SpringAI 集成 MCP

当前项目把本地作为一个MCP client，调用外部的MCP Server

引入 Spring AI BOM 和 spring-ai-starter-mcp-client-webflux

xml 复制代码

<properties>
  <maven.compiler.source>17</maven.compiler.source>
  <maven.compiler.target>17</maven.compiler.target>
  <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
  <spring-ai.version>1.1.0</spring-ai.version>
  <spring-ai-alibaba.version>1.1.0.0-RC2</spring-ai-alibaba.version>
  <spring-ai-alibaba-extensions.version>1.1.0.0-RC2</spring-ai-alibaba-extensions.version>
</properties>
<dependencyManagement>
  <dependencies>
    <dependency>
      <groupId>org.springframework.ai</groupId>
      <artifactId>spring-ai-bom</artifactId>
      <version>${spring-ai.version}</version>
      <type>pom</type>
      <scope>import</scope>
    </dependency>
    <dependency>
      <groupId>com.alibaba.cloud.ai</groupId>
      <artifactId>spring-ai-alibaba-extensions-bom</artifactId>
      <version>${spring-ai-alibaba-extensions.version}</version>
      <type>pom</type>
      <scope>import</scope>
    </dependency>
    <dependency>
      <groupId>com.alibaba.cloud.ai</groupId>
      <artifactId>spring-ai-alibaba-bom</artifactId>
      <version>${spring-ai-alibaba.version}</version>
      <type>pom</type>
      <scope>import</scope>
    </dependency>
    <dependency>
      <groupId>com.fasterxml.jackson.core</groupId>
      <artifactId>jackson-core</artifactId>
      <version>2.17.0</version>
    </dependency>
    <dependency>
      <groupId>com.fasterxml.jackson.core</groupId>
      <artifactId>jackson-databind</artifactId>
      <version>2.17.0</version>
    </dependency>
    <dependency>
      <groupId>com.fasterxml.jackson.core</groupId>
      <artifactId>jackson-annotations</artifactId>
      <version>2.17.0</version>
    </dependency>
    <dependency>
      <groupId>com.fasterxml.jackson.datatype</groupId>
      <artifactId>jackson-datatype-jsr310</artifactId>
      <version>2.17.0</version>
    </dependency>
  </dependencies>
</dependencyManagement>
<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-mcp-client-webflux</artifactId>
</dependency>

在配置文件里声明 spring.ai.mcp.client.*

Spring AI Alibaba DashScope 配置

yaml 复制代码

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY:your-api-key-here}  # 从环境变量读取或使用默认值
      chat:
        options:
          timeout: 180000  # 超时时间180秒（3分钟）
      retry:
        max-attempts: 3  # 最大重试次数
        backoff:
          initial-interval: 2000  # 初始重试间隔2秒
          multiplier: 2  # 重试间隔倍数
          max-interval: 10000  # 最大重试间隔10秒

启动应用，让 Spring AI 自动装配 MCP Client，并生成 ToolCallbackProvider

看一下源码

java 复制代码

package org.springframework.ai.tool;

import java.util.List;

/**
 * Provides {@link ToolCallback} instances for tools defined in different sources.
 *
 * @author Thomas Vitale
 * @since 1.0.0
 */
public interface ToolCallbackProvider {

    ToolCallback[] getToolCallbacks();

    static ToolCallbackProvider from(List<? extends ToolCallback> toolCallbacks) {
        return new StaticToolCallbackProvider(toolCallbacks);
    }

    static ToolCallbackProvider from(ToolCallback... toolCallbacks) {
        return new StaticToolCallbackProvider(toolCallbacks);
    }

}

业务层在 ChatService.java和 ChatController.java注入 ToolCallbackProvider

java 复制代码

    @Autowired
    private ToolCallbackProvider tools;
    @Autowired
    private ToolCallbackProvider tools;
通过 tools.getToolCallbacks() 取出 MCP 工具
    /**
     * 获取工具回调列表，mcp服务提供的工具
     */
    public ToolCallback[] getToolCallbacks() {
        return tools.getToolCallbacks();
    }

把这些 callback 传给 ReactAgent.builder().tools(...)

java 复制代码

/**
     * 记录可用工具列表：mcp服务提供的工具
     */
    public void logAvailableTools() {
        ToolCallback[] toolCallbacks = tools.getToolCallbacks();
        logger.info("可用工具列表:");
        for (ToolCallback toolCallback : toolCallbacks) {
            logger.info(">>> {}", toolCallback.getToolDefinition().name());
        }
    }

如果还有本地 @Tool，用 methodTools(...) 和 MCP 的 .tools(...) 分开挂

总结

启动时序

Main 启动

-> Spring Boot 自动装配

-> 读取 MCP 配置

-> Spring AI MCP Client Starter 初始化

-> 建立 SSE MCP 连接配置

-> 生成 ToolCallbackProvider

-> 注入到 ChatService / ChatController

-> 业务代码创建 ReactAgent 时挂上 MCP tools

调用时序

前端 /api/chat 或 /api/chat_stream

-> ChatController

-> ChatService 创建 DashScopeChatModel

-> ChatService 创建 ReactAgent

methodTools(...) 挂本地工具
tools(...) 挂 MCP 远端工具

-> agent.call() / agent.stream()

-> 大模型决定是否调用 tool

-> 如果调用的是 MCP tool

-> ToolCallbackProvider 提供的 ToolCallback 被触发

-> Spring AI MCP Client 通过 SSE/HTTP 调外部 MCP Server

-> 工具结果返回给模型

-> 模型继续生成最终答案