Spring AI 实现MCP简单案例

Spring AI 实现MCP简单案例

引言

随着大型语言模型（LLM）在企业应用中的普及，如何有效地连接模型与外部工具、数据和服务成为了开发人员面临的重要挑战。2024年11月，Anthropic推出了模型上下文协议（Model Context Protocol，简称MCP），这一开放标准为解决AI系统中组件协同问题提供了全新的解决方案。本文将深入探讨MCP的核心概念，并通过一个实际的Spring AI示例项目展示其强大功能。

MCP协议简介

MCP（Model Context Protocol）是一种专为人工智能模型设计的通信协议，旨在解决复杂AI系统中多个模型或组件之间的协同工作问题。你可以把MCP想象成AI领域的"USB接口"，它提供了一种统一的方式将AI模型连接到各种工具和数据源。

MCP的核心优势

1. 标准化通信：定义了模型与外部工具交互的标准接口
2. 自动发现能力：客户端可以自动发现并使用服务端提供的工具
3. 跨平台兼容：任何实现MCP的系统都可以无缝集成
4. 降低集成成本：开发者无需为每个模型重新实现工具调用逻辑
5. 增强安全性：提供了安全的数据交换机制

Spring AI中的MCP实现

Spring AI框架已经内置了对MCP协议的支持，使Java开发者能够轻松构建MCP服务器和客户端应用。在本文中，我们将通过一个实际的示例项目来演示Spring AI如何实现MCP功能。

项目架构概览

我们的示例项目mcp-demos包含两个主要模块：

1. mcp-server-demo：实现了MCP服务器，提供天气查询等工具服务
2. mcp-client-demo：实现了MCP客户端，连接到本地Ollama模型并自动发现服务器提供的工具

服务端实现详解

创建MCP服务器

MCP服务器是一个基于Spring Boot的应用程序，通过简单的配置即可启用MCP功能。

首先，让我们看看主应用类的实现：

@SpringBootApplication
public class McpServerApplication {

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

    @Bean
    public ToolCallbackProvider weatherTools(WeatherService weatherService) {
        return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();
    }

    public record TextInput(String input) {}

    @Bean
    public ToolCallback toUpperCase() {
        return FunctionToolCallback.builder("toUpperCase", (TextInput input) -> input.input().toUpperCase())
                .inputType(TextInput.class)
                .description("Put the text to upper case")
                .build();
    }
}

在这段代码中，我们看到了两个关键的Bean定义：

1. weatherTools：将WeatherService类中标记为工具的方法注册为MCP服务
2. toUpperCase：创建了一个简单的文本转换工具，用于将文本转换为大写

实现工具服务

下面是WeatherService类的核心实现，展示了如何定义MCP工具方法：

@Service
public class WeatherService {

    private static final String BASE_URL = "https://api.weather.gov";
    private final RestClient restClient;

    // 构造函数初始化RestClient...

    @Tool(description = "Get weather forecast for a specific latitude/longitude")
    public String getWeatherForecastByLocation(double latitude, double longitude) {
        // 实现天气查询逻辑...
    }

    @Tool(description = "Get weather alerts for a US state. Input is Two-letter US state code (e.g. CA, NY)")
    public String getAlerts(String state) {
        // 实现天气警报查询逻辑...
    }
}

关键技术点：

1. 使用@Tool注解标记可被MCP发现的方法
2. description参数提供了工具的描述，帮助模型理解工具的功能和使用方式
3. 方法参数和返回类型会被自动转换为适合模型理解的格式

服务端配置

服务端的MCP功能通过application.properties文件进行配置：

spring.ai.mcp.server.name=mcp-server-demo
spring.ai.mcp.server.version=0.0.1
spring.ai.mcp.server.protocol=SSE
spring.ai.mcp.server.capabilities.resource=true
spring.ai.mcp.server.capabilities.tool=true
spring.ai.mcp.server.capabilities.completion=true
spring.ai.mcp.server.capabilities.prompt=true
spring.ai.mcp.server.streamable-http.mcp-endpoint=/mcp

配置说明：

• spring.ai.mcp.server.name：服务器名称
• spring.ai.mcp.server.protocol：通信协议，这里使用SSE（Server-Sent Events）
• spring.ai.mcp.server.capabilities.*：声明服务器支持的功能
• spring.ai.mcp.server.streamable-http.mcp-endpoint：MCP端点路径

客户端实现详解

创建MCP客户端

MCP客户端连接到本地Ollama模型，并自动发现服务端提供的工具：

@Configuration
public class OllamaConfig {

    @Value("${ai.user.input}")
    private String userInput;

    @Bean
    public ChatClient.Builder chatClientBuilder(OllamaChatModel ollamaChatModel) {
        return ChatClient.builder(ollamaChatModel);
    }

    @Bean
    public CommandLineRunner predefinedQuestions(ChatClient.Builder chatClientBuilder
            , ToolCallbackProvider tools, ConfigurableApplicationContext context) {

        System.out.println(tools.getToolCallbacks());
        return args -> {
            var chatClient = chatClientBuilder
                    .defaultToolCallbacks(tools)
                    .build();

            System.out.println("n>>> QUESTION: " + userInput);
            System.out.println("n>>> ASSISTANT: " + chatClient.prompt(userInput).call().content());

            context.close();
        };
    }
}

关键技术点：

1. 通过ToolCallbackProvider自动获取所有可用的工具（包括通过MCP发现的远程工具）
2. 将这些工具配置到ChatClient中，使其可以在与模型交互时自动选择合适的工具

客户端配置

客户端的配置同样在application.properties文件中：

spring.ai.model.chat=ollama
spring.ai.ollama.base-url=http://localhost:11434
spring.ai.ollama.chat.options.model=llama3.2:1b
spring.ai.mcp.client.name=mcp-client-demo
spring.ai.mcp.client.toolcallback.enabled=true
spring.ai.mcp.client.sse.connections.mcp-server-demo.url=http://localhost:8080
ai.user.input=What tools are available?

配置说明：

• spring.ai.model.chat=ollama：使用Ollama作为聊天模型
• spring.ai.ollama.*：配置Ollama连接信息
• spring.ai.mcp.client.toolcallback.enabled=true：启用MCP工具回调
• spring.ai.mcp.client.sse.connections.*：配置MCP服务器连接

实际使用示例

示例1：获取天气预报

当用户发送如下请求时：

What's the weather forecast for New York City?

系统的执行流程如下：

1. 客户端将请求发送给Ollama模型
2. 模型分析请求，发现需要获取纽约的天气预报
3. 模型识别到可以使用getWeatherForecastByLocation工具
4. 客户端调用该工具（通过MCP协议）
5. 服务端执行天气查询并返回结果
6. 模型处理结果并返回给用户

示例2：使用文本转换工具

当用户发送如下请求时：

Please convert 'hello world' to uppercase.

系统会使用toUpperCase工具将文本转换为大写，整个过程对用户完全透明。

MCP的工作原理

MCP协议的工作原理可以概括为以下几个步骤：

1. 服务注册：MCP服务器启动时，会注册所有标记为工具的方法
2. 客户端发现：MCP客户端连接到服务器后，自动发现可用的工具
3. 工具调用：当模型需要使用工具时，通过MCP协议调用远程工具
4. 结果处理：工具执行结果通过MCP返回给客户端，然后由模型进行处理

这种机制使得模型可以无缝地使用各种外部工具，而不需要了解工具的具体实现细节。

实现细节与最佳实践

工具方法设计

在设计MCP工具方法时，应遵循以下最佳实践：

1. 清晰的描述：使用详细的description参数，帮助模型理解工具的用途
2. 合理的参数：使用简单明了的参数类型和名称
3. 结构化返回：返回格式良好的结构化数据
4. 错误处理：妥善处理可能发生的异常

性能优化

对于生产环境的MCP应用，可以考虑以下性能优化策略：

1. 工具缓存：缓存工具发现结果，减少重复发现开销
2. 请求批处理：批量处理相关的工具调用
3. 异步执行：使用异步方式执行耗时的工具调用
4. 连接池管理：合理管理MCP连接池

MCP与其他方案的对比

相比传统的API集成方式，MCP具有以下优势：

未来发展与趋势

随着MCP协议的不断发展，我们可以期待：

1. 更多框架和平台对MCP的支持
2. 更丰富的工具生态系统
3. 安全性和隐私保护的增强
4. 更高效的通信协议和机制

结论

MCP协议为AI模型与外部工具的交互提供了一种标准化、高效的解决方案。通过Spring AI的实现，Java开发者可以轻松构建支持MCP的应用程序，实现模型与工具的无缝集成。本文介绍的示例项目展示了MCP的基本功能和使用方法，希望能为开发者提供有价值的参考。

随着AI技术的不断发展，MCP这样的标准化协议将在AI应用生态系统中发挥越来越重要的作用，推动AI应用的普及和创新。

参考文献

1. MCP官方文档
2. Spring AI MCP文档
3. Anthropic, "Model Context Protocol: A New Standard for AI Tool Integration", 2024

代码链接

gitee.com/tree_boss/m…