Spring AI 框架中如何集成 MCP？
SpringAI MCP介紹
Spring AI MCP 為模型上下文協議提供 Java 和Spring 框架集成、它使 SpringAI 應用程序能夠通過標準化的接口與不同的數據源和工是進行交互，支持同步和異步通信模式。整體架構如下:
圖片
Spring Al 通過以下 Spring Boot 啟動器提供 MCP 集成：
客戶端啟動器
- spring-ai-starter-mcp-client 核心啟動器提供 STDIO 和基于 HTTP 的 SSE 支持。
- spring-ai-starter-mcp-client-webflux 基于WebFlux的SSE流式傳輸實現
服務端啟動器
- spring-ai-starter-mcp-server 核心服務器具有 STDIO 傳輸支持
- spring-ai-starter-mcp-server-webmvc 基于Spring MVC的SSE流式傳輸實現
- spring-ai-starter-mcp-server-webflux 基于WebFlux的SSE流式傳輸實現
基于stdio標準流
MCP 服務端
基于 stdio 的實現是最常見的 MCP客戶端方案，它通過標準輸入輸出流與 MCP 服務器進行通信，這種方式簡單直觀，能夠直接通過進程間通信實現數據交互，避免了額外的網絡通信開銷，特別適用于本地部署的MCP服務器，可以在司一臺機器上啟動 MCP 服務器進程，與客戶端無縫對接。
引入依賴
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>配置MCP服務端
spring:
application:
name:mcp-server
main:
web-application-type:none# 必須禁用web應用類型
banner-mode:off# 禁用banner
ai:
mcp:
server:
stdio:true# 啟用stdio模式
name:mcp-server# 服務器名稱
version:0.0.1# 服務器版本實現MCP工具
@Tool 是 SpingAI MCP框架中用于快速暴露業務能力為AI 工具的核心注解，該注解實現Java方法與MCP協議工具的自動銀蛇，并且可以通過注解的屬性description，有助于人工智能模型根據用戶輸入的信息決定是否調用這些工具，并返回相應的結果.
@Service
public class OpenMeteoService {
@Tool(description = "根據經緯度獲取天氣預報")
public String getAirQuality(
@ToolParameter(description = "緯度，例如：39.9042") String latitude,
@ToolParameter(description = "經度，例如：116.4074") String longitude) {
// 模擬數據，實際應用中應調用真實API
return "當前位置（緯度：" + latitude + "，經度：" + longitude + "）的天氣信息：\n 多云轉陰";
}
}這個工具方法主要是用來根據經緯度獲取天氣預報的，這里為了方便演示，寫了模擬數據
注冊MCP工具
最后向 MCP 服務注冊剛剛寫的工具：
@Bean
public ToolCallbackProvider serverTools(OpenMeteoService openMeteoService) {
return MethodToolCallbackProvider.builder().toolObjects(openMeteoService).build();
}這段代碼定義了一個 Spring 的 Bean，用于將查詢天氣服務 OpenMeteoService 中所有用 @Tool 注解標記的方法注冊為工具，供 AI 模型調用。
ToolCallbackProvider 是Spring Al 中的一個接口，用于定義工具發現機制，主要負責將那些使用 @Tool 注解標記的方法轉換為工具回調對象，并提供給 ChatClient 或ChatModel 使用，以便 AI 模型能夠在對話過程中調用這些工具。
MCP 客戶端
引入依賴
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>配置MCP服務器
因為服務端是通過 stdio 實現的，需要在 application.yml 中配置MCP服務器的一些參數：
spring:
ai:
mcp:
client:
stdio:
# 指定MCP服務器配置文件
servers-configuration: classpath:/mcp-servers-config.json
mandatory-file-encoding: UTF-8其中 mcp-servers-config.json 的配置如下：
{
"mcpServers": {
"weatherServer": {
"command": "java",
"args": [
"-Dspring.ai.mcp.server.stdio=true",
"-Dspring.main.web-application-type=none",
"-Dlogging.pattern.cnotallow=",
"-jar",
"/Users/gulihua/Documents/mcp-server/target/mcp-server-0.0.1-SNAPSHOT.jar"
],
"env": {}
}
}
}這個配置文件設置了MCP客戶端的基本配置，包括 Java 命令參數，服務端 jar 包的絕對路徑等，上述的 JSON 配置文件也可以直接寫在 apllication.yaml 里，效果是一樣的。
mcp:
client:
stdio:
connections:
server1:
command:java
args:
--Dspring.ai.mcp.server.stdio=true
--Dspring.main.web-application-type=none
--Dlogging.pattern.cnotallow=
--jar
-/Users/gulihua/Documents/mcp-server/target/mcp-server-0.0.1-SNAPSHOT.jar客戶端我們使用問里巴巴的通義千問模型，所以引入 spring-ai-alibaba-starter 依賴，如果使用的是其他的模型，也可以使用對應的依賴項，比加 openAI 引入 sprine-ai-openai-spring-boot-starter 這個依賴就行了
配置大模型的密鑰等信息：
spring:
ai:
dashscope:
api-key: ${通義千問的key}
chat:
options:
model: qwen-max初始化聊天客戶端
@Bean
public ChatClient initChatClient(ChatClient.Builder chatClientBuilder,
ToolCallbackProvider mcpTools) {
return chatClientBuilder
.defaultTools(mcpTools)
.build();
}該代碼定義了一個 spring pean，用于初始化一個AI聊天客戶端，里面有兩個參數，chatcient.Buinider 是 SpnngAI 提供的AI聊天客戶端構建器，用于構建 ChatCient實例，是由 Spring AI 自動注入的，另一個是 ToolCallbackProvider，用于從MCP客服端發現并獲取AI工具。
然后就可以通過這個 chatclient 去調用了：
chatClient.prompt()
.user(request.getContent())
.call()
.content();基于SSE
MCP服務端
除了基于 stdio 的實現外，Spring Al還提供了基于 Server-Sent vents(SSE)的 MCP客戶端方案。相較于 stdio方式，SSE 更適用于遠程部署的 MCP 服務器，客戶端可以通過標準 HTTP 協議與服務器建立連接，實現單向的實時數據推送。基于 SSE的 MCP 服務器支持被多個客戶端的遠程調用。
引入依賴
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-server-webflux-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>配置MCP服務端
server:
port:8090
spring:
application:
name:mcp-server
ai:
mcp:
server:
name:mcp-server# MCP服務器名稱
version:0.0.1 # 服務器版本號除了引入的依賴包不一樣，以及配置文件不同，其他的不需要修改。
MCP 客戶端
引入依賴
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>配置MCP服務器
因為服務端是通過SSE實現的，需要在 application.yml 中配置MCP服務器的URL端口：
spring:
ai:
mcp:
client:
enabled:true
name:mcp-client
version:1.0.0
request-timeout:30s
type:ASYNC# 類型同步或者異步
sse:
connections:
server1:
url:http://localhost:8090和MCP服務端的修改一樣，除了依賴和配置的修改，其他的也不需要調整
注意
除了上面基礎的用法和配置，還應該考慮以下幾個方面:
- 工具設計
每個工具方法應具備明確的功能定義及參數說明。
使用 @Tool 注解提供清晰、完整的工具描述，便于自動生成文檔或展示給前端。
使用 @ToolParameter 注解詳細說明每個參數的用途，提升使用者的理解與正確性。
- 錯誤處理
應全面捕獲并妥善處理可能出現的異常，防止服務崩潰。
返回結構化、具備可讀性的錯誤信息，便于客戶端識別錯誤原因并進行相應處理。
- 性能優化
對于可能耗時的任務，建議使用異步處理機制，避免阻塞主線程，
設置合理的超時時間，防止客戶端長時間等待，提高系統響應性和穩定性。
- 安全性考慮
對涉及敏感資源或關鍵操作的工具方法，應添加嚴格的權限校驗邏輯
禁止在工具方法中執行高風險操作(如執行任意系統命令)，以防止安全洞。
- 部署策略
Stdio 模式：適用于嵌入式場景，可作為客戶端的子進程運行，便于集成與資源控制。
SSE模式：更適合部署為獨立服務，支持多個客戶端同時訪問，適用于需要持續通信的遠程調用場景。
