Spring AI 框架中如何集成 MCP？

SpringAI MCP介绍

Spring AI MCP 为模型上下文协议提供 Java 和Spring 框架集成、它使 SpringAI 应用程序能够通过标准化的接口与不同的数据源和工是进行交互，支持同步和异步通信模式。整体架构如下:

Spring Al 通过以下 Spring Boot 启动器提供 MCP 集成：

客户端启动器

• spring-ai-starter-mcp-client 核心启动器提供 STDIO 和基于 HTTP 的 SSE 支持。
• spring-ai-starter-mcp-client-webflux 基于WebFlux的SSE流式传输实现

服务端启动器

• spring-ai-starter-mcp-server 核心服务器具有 STDIO 传输支持
• spring-ai-starter-mcp-server-webmvc 基于Spring MVC的SSE流式传输实现
• spring-ai-starter-mcp-server-webflux 基于WebFlux的SSE流式传输实现

基于stdio标准流

MCP 服务端

基于 stdio 的实现是最常见的 MCP客户端方案，它通过标准输入输出流与 MCP 服务器进行通信，这种方式简单直观，能够直接通过进程间通信实现数据交互，避免了额外的网络通信开销，特别适用于本地部署的MCP服务器，可以在司一台机器上启动 MCP 服务器进程，与客户端无缝对接。

引入依赖

<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服务端

spring:
 application:
 name: mcp-server
 main:
 web-application-type: none # 必须禁用web应用类型
 banner-mode: off # 禁用banner
 ai:
 mcp:
 server:
 stdio: true # 启用stdio模式
 name: mcp-server # 服务器名称
 version: 0.0.1 # 服务器版本

实现MCP工具

@Tool 是 SpingAI MCP框架中用于快速暴露业务能力为AI 工具的核心注解，该注解实现Java方法与MCP协议工具的自动银蛇，并且可以通过注解的属性description，有助于人工智能模型根据用户输入的信息决定是否调用这些工具，并返回相应的结果.

@Service
public class OpenMeteoService {
 @Tool(description = "根据经纬度获取天气预报")
 public String getAirQuality(
 @ToolParameter(description = "纬度，例如：39.9042") String latitude,
 @ToolParameter(description = "经度，例如：116.4074") String longitude) {
 // 模拟数据，实际应用中应调用真实API
 return "当前位置（纬度：" + latitude + "，经度：" + longitude + "）的天气信息：\n 多云转阴";
 }
}

这个工具方法主要是用来根据经纬度获取天气预报的，这里为了方便演示，写了模拟数据

注册MCP工具

最后向 MCP 服务注册刚刚写的工具：

 @Bean
 public ToolCallbackProvider serverTools(OpenMeteoService openMeteoService) {
 return MethodToolCallbackProvider.builder().toolObjects(openMeteoService).build();
 }

这段代码定义了一个 Spring 的 Bean，用于将查询天气服务 OpenMeteoService 中所有用 @Tool 注解标记的方法注册为工具，供 AI 模型调用。

ToolCallbackProvider 是Spring Al 中的一个接口，用于定义工具发现机制，主要负责将那些使用
@Tool 注解标记的方法转换为工具回调对象，并提供给 ChatClient 或ChatModel 使用，以便 AI 模型能够在对话过程中调用这些工具。

MCP 客户端

引入依赖

<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服务器

因为服务端是通过 stdio 实现的，需要在 application.yml 中配置MCP服务器的一些参数：

spring:
 ai:
 mcp:
 client:
 stdio:
 # 指定MCP服务器配置文件
 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.console=",
 "-jar",
 "/Users/gulihua/Documents/mcp-server/target/mcp-server-0.0.1-SNAPSHOT.jar"
 ],
 "env": {}
 }
 }
}

这个配置文件设置了MCP客户端的基本配置，包括 Java 命令参数，服务端 jar 包的绝对路径等，上述的 JSON 配置文件也可以直接写在 apllication.yaml 里，效果是一样的。

 mcp:
 client:
 stdio:
 connections:
 server1:
 command: java
 args:
 - -Dspring.ai.mcp.server.stdio=true
 - -Dspring.main.web-application-type=none
 - -Dlogging.pattern.console=
 - -jar
 - /Users/gulihua/Documents/mcp-server/target/mcp-server-0.0.1-SNAPSHOT.jar

客户端我们使用问里巴巴的通义千问模型，所以引入 spring-ai-alibaba-starter 依赖，如果使用的是其他的模型，也可以使用对应的依赖项，比加 openAI 引入 sprine-ai-openai-spring-boot-starter 这个依赖就行了

配置大模型的密钥等信息：

spring:
 ai:
 dashscope:
 api-key: ${通义千问的key}
 chat:
 options:
 model: qwen-max

初始化聊天客户端

@Bean
public ChatClient initChatClient(ChatClient.Builder chatClientBuilder,
 ToolCallbackProvider mcpTools) {
 return chatClientBuilder
 .defaultTools(mcpTools)
 .build();
}

该代码定义了一个 spring pean，用于初始化一个AI聊天客户端，里面有两个参数，chatcient.Buinider 是 SpnngAI 提供的AI聊天客户端构建器，用于构建 ChatCient实例，是由 Spring AI 自动注入的，另一个是 ToolCallbackProvider，用于从MCP客服端发现并获取AI工具。

然后就可以通过这个 chatclient 去调用了：

chatClient.prompt()
.user(request.getContent())
.call()
.content();

基于SSE

MCP服务端

除了基于 stdio 的实现外，Spring Al还提供了基于 Server-Sent vents(SSE)的 MCP客户端方案。相较于 stdio方式，SSE 更适用于远程部署的 MCP 服务器，客户端可以通过标准 HTTP 协议与服务器建立连接，实现单向的实时数据推送。基于 SSE的 MCP 服务器支持被多个客户端的远程调用。

引入依赖

<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服务端

server:
 port: 8090
spring:
 application:
 name: mcp-server
 ai:
 mcp:
 server:
 name: mcp-server # MCP服务器名称
 version: 0.0.1 # 服务器版本号

除了引入的依赖包不一样，以及配置文件不同，其他的不需要修改。

MCP 客户端

引入依赖

<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服务器

因为服务端是通过SSE实现的，需要在 application.yml 中配置MCP服务器的URL端口：

spring:
 ai:
 mcp:
 client:
 enabled: true
 name: mcp-client
 version: 1.0.0
 request-timeout: 30s
 type: ASYNC # 类型同步或者异步
 sse:
 connections:
 server1:
 url: http://localhost:8090

和MCP服务端的修改一样，除了依赖和配置的修改，其他的也不需要调整

注意

除了上面基础的用法和配置，还应该考虑以下几个方面:

• 工具设计
  • 每个工具方法应具备明确的功能定义及参数说明。
  • 使用 @Tool 注解提供清晰、完整的工具描述，便于自动生成文档或展示给前端。
  • 使用 @ToolParameter 注解详细说明每个参数的用途，提升使用者的理解与正确性。
• 错误处理
  • 应全面捕获并妥善处理可能出现的异常，防止服务崩溃。
  • 返回结构化、具备可读性的错误信息，便于客户端识别错误原因并进行相应处理。
• 性能优化
  • 对于可能耗时的任务，建议使用异步处理机制，避免阻塞主线程，
  • 设置合理的超时时间，防止客户端长时间等待，提高系统响应性和稳定性。
• 安全性考虑
  • 对涉及敏感资源或关键操作的工具方法，应添加严格的权限校验逻辑
  • 禁止在工具方法中执行高风险操作(如执行任意系统命令)，以防止安全洞。
• 部署策略
  • Stdio 模式：适用于嵌入式场景，可作为客户端的子进程运行，便于集成与资源控制。
  • SSE模式：更适合部署为独立服务，支持多个客户端同时访问，适用于需要持续通信的远程调用场景。