AI修炼记2-MCP

文章目录

• 一. 环境配置
• 二. MCP 简单介绍
• • 1. MCP是什么?
  • 2. 为什么要使用MCP?
  • 3. MCP架构
  • 4. MCP Ja va SDK 的传输方式
• 三. 第三方MCP服务器的引入与使用
  • 1. cursor 调用MCP 流程
  • 2. 使用 spring AI 调用流程
    • (1) 添加依赖
    • (2) 配置yml
    • (3) 配置mcp-servers.json文件
    • (4) 通过Http调用大模型
    • (5) 调用效果图
• 四. 自定义MCP服务器端
  • 1. 自定义stdio传输方式的mcp
    • (1) 引入依赖与打包插件
    • (2) 配置yml
    • (3) 定义工具
    • (4) 暴露工具, 交给Spring进行自动创建与注入
    • (5) 进行打包
    • (6) Spring AI 调用
  • 2. 自定义sse传输方式的mcp
    • (1) 引入依赖
    • (2) 配置yml
    • (3) 启动服务, 验证 mcp-sse 服务器是否能成功连接
    • (4) Spring AI 调用

一. 环境配置

正式开始之前，先把环境搭好——这步虽然基础，但少踩一个坑后面就顺一大截。确保你的机器上已经装了 Ja va 17+、Node.js（用于 npx 调用）、Python 和 uvx（部分 MCP 服务器需要），IDE 推荐用 IntelliJ IDEA 或 VS Code，Cursor 用户可以直接跳到第三节。

二. MCP 简单介绍

1. MCP是什么?

MCP（模型上下文协议）是个开源标准，专门用来把 AI 应用跟外部系统连起来。你可以把它想象成 AI 应用的 USB-C 接口——USB-C 统一了电子设备的连接方式，MCP 则统一了 AI 调用外部工具、资源和提示词的方式。

说人话：就是把 AI 需要的 ToolCalling（工具）、资源、提示词按 MCP 协议封装好，对外暴露统一的接口，大模型那边也按这个协议随时调。不夸张地说，这就像是给 AI 配了个万能遥控器，一个协议管所有。

2. 为什么要使用MCP?

• 开发者
  ：构建 AI 应用或智能体时，MCP 能大幅减少开发时间和复杂度。不用给每个 AI 单独写一遍插件，只写一个 MCP 服务器，所有 MCP 客户端都能直接用。一套功夫，到处都好使。

• AI 应用程序或智能体
  ：MCP 提供了对数据源、工具和应用生态的标准化访问，能力边界一下子扩宽了，最终用户体验自然更好。

• 用户
  ：MCP 催生出的 AI 应用更强大、更聪明，用起来省时省力。说白了，谁用谁知道。

3. MCP架构

MCP 采用经典的客户端-服务端架构。MCP 宿主（比如 Claude Code、Claude Desktop 这类 AI 应用）会跟一个或多个 MCP 服务端建立连接。具体做法是：宿主为每个服务端创建一个 MCP 客户端，每个客户端跟自己的服务端保持一条专用的“通道”。

4. MCP Ja va SDK 的传输方式

Ja va SDK 里，客户端和服务器之间主要走这三种传输方式：

• Stdio
  ：通过标准输入/输出在两个进程间通信，直接、高效，像两个人面对面传纸条。

• SSE
  ：基于 Ja va HttpClient 发 HTTP 请求，同时接收服务端推送的事件流（SSE），适合需要实时回传的场景。

• WebFlux SSE
  ：基于 WebFlux 的非阻塞响应式编程模型来处理 SSE，高并发场景下更丝滑。

三. 第三方MCP服务器的引入与使用

前提条件：环境已经配好。第三方 MCP 大多依赖 npx 或 uvx 命令行工具来调用，所以 Node.js 和 Python 的安装不能跳过。

这里推荐几个好用的 MCP 社区，方便大家找现成的服务：

• MCP Flow
  —— 目前个人觉得最好用，社区活跃度也高。

• MCP.SO

• MCP-server

1. cursor 调用MCP 流程

在 Cursor 中配置 MCP 服务器，只需在项目根目录下创建或编辑 .cursor/mcp.json（或直接在设置里配），参考下面示例：

{"mcpServers": {"Playwright": {"command": "npx -y @playwright/mcp@latest","env": {},"args": []},"fetch": {"command": "uvx","args": ["mcp-server-fetch"]}}}

2. 使用 spring AI 调用流程

(1) 添加依赖

模型这边用的是 DashScopeModel（阿里百炼平台集成的），通过 Web 服务来调用模型。依赖清单如下：

  
    org.springframework.boot
    spring-boot-starter-web
  
  
    org.springframework.boot
    spring-boot-starter-test
    test
  
  
  
    org.springframework
    spring-webflux
  
  
    com.alibaba.cloud.ai
    spring-ai-alibaba-starter-dashscope
  
  
  
    org.springframework.ai
    spring-ai-starter-mcp-client
  



  
    
      com.alibaba.cloud.ai
      spring-ai-alibaba-bom
      1.0.0.2
      pom
      import
    
  

(2) 配置yml

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}
    mcp:
      client:
        stdio:
          servers-configuration: classpath:/mcp/mcp-servers.json
        # 将所有mcp服务配置到本地的一个JSON文件中，更方便简洁

logging:
  pattern:
    console: '%d{HH:mm:ss.SSS} %c %M %L [%thread] %m%n'
    file: '%d{HH:mm:ss.SSS} %c %M %L [%thread] %m%n'
  level:
    io.modelcontextprotocol.client: DEBUG
    spec: DEBUG

(3) 配置mcp-servers.json文件

把这个文件放在 resources/mcp/ 目录下：

{"mcpServers": {"playwright": {"command": "npx.cmd","args": ["@playwright/mcp@latest"]},"fetch": {"command": "uvx","args": ["mcp-server-fetch"]}}}

(4) 通过Http调用大模型

写一个简单的 REST 控制器，把 MCP 工具注入到 ChatClient 里：

package com.ran.mcp.controller;

import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatModel;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/chat")
public class ChatController {
    private ChatClient chatClient;

    // ToolCallbackProvider 把所有工具获取到
    public ChatController(DashScopeChatModel chatModel,
                          ToolCallbackProvider toolCallbackProvider) {
        this.chatClient = ChatClient.builder(chatModel)
                .defaultToolCallbacks(toolCallbackProvider)
                .build();
    }

    @RequestMapping("/generate")
    public String generate(String msg) {
        return chatClient.prompt()
                .user(msg)
                .call()
                .content();
    }
}

(5) 调用效果图

跑起来之后，访问 http://localhost:8080/chat/generate?msg=帮我搜索一下最新的AI新闻，大模型会自动调用配置好的 MCP 工具（比如 fetch）来获取实时数据并返回结果。效果图这里省略，实际运行时可以看到流畅的对话流。

四. 自定义MCP服务器端

1. 自定义stdio传输方式的mcp

stdio 和 sse 方式的 MCP 服务器定义非常相似，差别主要在依赖和配置上。下面这张图标出了各个关键参数的含义：

(1) 引入依赖与打包插件

  
    org.springframework.ai
    spring-ai-starter-mcp-server
  
  
    org.projectlombok
    lombok
  



  
    
      org.springframework.boot
      spring-boot-ma ven-plugin
    
  

(2) 配置yml

对于 stdio 服务器，不需要 Web 容器，所以关掉嵌入式 Tomcat：

spring:
  ai:
    mcp:
      server:
        name: user-info
        version: 0.0.1
  main:
    web-application-type: none
  banner:
    mode: off

(3) 定义工具

写一个 Service，用 @Tool 注解暴露方法：

package com.ran.mcp.server;

import com.ran.mcp.entity.UserInfo;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.stereotype.Service;

import ja va.util.HashMap;
import ja va.util.Map;

@Service
public class UserService {
    static Map userInfoMap = new HashMap<>();
    static {
        userInfoMap.put("zhangsan", new UserInfo("zhangsan", 12, "男"));
        userInfoMap.put("wangwu", new UserInfo("wangwu", 18, "女"));
        userInfoMap.put("lisi", new UserInfo("lisi", 17, "男"));
    }

    @Tool(description = "根据用户姓名, 返回用户详细信息")
    public String getUserInfo(@ToolParam(description = "用户的姓名") String name) {
        if (userInfoMap.containsKey(name)) {
            return userInfoMap.get(name).toString();
        }
        return "用户不存在";
    }
}

(4) 暴露工具, 交给Spring进行自动创建与注入

@Configuration
public class ToolConfig {
    @Bean
    public ToolCallbackProvider getUserInfo(UserService userService) {
        return MethodToolCallbackProvider.builder()
                .toolObjects(userService)
                .build();
    }
}

(5) 进行打包

执行 mvn clean package，得到 mcp-stdio-server-demo-1.0-SNAPSHOT.jar。之后通过 ja va -jar 在本地启动。

(6) Spring AI 调用

在客户端（Spring AI 应用）的 mcp-servers.json 里添加 stdio 配置，指向本地 jar 包：

"user-info": {
    "command": "ja va",
    "args": [
        "-Dspring.ai.mcp.server.stdio=true",
        "-Dlogging.pattern.console=",
        "-jar",
        "D:/study/code/2025-ja va/Spring-AI-2/mcp-stdio-server-demo/target/mcp-stdio-server-demo-1.0-SNAPSHOT.jar"
    ]
}

2. 自定义sse传输方式的mcp

(1) 引入依赖

切换为 SSE 传输时，需要引入 WebMVC 或 WebFlux 依赖：

    org.springframework.ai
    spring-ai-starter-mcp-server-webmvc


    org.projectlombok
    lombok

(2) 配置yml

server:
  port: 8088
spring:
  ai:
    mcp:
      server:
        name: user-info
        version: 0.0.1

(3) 启动服务, 验证 mcp-sse 服务器是否能成功连接

启动后，访问 http://127.0.0.1:8088/sse 看看是否返回事件流。如果返回正常，说明 SSE 服务已经就绪。

(4) Spring AI 调用

在客户端的 application.yml 中配置 SSE 连接：

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}
    mcp:
      client:
        sse:
          connections:
            user-info:
              url: "http://127.0.0.1:8088/sse"