如何开发 MCP 服务？保姆级教程！

最近这段时间有个 AI 相关的概念特别火，叫 MCP，全称模型上下文协议（Model Context Protocol）。这是由 Anthropic 推出的一项开放标准，目标是为大型语言模型和 AI 助手提供一个统一、标准化的接口，使 AI 能够轻松操作外部工具并完成更复杂的任务。

这篇文章，就带大家速通 MCP，了解其核心概念，并且以我们给自己产品面试鸭开发的面试搜题 MCP 服务为例，带大家实战 MCP 服务端和客户端的开发！

开源指路：github.com/yuyuanweb/m...

MCP 为啥如此重要？

以前，如果想让 AI 处理我们的数据，基本只能靠预训练数据或者上传数据，既麻烦又低效。而且，就算是很强大的 AI 模型，也会有数据隔离的问题，无法直接访问新数据，每次有新的数据进来，都要重新训练或上传，扩展起来比较困难。

现在，MCP 解决了这个问题，它突破了模型对静态知识库的依赖，使其具备更强的动态交互能力，能够像人类一样调用搜索引擎、访问本地文件、连接 API 服务，甚至直接操作第三方库。所以 MCP 相当于在 AI 和数据之间架起了一座桥。更重要的是，只要大家都遵循 MCP 这套协议，AI 就能无缝连接本地数据、互联网资源、开发工具、生产力软件，甚至整个社区生态，实现真正的"万物互联"，这将极大提升 AI 的协作和工作能力，价值不可估量。

MCP 总体架构

MCP 的核心是 "客户端 - 服务器" 架构，其中 MCP 客户端主机可以连接到多个服务器。客户端主机是指希望通过 MCP 访问数据的程序，比如 Claude Desktop、IDE 或 AI 工具。

MCP Java SDK 架构

我们可以使用 Spring AI 框架来开发 MCP 服务，可以先通过官方文档来了解其基本架构。

遵循三层架构：

我们分别来看每一层的作用：

客户端/服务器层：McpClient 处理客户端操作，而 McpServer 管理服务器端协议操作。两者都使用 McpSession 进行通信管理。
会话层（McpSession）：通过 DefaultMcpSession 实现管理通信模式和状态。
传输层（McpTransport）：处理 JSON-RPC 消息序列化和反序列化，支持多种传输实现。

MCP 客户端

MCP 客户端是 MCP 架构中的关键组件，主要负责和 MCP 服务器建立连接并进行通信。它能自动匹配服务器的协议版本，确认可用功能，并负责数据传输和 JSON-RPC 交互。此外，它还能发现和使用各种工具、管理资源，并与提示系统进行交互。

除了这些核心功能，MCP 客户端还支持一些额外特性，比如根管理、采样控制，以及同步或异步操作。为了适应不同场景，它提供了多种数据传输方式，包括标准输入/输出、基于 Java HttpClient 和 WebFlux 的 SSE 传输。

MCP 服务端

MCP 服务器是整个 MCP 架构的核心部分，主要用来为客户端提供各种工具、资源和功能支持。它负责处理客户端的请求，包括解析协议、提供工具、管理资源以及处理各种交互信息。同时，它还能记录日志、发送通知，并且支持多个客户端同时连接，保证高效的通信和协作。它可以通过多种方式进行数据传输，比如标准输入/输出、Servlet、WebFlux 和 WebMVC，满足不同应用场景的需求。

Spring AI 集成 MCP

可以通过引入一些依赖，直接让 Spring AI 和 MCP 进行集成，在 Spring Boot 项目中轻松使用。

比如客户端启动器：

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

服务器启动器：

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

下面我们来实战 MCP 项目的开发。

MCP 开发

MCP 的使用分为两种模式，STDIO 模式（本地运行）和 SSE 模式（远程服务）。

MCP 服务端（基于stdio标准流）

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，可以在同一台机器上启动 MCP 服务器进程，与客户端无缝对接。

1、引入依赖

xml 复制代码

<dependency>
 <groupId>org.springframework.ai</groupId>
 <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
 <version>1.0.0-M6</version>
</dependency>

2、配置 MCP 服务端

yaml 复制代码

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

3、实现 MCP 工具

@Tool 是 Spring AI 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 协议工具的自动映射，并且可以通过注解的属性 description，帮助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。

下面是一段示例代码：

typescript 复制代码

/**
* 根据搜索词搜索面试鸭面试题目
*
* @param searchText 搜索词
* @return 面试鸭搜索结果的题目链接
*/
@Tool(description = "根据搜索词搜索面试鸭面试题目（如果用户提的问题的技术面试题，优先搜索面试鸭的题目列表）")
public String callMianshiya(String searchText) {
   // 执行从面试鸭数据库中搜索题目的逻辑（代码省略）
   System.out.println("用户要搜索：" + searchText);
}

4、注册 MCP 工具

最后向 MCP 服务注册刚刚写的工具：

scss 复制代码

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

这段代码定义了一个 Spring 的 Bean，用于将面试鸭的题目搜索服务MianshiyaService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 AI 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。

5、运行服务端

MCP 服务端代码写完之后，直接用 Maven 打包运行项目：

go 复制代码

mvn clean package -DskipTests

MCP 客户端（基于 stdio 标准流）

1、引入依赖

xml 复制代码

<dependency>
 <groupId>org.springframework.ai</groupId>
 <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
 <version>1.0.0-M6</version>
</dependency>

2、配置 MCP 服务器

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

yaml 复制代码

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：

json 复制代码

{
 "mcpServers": {
   "mianshiyaServer": {
     "command": "java",
     "args": [
       "-Dspring.ai.mcp.server.stdio=true",
       "-Dspring.main.web-application-type=none",
       "-Dlogging.pattern.console=",
       "-jar",
       "/Users/yupi/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application.yml里，效果是一样的。

ini 复制代码

  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/yupi/Documents/mcp-server/target/mcp-server-0.0.1-SNAPSHOT.jar

客户端我们使用阿里巴巴的通义千问模型，所以引入 spring-ai-alibaba-starter 依赖，如果你使用的是其他的模型，也可以使用对应的依赖项，比如 openAI 引入 spring-ai-openai-spring-boot-starter 这个依赖就行了。还需要配置大模型的密钥等信息，key 可以直接去官网申请，模型我们用的是 qwen-max。

yaml 复制代码

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

3、初始化聊天客户端，一行代码就搞定了：

typescript 复制代码

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

这段代码定义了一个 Spring Bean，用于初始化一个AI 聊天客户端，里面有两个参数：

ChatClient.Builder 是 Spring AI 提供的 AI 聊天客户端构建器，用于构建 ChatClient 实例，是由 Spring AI自动注入的
另一个是 ToolCallbackProvider，用于从 MCP 服务端发现并获取 AI 工具。

4、接口调用

直接调用ChatClient，将面试问题输入给AI即可，也不需要写过多的 prompt，因为在 MCP 服务端的工具描述中，已经写的比较详细了 ------ 比如用户想要搜索技术面试题，就会自动调用刚刚写的工具。

普通调用：

less 复制代码

@PostMapping(value = "/ai/answer")
public String generate(@RequestBody AskRequest request) {
   return chatClient.prompt()
          .user(request.getContent())
          .call()
          .content();
}

如果需要实时输出返回内容，可以进行 SSE 流式调用：

less 复制代码

@PostMapping(value = "/ai/answer/sse", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> generateStreamAsString(@RequestBody AskRequest request) {
   Flux<String> content = chatClient.prompt()
          .user(request.getContent())
          .stream()
          .content();
   return content
          .concatWith(Flux.just("[complete]"));

}

最后测试一下，输入面试题目 "HashMap的原理是啥"，就会返回面试鸭的题目以及链接。

MCP 服务端（基于 SSE）

除了基于 stdio 的实现外，Spring AI 还提供了基于 Server-Sent Events (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远程调用。

1、引入依赖

xml 复制代码

<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-mcp-server-webflux-spring-boot-starter</artifactId>
   <version>1.0.0-M6</version>
</dependency>

2、配置 MCP 服务端

yaml 复制代码

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。

3、运行服务端

MCP 服务端写完之后，直接打包运行：

go 复制代码

mvn clean package -DskipTests

直接用 jar 选项运行 MCP 服务端：

ini 复制代码

java -jar target/mcp-server-0.0.1-SNAPSHOT.jar --spring.profiles.active=prod

MCP 客户端（基于 SSE）

1、引入依赖

xml 复制代码

<dependency>
 <groupId>org.springframework.ai</groupId>
 <artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId>
 <version>1.0.0-M6</version>
</dependency>

2、配置 MCP 服务器

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

yaml 复制代码

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。

最后测试一下，输入面试题目 "MySQL的事务是怎么实现的？"，就会返回面试鸭的题目以及链接等。

软件使用 MCP

除了利用程序去调用 MCP 服务外，MCP 服务端还任意支持 MCP 协议的智能体助手，比如 Claude、Cursor 以及 Cherry Studio 等，都可以快速接入。（前提需要 Java 运行时环境）

首先下载我们开源的面试鸭 MCP 服务代码到本地：

bash 复制代码

git clone https://github.com/yuyuanweb/mcp-mianshiya-server

然后使用 Maven 打包构建项目：

bash 复制代码

cd mcp-mianshiya-server
mvn clean package

下面我们以 Cherry Studio 这样一个 AI 客户端软件为例，演示如何使用 MCP 服务。

1、打开 Cherry Studio 的 "设置"，点击 "MCP 服务器"：

2、点击 "编辑 JSON"，将以下 MCP 配置添加到配置文件中：

json 复制代码

{
 "mcpServers": {
   "mianshiyaServer": {
     "command": "java",
     "args": [
       "-Dspring.ai.mcp.server.stdio=true",
       "-Dspring.main.web-application-type=none",
       "-Dlogging.pattern.console=",
       "-jar",
       "/yourPath/mcp-server-0.0.1-SNAPSHOT.jar"
    ],
     "env": {}
  }
}
}

3、在 "设置 => 模型服务" 里选择一个模型，输入 API 密钥，选择模型设置，勾选下工具函数调用功能：