观察Springboot AI-Function Tools 执行过程

Code88482025-11-14 16:04

观察Springboot AI-Function Tools 执行过程

Springboot AI-Function Tools 执行流程

构造一个Spring AI MCP Server

一个简易的查询公司员工的MCP Server工程Demo

下载MCP工程后达成JAR，并复制jar的完整路径

观察Springboot AI应用程序将MCP（Stdio）结合Deepseek的过程

单元测试

java 复制代码 
@Test
public void mcp_model_stdio_call_tool_test(){
    ServerParameters serverParameters = ServerParameters.builder("java")
            .args("-Dspring.ai.mcp.server.stdio=true", "-jar", "/Users/jiangyangang/gitee_project/ai-mcp-server-demo/target/ai-mcp-server-demo-1.0.0.jar")
            .env(null)
            .build();
    StdioClientTransport stdioClientTransport = new StdioClientTransport(serverParameters);

    McpSyncClient mcpSyncClient = McpClient.sync(stdioClientTransport).requestTimeout(Duration.ofSeconds(50L)).build();
    mcpSyncClient.initialize();

    OpenAiApi openAiApi = OpenAiApi.builder()
            .baseUrl("https://api.deepseek.com/")
            .completionsPath("v1/chat/completions")
            .embeddingsPath("v1/embeddings")
            .restClientBuilder(RestClient.builder().requestInterceptor(new RestClientFilter()))
            .apiKey("sk-529fb4e1f9e448b6bbe2a252a0f5c796")
            .build();

    OpenAiChatModel chatModel = OpenAiChatModel.builder()
            .openAiApi(openAiApi)
            .defaultOptions(OpenAiChatOptions.builder()
                    .model("deepseek-chat")
                    .build())
            .build();

    ChatClient chatClient = ChatClient.builder(chatModel)
            .defaultToolCallbacks(new SyncMcpToolCallbackProvider(mcpSyncClient).getToolCallbacks())
            .defaultAdvisors(new SimpleLoggerAdvisor())
            .build();
    String system = "你是一个查询员工信息的小助手，你可以通过我给你的MCP接口【getSalaryDetailInfo】来查询员工的信息，包括地址和职位";

    String content = chatClient
            .prompt(new SystemPromptTemplate(system).create())
            .user("员工蒋颜刚的职位是什么？")
            .call().content();
    System.out.println(content);
}

第一次对模型提问

提问内容（缩略）

在提问时，spring ai会在promote中加入**tools**字段来告诉模型现在有哪些MCP服务可以调用，

parameters ：mcp服务中需要提供哪些参数

name ：mcp服务接口名称

description ：mcp服务描述

required ：哪些字段是必须要传的

json 复制代码 
{
    "messages": [
        {
            "content": "你是一个查询员工信息的小助手，你可以通过我给你的MCP接口【getSalaryDetailInfo】来查询员工的信息，包括地址和职位",
            "role": "system"
        },
        {
            "content": "员工蒋颜刚的职位是什么？",
            "role": "user"
        }
    ],
    "model": "deepseek-chat",
    "stream": false,
    "tools": [
        {
            "type": "function",
            "function": {
                "description": "获取公司某个员工详细信息的接口",
                "name": "JavaSDKMCPClient_getSalaryDetailInfo",
                "parameters": {
                    "additionalProperties": false,
                    "type": "object",
                    "properties": {
                        "request": {
                            "type": "object",
                            "properties": {
                                "name": {
                                    "type": "string",
                                    "description": "员工名字"
                                }
                            },
                            "required": [
                                "name"
                            ]
                        }
                    },
                    "required": [
                        "request"
                    ]
                }
            }
        }
    ]
}

第一次模型返回

tool_calls ：AI应用重新应该调用哪些mcp服务

name ：mcp服务接口名字

arguments ：mcp服务接口字段和对应的参数

tool_call_id : 调用MCP服务的请求流水ID,由大模型生成

json 复制代码 
{
    "id": "6e069021-23b8-41d5-a8f7-44d06b20161a",
    "object": "chat.completion",
    "created": 1757908504,
    "model": "deepseek-chat",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "我来帮您查询员工蒋颜刚的职位信息。",
                "tool_calls": [
                    {
                        "index": 0,
                        "id": "call_00_sVqnvhaz8xn3O8aAq8MM6FsB",
                        "type": "function",
                        "function": {
                            "name": "JavaSDKMCPClient_getSalaryDetailInfo",
                            "arguments": "{\"request\": {\"name\": \"蒋颜刚\"}}"
                        }
                    }
                ]
            },
            "logprobs": null,
            "finish_reason": "tool_calls"
        }
    ],
    "usage": {
        "prompt_tokens": 225,
        "completion_tokens": 38,
        "total_tokens": 263,
        "prompt_tokens_details": {
            "cached_tokens": 0
        },
        "prompt_cache_hit_tokens": 0,
        "prompt_cache_miss_tokens": 225
    },
    "system_fingerprint": "fp_08f168e49b_prod0820_fp8_kvcache"
}

第二次对模型提问

在第二次提问时，AI应用程序会新增一个角色tool 用来告诉模型上一笔调用mcp的结果，大模型根据tool_call_id 就能够进行工具的关联。

json 复制代码 
{
    "messages": [
        {
            "content": "你是一个查询员工信息的小助手，你可以通过我给你的MCP接口【getSalaryDetailInfo】来查询员工的信息，包括地址和职位",
            "role": "system"
        },
        {
            "content": "员工蒋颜刚的职位是什么？",
            "role": "user"
        },
        {
            "content": "我来帮您查询员工蒋颜刚的职位信息。",
            "role": "assistant",
            "tool_calls": [
                {
                    "id": "call_00_sVqnvhaz8xn3O8aAq8MM6FsB",
                    "type": "function",
                    "function": {
                        "name": "JavaSDKMCPClient_getSalaryDetailInfo",
                        "arguments": "{\"request\": {\"name\": \"蒋颜刚\"}}"
                    }
                }
            ]
        },
        {
            "content": "[{\"text\":\"{\\\"address\\\":\\\"深圳\\\",\\\"job\\\":\\\"后端开发工程师\\\"}\"}]",
            "role": "tool",
            "name": "JavaSDKMCPClient_getSalaryDetailInfo",
            "tool_call_id": "call_00_sVqnvhaz8xn3O8aAq8MM6FsB"
        }
    ],
    "model": "deepseek-chat",
    "stream": false,
    "tools": [....]
}

第二次模型返回

json 复制代码 
{
    "id": "9e376a0e-8cb7-41f2-be98-b973996d418f",
    "object": "chat.completion",
    "created": 1757908508,
    "model": "deepseek-chat",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "根据查询结果，员工蒋颜刚的职位是**后端开发工程师**，工作地点在深圳。"
            },
            "logprobs": null,
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 287,
        "completion_tokens": 22,
        "total_tokens": 309,
        "prompt_tokens_details": {
            "cached_tokens": 256
        },
        "prompt_cache_hit_tokens": 256,
        "prompt_cache_miss_tokens": 31
    },
    "system_fingerprint": "fp_08f168e49b_prod0820_fp8_kvcache"
}

观察Springboot AI应用程序将MCP（sse）结合Deepseek的过程

修改并启动MCP服务

在ai-mcp-server-employee服务中加入webflux依赖

xml 复制代码 
<!-- sse 模式需要配置 webflux -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-mcp-server-webflux-spring-boot-starter</artifactId>
</dependency>

之后启动MCP服务

单元测试

java 复制代码 
@Test
public void mcp_model_sse_call_tool_test(){
   HttpClientSseClientTransport sseClientTransport = HttpClientSseClientTransport
           .builder("http://127.0.0.1:9102/")
           .sseEndpoint("sse")
           .build();

   McpSyncClient mcpSyncClient = McpClient.sync(sseClientTransport).requestTimeout(Duration.ofSeconds(5L)).build();
   mcpSyncClient.initialize();
//
   McpSchema.ListToolsResult listToolsResult = mcpSyncClient.listTools(null);

   System.out.println(JSONObject.toJSONString(listToolsResult));
   OpenAiApi openAiApi = OpenAiApi.builder()
           .baseUrl("https://api.deepseek.com/")
           .completionsPath("v1/chat/completions")
           .embeddingsPath("v1/embeddings")
           .restClientBuilder(RestClient.builder().requestInterceptor(new RestClientFilter()))
           .apiKey("sk-xxxx")
           .build();

   OpenAiChatModel chatModel = OpenAiChatModel.builder()
           .openAiApi(openAiApi)
           .defaultOptions(OpenAiChatOptions.builder()
                   .model("deepseek-chat")
                   .build())
           .build();

   ChatClient chatClient = ChatClient.builder(chatModel)
           .defaultToolCallbacks(new SyncMcpToolCallbackProvider(mcpSyncClient).getToolCallbacks())
           .defaultAdvisors(new SimpleLoggerAdvisor())
           .build();
   String system = "你是一个查询员工信息的小助手，你可以通过我给你的MCP接口【getSalaryDetailInfo】来查询员工的信息，包括地址和职位";

   String content = chatClient
           .prompt(new SystemPromptTemplate(system).create())
           .user("员工蒋颜刚的职位是什么？")
           .call().content();
   System.out.println(content);
}

第一次对模型提问

提问内容（缩略）

在提问时，spring ai会在promote中加入**tools**字段来告诉模型现在有哪些MCP服务可以调用，

parameters ：mcp服务中需要提供哪些参数

name ：mcp服务接口名称

description ：mcp服务描述

required ：哪些字段是必须要传的

json 复制代码 
{
    "messages": [
        {
            "content": "你是一个查询员工信息的小助手，你可以通过我给你的MCP接口【getSalaryDetailInfo】来查询员工的信息，包括地址和职位",
            "role": "system"
        },
        {
            "content": "员工蒋颜刚的职位是什么？",
            "role": "user"
        }
    ],
    "model": "deepseek-chat",
    "stream": false,
    **"tools": [
        {
            "type": "function",
            "function": {
                "description": "获取公司某个员工详细信息的接口",
                "name": "JavaSDKMCPClient_getSalaryDetailInfo",
                "parameters": {
                    "additionalProperties": false,
                    "type": "object",
                    "properties": {
                        "request": {
                            "type": "object",
                            "properties": {
                                "name": {
                                    "type": "string",
                                    "description": "员工名字"
                                }
                            },
                            "required": [
                                "name"
                            ]
                        }
                    },
                    "required": [
                        "request"
                    ]
                }
            }
        }
    ]**
}

第一次模型返回

tool_calls ：AI应用重新应该调用哪些mcp服务

name ：mcp服务接口名字

arguments ：mcp服务接口字段和对应的参数

tool_call_id : 调用MCP服务的请求流水ID,由大模型生成

json 复制代码 
{
    "id": "475fe411-4ac4-44d3-bc09-71a3ac895a73",
    "object": "chat.completion",
    "created": 1757683715,
    "model": "deepseek-chat",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "我来帮您查询蒋颜刚的职位信息。",
                **"tool_calls": [
                    {
                        "index": 0,
                        "id": "call_00_5JnhTbbmeICprFEMbzgnNkxJ",
                        "type": "function",
                        "function": {
                            "name": "JavaSDKMCPClient_getSalaryDetailInfo",
                            "arguments": "{\"request\": {\"name\": \"蒋颜刚\"}}"
                        }
                    }
                ]**
            },
            "logprobs": null,
            "finish_reason": "tool_calls"
        }
    ],
    "usage": {
        "prompt_tokens": 225,
        "completion_tokens": 37,
        "total_tokens": 262,
        "prompt_tokens_details": {
            "cached_tokens": 192
        },
        "prompt_cache_hit_tokens": 192,
        "prompt_cache_miss_tokens": 33
    },
    "system_fingerprint": "fp_08f168e49b_prod0820_fp8_kvcache"
}

第二次对模型提问

在第二次提问时，AI应用程序会新增一个角色**tool** 用来告诉模型上一笔调用mcp的结果，大模型根据**tool_call_id** 就能够进行工具的关联。

json 复制代码 
{
    "messages": [
        {
            "content": "你是一个查询员工信息的小助手，你可以通过我给你的MCP接口【getSalaryDetailInfo】来查询员工的信息，包括地址和职位",
            "role": "system"
        },
        {
            "content": "员工蒋颜刚的职位是什么？",
            "role": "user"
        },
        {
            "content": "我来帮您查询蒋颜刚的职位信息。",
            "role": "assistant",
            "tool_calls": [
                {
                    "id": "call_00_frX3BDPuCRge9oBnwKWgBiCY",
                    "type": "function",
                    "function": {
                        "name": "JavaSDKMCPClient_getSalaryDetailInfo",
                        "arguments": "{\"request\": {\"name\": \"蒋颜刚\"}}"
                    }
                }
            ]
        },
        {
            "content": "[{\"text\":\"{\\\"address\\\":\\\"深圳\\\",\\\"job\\\":\\\"后端开发工程师\\\"}\"}]",
            "role": "tool",
            "name": "JavaSDKMCPClient_getSalaryDetailInfo",
            "tool_call_id": "call_00_frX3BDPuCRge9oBnwKWgBiCY"
        }
    ],
    "model": "deepseek-chat",
    "stream": false,
    "tools": [
        {
            "type": "function",
            "function": {
                "description": "获取公司某个员工详细信息的接口",
                "name": "JavaSDKMCPClient_getSalaryDetailInfo",
                "parameters": {
                    "additionalProperties": false,
                    "type": "object",
                    "properties": {
                        "request": {
                            "type": "object",
                            "properties": {
                                "name": {
                                    "type": "string",
                                    "description": "员工名字"
                                }
                            },
                            "required": [
                                "name"
                            ]
                        }
                    },
                    "required": [
                        "request"
                    ]
                }
            }
        }
    ]
}

第二次模型响应

json 复制代码 
{
    "id": "f7d8c859-1858-4421-9ea3-361e754ed4ee",
    "object": "chat.completion",
    "created": 1757684702,
    "model": "deepseek-chat",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "根据查询结果，员工蒋颜刚的职位是**后端开发工程师**，工作地点在深圳。"
            },
            "logprobs": null,
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 286,
        "completion_tokens": 22,
        "total_tokens": 308,
        "prompt_tokens_details": {
            "cached_tokens": 256
        },
        "prompt_cache_hit_tokens": 256,
        "prompt_cache_miss_tokens": 30
    },
    "system_fingerprint": "fp_08f168e49b_prod0820_fp8_kvcache"
}

调用时序图

附录

POM依赖

xml 复制代码 
<!-- spring ai 1.0.0 https://central.sonatype.com/artifact/org.springframework.ai/spring-ai-bom -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-bom</artifactId>
    <version>1.0.0</version>
    <type>pom</type>
    <scope>import</scope>
</dependency>

<dependency>
     <groupId>org.springframework.ai</groupId>
     <artifactId>spring-ai-starter-model-openai</artifactId>
 </dependency>

 <dependency>
     <groupId>org.springframework.ai</groupId>
     <artifactId>spring-ai-starter-vector-store-pgvector</artifactId>
 </dependency>

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

 <dependency>
     <groupId>org.springframework.ai</groupId>
     <artifactId>spring-ai-tika-document-reader</artifactId>
 </dependency>

<dependency>
	  <groupId>com.alibaba</groupId>
	  <artifactId>fastjson</artifactId>
	  <version>2.0.28</version>
</dependency>
<dependency>
	  <groupId>org.apache.commons</groupId>
	  <artifactId>commons-lang3</artifactId>
	  <version>3.9</version>
</dependency>
相关推荐
韩立学长7 分钟前
基于Springboot课堂教学辅助系统08922bq1（程序、源码、数据库、调试部署方案及开发环境）系统界面展示及获取方式置于文档末尾，可供参考。
数据库·spring boot·后端
Dev7z16 分钟前
基于Matlab卷积神经网络的交通警察手势识别方法研究与实现
人工智能·神经网络·cnn
盖世英雄酱5813627 分钟前
java深度调试技术【第六七八章：宽字节与多字节】
java·后端
元拓数智42 分钟前
IntaLink：破解数仓建设痛点，重塑高效建设新范式
大数据·数据仓库·人工智能·数据关系·intalink
区块链小八歌1 小时前
从电商收入到链上资产：Liquid Royalty在 Berachain 重塑 RWA 想象力
大数据·人工智能·区块链
沃达德软件1 小时前
大数据反诈平台功能解析
大数据·人工智能
OAoffice1 小时前
智能学习培训考试平台如何驱动未来组织：重塑人才发展格局
人工智能·学习·企业智能学习考试平台·学练考一体化平台
岁月宁静1 小时前
LangChain + LangGraph 实战：构建生产级多模态 WorkflowAgent 的完整指南
人工智能·python·agent
Java中文社群1 小时前
重磅！N8N新版2.0发布！不再支持MySQL？
人工智能
热门推荐
01GitHub 镜像站点02【超详细教程】手把手教你从微软官网免费下载Windows 10官方原版ISO镜像（2025最新版）03UV安装并设置国内源04React CVE-2025-55182漏洞排查与修复指南05安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）06BongoCat - 跨平台键盘猫动画工具07本地部署阿里最新开源的Z-Image08Linux下V2Ray安装配置指南09Labelme从安装到标注：零基础完整指南10在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）