首页

手游

资讯

专题

首页 > 教程攻略 > ai教程 >AI修炼记2-MCP

AI修炼记2-MCP

来源：互联网时间：2026-06-14 07:36:09

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"

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?

开发者

AI 应用程序或智能体

用户

3. MCP架构

4. MCP Ja va SDK 的传输方式

Stdio

SSE

WebFlux SSE

三. 第三方MCP服务器的引入与使用

MCP Flow

MCP.SO

MCP-server

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

相关阅读

相关下载