua.ivy.mcp.tools.WeatherTool;

@Configuration
public class ToolsRegister {

    @Bean
    public ToolCallbackProvider toolList(WeatherTool weatherTool) {

        return MethodToolCallbackProvider.builder().toolObjects(weatherTool).build();
    }
}

只有配置过才可使用。

补充：多工具类场景可连续调用 toolObjects，支持一次性注册多个工具实例；遗漏该 Bean 会导致 MCP 服务无法向外暴露任何工具。

3.4 查看日志

补充日志解读：启动日志会打印所有注册成功的工具名称、入参、描述，可快速核对工具是否全部加载。

四. 调用 Mcp

4.1 demo 增加配置

mcp 中的配置，如下

server:
  port: 8301
spring:
  application:
    name: springai-mcp-server-weather
  ai:
    mcp:
      server:
        # MCP服务器名称
        name:  springai-mcp-server-weather
        version: 0.0.1
        type: SYNC

调用时，也要增加

server:
  port: 8311

logging:   # SpringBoot日志配置
  level:
    # ChatClient 监控日志的等级
    org.springframework.ai.chat.client.advisor: debug

spring:
  ai:
    dashscope:
      # 阿里百炼大模型服务平台 API-Key申请文档
      # https://help.aliyun.com/zh/model-studio/get-api-key
      api-key: sk-b956cd85b6cd472bacb8827be99bdaa9
      chat:
        options:
          model: qwen-max
    # MCP 客户端
    mcp:
      client:
        sse:
          connections:
            # MCP 服务端的名称
            springai-mcp-server-weather:
              url: http://localhost:8301

        # 必须添加以下配置
        toolcallback:
          enabled: true

connections 下面配置 Mcp 服务的名称，对应前面的名称。url 可以直接指定服务 ip 和端口。

补充配置踩坑点：

1. toolcallback.enabled 必须开启，否则客户端无法拉取远程 MCP 工具列表；
2. 多 MCP 服务端可在 connections 下新增多个节点，实现多组工具统一接入；
3. 线上环境 url 替换服务注册中心地址，不硬编码localhost。

4.2 增加调用接口

为了简单，就直接放在 ChatController 中。

  @GetMapping("/mcp/weather/")
    String generation(
            @RequestParam(value = "message",defaultValue = "你有什么工具")
            String message
    ) {
        return this.chatClient
                .prompt(message)
                .call()
                .content();
    }

访问：

http://127.0.0.1:8311/mcp/weather/

你有什么工具，并没有显示 mcp，是因为没有引入。

4.3 ToolCallbackProvider

在 ChatController 中引用 ToolCallbackProvider toolCallbackProvider

    public ChatController(ChatModel chatModel,
                          ChatClient.Builder builder,
                          ToolCallbackProvider toolCallbackProvider) {
        this.chatModel = chatModel;
        this.chatClient = builder
                .defaultToolCallbacks(toolCallbackProvider)
                .build();
    }

补充原理：MCP 客户端自动将远程工具封装为 ToolCallback，通过 defaultToolCallbacks 全局注入 ChatClient，所有对话请求自动携带远程工具列表供大模型选择调用。

4.4 运行

表示成功了，不知道为什么没看到 methods。

补充：日志未打印 methods 属于日志输出粒度问题，不影响工具实际调用，可开启 trace 级日志查看完整工具元数据。

4.5 再次询问你有什么工具

4.6 询问天气

询问天气，就是人为制造调用函数的机会。

查看日志

真实调用就不是我们要讲解的，流程完成。后面会讲如何发布到 nacos，再发现调用（我也不会，要学）。

补充后续拓展方向（当前未落地，后续学习计划）：

1. MCP 服务注册至 Nacos 配置中心，客户端通过服务名动态发现，无需硬编码 IP 端口；
2. MCP 工具权限管控，不同 AI 客户端隔离可调用工具；
3. MCP 调用链路监控、超时重试、熔断降级；
4. 统一 MCP 工具市场，实现工具一键发布、订阅。

五. 小结

实操收获总结

1. 基础调用层面：掌握 Spring AI Alibaba 对接阿里百炼通义大模型两种调用方式 ChatModel、ChatClient，分清二者封装层级、性能差异、适用场景；实现同步阻塞对话、SSE 流式输出、心跳保活、内存多轮对话记忆完整接口，理解 Advisor 拦截器机制在对话流程中的作用。
2. MCP 架构层面：厘清 Function Calling 与 MCP 核心区别，完成独立 MCP 服务端搭建、基于 @Tool 注解开发远程工具、工具 Bean 注册、SSE 客户端连接远程 MCP 服务全流程，验证大模型自动识别并远程调用 MCP 工具的完整链路。
3. 版本与工程层面：搭建多模块 Maven 聚合工程，通过三层 BOM 统一管控 Spring AI、Spring AI Alibaba、Spring Boot 版本，规避版本冲突，梳理新版本 API 改动带来的各类配置、依赖踩坑点。

当前方案存在不足

1. 对话记忆仅内存存储，服务重启会话丢失，无持久化方案，无法支撑线上用户长期会话；
2. MCP 服务地址硬编码在配置文件，无服务注册发现机制，多实例部署、服务扩容、IP 变更维护成本高；
3. 工具均为模拟数据，无真实第三方接口对接，缺少参数校验、异常捕获、超时处理逻辑；
4. 缺少统一全局异常处理，大模型调用失败、MCP 连接断开、工具执行报错无友好返回；
5. 无鉴权逻辑，大模型 API 密钥明文配置、MCP 服务无访问权限控制，存在安全风险；
6. 未实现工具调用日志持久化、调用耗时监控，线上问题排查缺少数据支撑。

后续学习落地计划

1. 接入 Redis 实现 ChatMemory 持久化，自定义会话过期策略；
2. 研究 MCP 结合 Nacos 注册中心，实现服务自动发现、动态配置；
3. 完善工具层封装，增加接口调用异常、参数校验、熔断重试；
4. 统一全局异常处理器，封装 AI 调用各类异常返回格式；
5. 增加接口鉴权、密钥加密存储、MCP 服务访问权限校验；
6. 接入监控组件，记录对话耗时、工具调用次数、失败率指标。

六. 代码

完整聚合工程代码分为父工程、AI 客户端模块、MCP 服务端模块三部分，包含全部 pom 配置、yml 配置、Controller、MCP 工具类、配置类，可直接导入本地运行，仅需替换百炼平台 api-key 即可验证全流程功能。