【AI Agent 全栈开发】MCP

先说几个核心判断：AI应用生态发展到今天，优化提示词和Tool Calling已经帮我们突破了很多语言模型的边界，但如果仔细想想，工具一多、场景一复杂，老路子就开始吃力了——接口不统一、模型得硬编码工具定义……这些问题就像厨房里堆满了不同制式的厨具，每个都得单独学怎么用。好在，MCP（模型上下文协议）来了。

前言

如今，AI应用越来越依赖与外部系统的交互。我们从最开始的提示词工程，一步步走到Tool Calling——让模型自己决定要不要调用工具、调哪个工具。但现实是，随着工具数量的增长，传统的Tool Calling实现方式开始暴露出几个扎堆的挑战：工具接口格式不统一，模型需要硬编码工具定义……说实话，这些痛点如果不解决，后面每加一个新工具都得改代码，想想就头疼。

正是为了收拾这个烂摊子，MCP应运而生。

什么是MCP

MCP（Model Context Protocol）模型上下文协议，说白了，它不是要替代Tool Calling，而是给Tool Calling搭一个统一的、可扩展的跨平台基础设施。用一句话概括：

。

• Tool Calling
  ：模型决定要不要叫工具，叫哪个工具。

• MCP
  ：规定工具怎么描述、怎么发起调用、怎么传递结果。

有了MCP，AI只需学会一种通信格式，剩下的翻译工作全交给MCP Server。就像是给所有厨具统一配上了标准接口，厨房再乱也能高效运转。

MCP Ja va SDK架构

MCP Ja va SDK提供了Ja va端的完整实现，支持同步和异步两种通信模式，让AI模型和工具之间能按标准化方式握手。

• Client/Server
  ：请求的发起者和接收者，就像顾客和后厨。

• Session
  ：管理会话生命周期，相当于订单管理系统。

• Transport
  ：消息传递的方式，好比手机订餐加上骑手送餐。

Transport传输协议

MCP Ja va SDK支持多种“通信方式”，让AI应用（客户端）能灵活地与各种工具服务（服务器）对话。目前支持三种传输方式：

1. 基于Stdio的进程间通信传输协议
   ：通过标准输入/输出（stdin和stdout）在两个程序之间传消息，直接高效。

2. 基于Ja va HttpClient的SSE客户端传输协议
   ：用Ja va HttpClient发起HTTP请求，接收服务端持续推送的事件流。

3. WebFlux SSE客户端传输协议
   ：基于WebFlux的非阻塞响应式模型处理SSE流，适合高并发场景。

MCP Server

MCP Server是协议的具体服务端实现，对外提供特定功能。你可以直接去MCP Server社区查找你需要的功能——那里聚集了大量技术爱好者，资源很丰富。几个常用的社区入口：GitHub MCP Registry、MCP Flow、火山引擎MCP广场。不过要注意，这些社区里有些服务可能需要注册或API Key，具体按官方文档来。

MCP Client

有了服务端，怎么在代码里调用？这就需要MCP Client出场了。它连接开发环境和远程MCP Server，不同客户端对MCP协议的支持程度不一样，可以根据自己的需求选合适的。

MCP使用

在使用MCP Client之前，通常得先跑一个或多个MCP Server实例。很多MCP Server通过npx或uv命令启动，所以运行环境要提前配好。下面是一个典型的配置，以百度地图MCP Server为例：

{
  "mcpServers": {
    "baidu-map": {
      "command": "npx",
      "args": ["-y", "@baidumap/mcp-server-baidu-map"],
      "env": {
        "BAIDU_MAP_API_KEY": "xxx"
      }
    }
  }
}

配置好后，在Cursor里就能直接看到MCP Server的效果：

除了Cursor这类客户端，我们也能通过Spring AI代码来接入。以Spring AI Alibaba为例，先引入依赖，然后在配置文件中指定MCP Server的地址和超时时间：

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}
    mcp:
      client:
        request-timeout: 60000
        stdio:
          servers-configuration: classpath:/mcp/mcp-servers-config.json

同时，将百度地图的配置写入mcp/mcp-servers-config.json：

{
  "mcpServers": {
    "baidu-map": {
      "command": "npx.cmd",
      "args": ["-y", "@baidumap/mcp-server-baidu-map"],
      "env": {
        "BAIDU_MAP_API_KEY": "你的Key"
      }
    }
  }
}

然后在Controller里注入ToolCallbackProvider，它会自动把MCP Server的工具注册给AI模型：

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

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

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

ToolCallbackProvider是Spring AI中用来向AI模型注册可用工具的核心接口。只要MCP配置进来，它就能自动调用，完美解决了传统Tool Calling中各工具接口不同的问题，实现动态工具组合。

自定义MCP Server

我们知道MCP有两种通信方式：Stdio和Streamable HTTP。早先用的是SSE，但在2025年3月26日的协议更新后，官方用更强大的Streamable HTTP取代了SSE（解决了SSE连接容易断开的痛点）。不过为了兼容旧版本，这里仍保留SSE的实现说明。

使用Stdio自定义MCP Server

先写一个天气查询服务：

@Service
@Slf4j
public class WeatherService {
    private final Map weatherCache = new ConcurrentHashMap<>();

    public WeatherService() {
        weatherCache.put("北京", new WeatherInfo("晴转多云", "22~28", "南风2级", "78"));
        weatherCache.put("上海", new WeatherInfo("小雨", "18~24", "东风3级", "52"));
        weatherCache.put("广州", new WeatherInfo("晴朗", "25~33", "微风", "45"));
        weatherCache.put("深圳", new WeatherInfo("多云", "24~30", "东北风2级", "60"));
    }

    @Tool(description = "查询指定城市的天气信息，返回天气状况、温度范围、风力、空气质量")
    public String queryWeather(@ToolParam(description = "城市名称，如：北京、上海、广州、深圳") String city) {
        log.info("[HTTP MCP] queryWeather 调用，城市: {}", city);
        if (!weatherCache.containsKey(city)) {
            return String.format("未找到「%s」的天气信息，支持的城市：%s", city, weatherCache.keySet());
        }
        WeatherInfo info = weatherCache.get(city);
        return String.format("""