Solon MCP 与 Spring AI 在现有服务改造中的全面对比：易用性与扩展性深度分析
一、背景与概述
随着人工智能技术的快速发展，将 AI 能力集成到现有 Java 服务中已成为企业数字化转型的关键需求。在这一背景下，MCP（Model Context Protocol）作为一种新兴的开放标准，正在成为连接大语言模型与外部工具和数据源的桥梁。Solon MCP 和 Spring AI 作为两种主流的 Java 开发框架，都提供了对 MCP 协议的支持，但在设计理念、技术实现和适用场景上存在显著差异。
Solon 是新一代的 Java 企业级应用开发框架，它从零开始构建，不依赖 Java-EE，具有灵活的接口规范和开放生态，旨在替代 Spring 生态系统。Solon AI 是 Solon 框架在 AI 领域的扩展，提供了完整的智能体应用开发支持，包括 MCP 协议实现。而 Spring AI 是 Spring 官方推出的 AI 应用开发框架，旨在将 AI 能力无缝集成到 Spring 生态系统中。
对于已经构建了大量 Java 服务的企业来说，选择合适的 AI 集成框架至关重要。本文将从易用性 和扩展性两个维度，深入分析 Solon MCP 相较于 Spring AI 在现有服务改造场景下的优势，帮助开发者做出明智的技术决策。
1.1 技术架构概览
Solon MCP 和 Spring AI 在技术架构上存在明显差异：
| 维度 | Spring AI MCP | Solon AI MCP |
|---|---|---|
| JDK 版本要求 | 仅支持 JDK 17+ | 支持 JDK 8+ |
| 架构设计 | 模块化三层架构（客户端 / 服务器层、会话层、传输层） | 轻量化设计，类似 MVC 开发风格 |
| 开发复杂度 | 需配置较多组件（如 ToolCallbackProvider、协议版本协商） | 极简配置（仅需 @McpServerEndpoint 注解） |
| 传输协议支持 | 原生支持 SSE（HTTP 流式）和 STDIO（进程间通信） | 同样支持 SSE 和 STDIO，但配置更简化 |
| 扩展性 | 深度整合 Spring 生态（如 Spring Boot Starter、依赖注入） | 灵活嵌入多框架（Spring Boot2/3、JFinal、Vert.x） |
| 生态与社区 | 背靠 Spring 官方生态，文档完善，社区活跃 | 国产框架，生态逐渐完善，侧重轻量化和本土化需求 |
二、易用性对比分析
在现有服务改造过程中，易用性直接影响开发效率和项目周期。Solon MCP 在以下几个方面展现出明显优势：
2.1 开发门槛与学习曲线
Solon MCP 采用了极简的开发模型，大幅降低了学习门槛：
声明式开发模型 ：Solon MCP 采用注解驱动的开发方式，开发者只需使用@McpServerEndpoint和@ToolMapping等注解，即可快速将现有服务转换为 MCP 服务。这种方式与传统的 Web 开发习惯高度一致，显著降低了学习成本。
@McpServerEndpoint(sseEndpoint = "/mcp/sse")
@Mapping("/web/api")
@RestController
public class McpServerTool {
@ToolMapping(description = "查询天气预报")
@GetMapping("get\_weather")
public String get\_weather(@ToolParam(description = "城市位置") String location) {
return "晴，14度";
}
@ToolMapping(description = "查询城市降雨量")
@GetMapping("get\_rainfall")
public String get\_rainfall(@ToolParam(description = "城市位置") String location) {
return "555毫米";
}
}统一参数注解 ：Solon AI v3.3.0 移除了专用的ToolParam注解，改用更通用的Param注解，保持了与 Solon 生态的一致性，降低了开发者的记忆负担。
相比之下，Spring AI MCP 需要配置较多组件（如ToolCallbackProvider、协议版本协商），学习曲线较陡。开发者需要熟悉 Spring 的三层架构设计和众多配置类，这对于不熟悉 Spring 生态的开发者来说有一定难度。
2.2 对现有代码的兼容性与迁移成本
Solon MCP 在兼容现有代码方面表现出色：
多框架支持：Solon AI 可以轻松嵌入到 Spring Boot2、Spring Boot3、JFinal、Vert.x 等框架中使用，这意味着企业无需完全重构现有系统即可引入 MCP 功能。
多种改造方案：Solon 提供了多种将现有 REST 服务转换为 MCP 服务的方案，包括：
-
复用 MVC 注解 ：在原有 MVC 注解基础上，给方法和参数添加描述信息
description，再添加@McpServerEndpoint注解即可。 -
添加完整的 MCP 相关注解：这种方案适用于 Spring Boot2-web、Spring Boot3-web、Spring-MVC 或 JFinal 等项目，原控制器的代码无需改动，只需添加 MCP 相关注解，就像添加 Swagger 注解一样。
一键迁移工具：Solon 提供了通过 OpenRewrite 将现有 REST 服务一键转换为 MCP 服务的工具，可节省 90% 的迁移成本。
相比之下，Spring AI 更强调与 Spring 生态的深度集成，对于非 Spring 项目的兼容性有限。如果企业使用的是其他框架（如 JFinal、Vert.x 等），迁移到 Spring AI 的成本较高。
2.3 配置复杂度与灵活性
Solon MCP 在配置方面提供了简洁而灵活的解决方案：
极简配置 ：Solon MCP 只需通过@McpServerEndpoint注解即可完成基本配置，例如指定 SSE 端点路径。
灵活的客户端配置：Solon MCP 客户端配置简单直观：
@Bean
public McpClientProvider mcpClientProvider() {
return McpClientProvider.builder()
.server("http://ai-service:8080/mcp")
.channel("sse") // 支持stdio和sse两种通道
.headerSet("Authorization", "Bearer " + System.getenv("MCP\_TOKEN"))
.httpProxy("http://proxy:8888") // 可选代理配置
.build();
}多环境支持：Solon MCP 可以轻松适应不同的运行环境，包括开发、测试和生产环境，通过简单的配置文件切换即可实现。
相比之下，Spring AI 虽然提供了丰富的配置选项，但也增加了配置的复杂性。开发者需要了解 Spring 的配置机制和各个 AI 模型的特定配置参数，这对于初学者来说可能会感到困惑。
三、实践
3.1 引入依赖
java
<dependency>
<groupId>org.noear</groupId>
<artifactId>solon-ai-mcp</artifactId>
</dependency>3.2 接口上添加mcp注解
- 控制器上添加mcp端点
java
@McpServerEndpoint(channel = McpChannel.SSE, name="demo1", mcpEndpoint = "/mcp/demo1/sse")2.方法添加ToolMapping
java
@ToolMapping(description = "发送邮件，title是文章标题, content是文章内容,sender是发送人,receiver是接收人,入参要是json对象，返回是发送成功的邮件id")
@PostMapping("sendMail")
public String sendMail(@Body @RequestBody InformationData data){
String content = data.getContent();
String sender = data.getSender();
String title = data.getTitle();
String receiver = data.getReceiver();
log.info("{}{}{}{}", sender, title, content, receiver);
return "SUCCESS"+System.currentTimeMillis();
}3.3 配置mcp服务端
3.4 测试
🌟 总结
通过MCP协议，你的Spring Boot接口可以轻松"升维"，成为大模型的"手和脚"！🤖🛠️ 这种改造不仅能提升AI应用的实用性，还能为你的业务打开新的智能化场景！🌈
如果你正在探索AI+传统系统的融合，不妨试试这个方案！记得点赞收藏哦～👍✨