SpringAI调用MCP服务的实现思路

1. 核心架构与抽象

Spring AI 的核心是提供一套统一的 API 来与各种 AI 模型和服务交互,其关键抽象是 ChatClient 和 PromptCallback 等。对于 MCP,它需要解决两个问题:

发现(Discovery):如何连接到 MCP 服务器并获取其提供的所有工具(tools)和资源(resources)列表。

适配(Adaptation):如何将这些远程的工具和资源转换成 Spring AI 能够理解和调用的格式,特别是如何将它们作为 FunctionCallback 集成到 AI 对话中。

SpringAiMcpClient 库完美地扮演了这个适配器的角色。

2. 实现原理与关键步骤

整个过程可以分解为以下几个关键步骤:

步骤一:建立连接与传输层

Spring AI MCP 客户端使用 SSE(Server-Sent Events) 或 Stdio 作为传输层与 MCP 服务器通信。你需要在配置中指定 MCP 服务器的地址(对于 SSE)或启动命令(对于 Stdio)。

application.yml

c 复制代码
spring:
  ai:
    mcp:
      clients:
        my-mcp-server: # 自定义客户端实例名
          type: sse
          url: http://localhost:8000/sse
          # 或者使用 stdio
          # type: stdio
          # command: "npx -y @modelcontextprotocol/server-example"

步骤二:初始化与服务器握手

应用启动时,SpringAiMcpClient 会自动执行 MCP 协议规定的初始化流程:

与服务器建立连接。

发送 initialize 请求,交换客户端和服务器的能力信息。

服务器回复 initialized 通知。

客户端发送 tools/list 请求,获取服务器提供的所有工具(函数)的列表及其 JSON Schema 定义。

客户端发送 resources/list 请求,获取服务器提供的所有资源的列表。

步骤三:动态注册为 Function Callback

这是最核心的一步。Spring AI 获取到工具列表后,会为每一个 MCP 工具动态地创建一个 FunctionCallback 实例。

函数定义(Function Definition):使用从服务器获取的 JSON Schema 来构建 Function 对象,包含了函数名、描述和参数schema。

函数执行(Function Execution):当 LLM 决定调用某个函数时,Spring AI 会找到对应的 FunctionCallback。这个回调函数内部会通过 MCP 协议向服务器发送 tools/call 请求,并将 LLM 生成的参数传递过去。

结果返回:MCP 服务器执行工具,返回结果。Spring AI 将该结果返回给 LLM,让 LLM 基于结果生成最终的回复给用户。

步骤四:集成到 AI 对话中

这些动态生成的 FunctionCallback 会被聚合到一个 FunctionCallbackRegistry 中。当你使用 ChatClient 并开启函数调用功能时,这些 MCP 工具就会自动成为可用的选项。

c 复制代码
@Bean
public ChatClient chatClient(ChatModel chatModel, List<FunctionCallback> toolFunctionCallbacks) {
    // 所有 MCP 工具生成的 FunctionCallback 都会被自动注入到这里
    return ChatClient.builder(chatModel)
                    // .defaultFunctions() // 也可以选择默认启用所有函数
                    .build();
}

现在,当你发起一个对话时,如果用户的提问涉及到 MCP 工具(例如:"查看下本地的天气"),LLM 就会自主选择调用相应的 MCP 工具函数,完成服务调用。

3. 代码示例:调用多个服务

假设你的 MCP 服务器提供了两个工具:get_weather(获取天气)和 search_files(搜索文件)。

1. 配置 (application.yml)

c 复制代码
yaml
spring:
  ai:
    mcp:
      clients:
        weather-server:
          type: sse
          url: http://localhost:8000/sse
        file-server:
          type: stdio
          command: "node /path/to/my-file-server.js"
    chat:
      model: openai:gpt-4o-mini

2. Java 代码使用

你不需要为每个工具手动编写代码。Spring AI 会自动完成所有繁重的工作。

c 复制代码
@RestController
public class McpController {

    private final ChatClient chatClient;

    public McpController(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    @GetMapping("/ask")
    public String ask(@RequestParam String question) {
        // 用户的问题可能同时涉及天气和文件搜索
        // LLM 会自动决定是否需要调用函数,以及调用哪一个或哪几个
        Prompt prompt = new Prompt(new UserMessage(question));
        ChatResponse response = chatClient.call(prompt);
        return response.getResult().getOutput().getContent();
    }
}

交互流程示例:

用户输入: "我旧金山今天的天气怎么样?然后再帮我找个文件名包含'季度报告'的文档。"

LLM 推理: 这个问题需要两个步骤:先查天气,再搜文件。

Action 1: LLM 决定调用 get_weather 函数,参数 {"location": "San Francisco"}。

Spring AI 通过 MCP 调用天气服务器的工具。

天气服务器返回 JSON 格式的天气数据。

Action 2: LLM 收到天气结果后,决定调用 search_files 函数,参数 {"query": "季度报告"}。

Spring AI 通过 MCP 调用文件服务器的工具。

文件服务器返回文件列表。

最终回复: LLM 综合天气结果和文件列表,生成一段连贯的自然语言回复给用户:"旧金山今天晴,气温22度。我找到了3个包含'季度报告'的文件:..."

总结

Spring AI 实现 MCP 多服务调用的方式可以概括为:

协议层:基于 MCP 协议(SSE/Stdio)与一个或多个服务器通信。

适配层:在启动时自动发现所有远程工具和资源。

抽象层:将每个远程工具动态封装成一个 Spring AI FunctionCallback。

执行层:在 AI 对话过程中,由 LLM 驱动,通过对应的 FunctionCallback 透明地执行 MCP 函数调用,并将结果返回给 LLM。

多服务:通过配置多个客户端实例,轻松集成多个不同的 MCP 服务器,所有这些服务器的工具都会统一注册到 Spring AI 的上下文中,供 LLM 选择使用。

这种方式极大地简化了集成工作,开发者只需关注配置和业务逻辑,无需编写大量的胶水代码,真正实现了"开箱即用"的多工具AI应用开发。

相关推荐
chaofan9801 小时前
如何用 Claude Code 搭建安全、可测、可自动化的 GitHub CI 流程?
运维·人工智能·ci/cd·ai·自动化·github·claude
Zz_waiting.2 小时前
Spring 统一功能处理 - 拦截器与适配器
java·spring·拦截器·适配器·dispatcher
珹洺2 小时前
Java-Spring入门指南(十一)代理模式与Spring AOP实战
java·spring·代理模式
JAVA学习通2 小时前
微服务项目->在线oj系统(Java-Spring)--增删改
java·开发语言·spring
双普拉斯3 小时前
Spring WebFlux调用生成式AI提供的stream流式接口,实现返回实时对话
java·vue.js·人工智能·后端·spring
bcgbsh3 小时前
关于处理大批量数据下载和查询时,怎么进行限流和熔断处理(AI)
ai
Elastic 中国社区官方博客5 小时前
如何在 vscode 里配置 MCP 并连接到 Elasticsearch
大数据·人工智能·vscode·elasticsearch·搜索引擎·ai·mcp
麦兜*5 小时前
Redis高可用架构设计:主从复制、哨兵、Cluster集群模式深度对比
java·数据库·spring boot·redis·spring·spring cloud·缓存
王嘉俊9255 小时前
Redis 入门:高效缓存与数据存储的利器
java·数据库·redis·后端·spring·缓存·springboot
Cosmoshhhyyy8 小时前
MCP:cursor、claude code接入chrome-devtools-mcp。
ai·mcp