大模型开发: MCP

✅什么是MCP？

MCP，全称是 Model Context Protocol（模型上下文协议）。它是由 Anthropic 开源，旨在解决大模型与外部世界"沟通不畅"的问题。

首先需要理解的是：它不是一个具体的框架或技术，而是一个通用开源标准协议 ，用于安全、高效地连接智能体应用与外部工具。其核心理念就是赋予智能体应用类似 USB 接口 的功能：只需遵守统一的协议，就能标准化地调用各种外部工具，从而实现即插即用。你完全可以把 MCP 理解为是智能体连接外部工具的 USB 接口。

比如，以前如果你想让大模型读取你的数据库，你必须为这个特定的智能体写一段专门的 function call 代码。如果你换一个智能体，这代码可能就得重新写一遍。现在有了 MCP 后，你只需要把数据库的一些列操作包装成一个 MCP Server 。任何支持 MCP 的客户端（如 Claude Desktop, Cursor，Cline等）都能直接连接上这个server使用工具，无需重复造轮子。

借助MCP，工具都遵循统一的调用协议，智能体则能够更加丝滑地与外部工具交互。社区中已经公开了大量可用的 MCP Server 工具，而这些工具的功能和能力，将直接决定智能体在实际任务中的执行效果。

MCP 和 Function Call 有什么区别？

在理解了 MCP 的整体架构之后，我们再回到一个核心问题：**MCP 与传统的 Function Call 有什么区别？**从表面上看，二者似乎都是为了让智能体调用工具，但实际上，它们在抽象层级、复用能力和工程复杂度上有着本质差异。

Function Call 流程痛点：

在传统的 Function Call 模式中，整个流程本质上是一种 "硬编码式集成" 。每次的工具集成，都是一次完整的开发，不可避免的就回重复造轮子、强耦合。所有环节都要由开发者自己实现。

并且这些逻辑全部都必须得在智能体内部"写死"。如果智能体数量增加，则每个智能体的接入代码都要重复书写。随着工具规模扩大，系统的耦合度越来越高，智能体的扩展成本也会急剧上升。

下面引用一张MCP官网的架构图来进行说明，MCP是如何解决Function call的硬编码问题的。

MCP 通过清晰的 Client--Server 分层架构 解决了传统 Function Call 的"强耦合、难扩展、难管理"问题。工具不再需要嵌入到智能体内部，而是以独立的 MCP Server 暴露能力；Client 负责通过 JSON-RPC 与 Server 进行能力协商与通信；智能体则统一管理权限、上下文整合与大模型的调用。这样一来，工具接入不再需要在智能体中硬编码逻辑，功能边界更清晰，智能体也能通过工具的组合与复用轻松扩展。

通俗来讲，Function Call 是**"智能体直接带着自制的工具去工作"** ，而 MCP 则通过一套标准的协议与架构，把工具变成独立服务，由智能体统一调度，就像**"在工具商店，挑选专业制造商制造的工具去工作"**。智能体只需通过协议查询和调用，无需了解工具的内部实现即可直接使用，从而真正实现了工具的模块化、标准化和可插拔化。

MCP 工作流程

下面用一张图，描述一下智能体通过MCP是如何来工作的。

第一阶段：初始化（工具说明获取） 智能体初始化的时候，会通过 MCP 协议向所有连接的 MCP Server 使用JSON-RPC 协议请求工具说明书。MCP Server 负责提供并确保这些说明书是标准化的JSON格式。

第二阶段：决策（大模型规划） 智能体将用户的原始问题和获取到的所有标准化工具说明，一同发送给大模型。大模型根据这些信息进行规划，并返回一个清晰的工具调用指令。

第三阶段：调用（执行与结果回传） 智能体接收到指令后，立即通过 MCP 协议 请求对应的 MCP Server 执行工具操作。MCP Server 完成实际的工具逻辑（如数据库查询），并将原始执行结果返回给智能体。

第四阶段：总结（生成最终回复） 智能体将用户原始问题+工具执行的最终结果+完整的对话历史，再次发回给大模型。大模型基于这个结果进行总结，生成一段自然语言回复，输出给用户。

我们可以看到在初始化和调用阶段 ，我们都用到了MCP协议 。在初始化阶段 ，它通过标准化的 JSON-RPC 协议解决了工具说明书获取 的问题，确保了工具说明书的可读性。而在调用阶段，MCP 协议则将大模型指令转发给 Server 执行实际操作，确保了工具的执行逻辑。

工具调用的本质

通过上述流程，我们可以清晰地界定智能体与大模型的职责：大模型 在工具调用中扮演的始终是决策者 和规划者 的角色，它只负责输出调用哪个工具、传入什么参数的指令。而工具调用的实际执行者 ，其实是智能体本身（智能体框架基本都封装好了）。是智能体接收到大模型的决策指令后，才会去请求服务、执行操作并获取结果，大模型自身并不参与服务的实际调用。

不论是 Function Call 还是 MCP，它们在底层与大模型的交互，本质上都要回到同一种能力：向模型发送带有工具定义（schema）的对话请求，让模型基于这些标准化描述返回结构化指令 。下面的例子中，我们把用户消息与工具说明一起发送给模型，让模型根据工具说明生成 JSON 格式的函数调用参数。因此，从大模型的角度看，它始终只是在读取你提供的工具说明书（schema），并给出"该调用哪个工具、参数是什么"的结构化结果。

两者的区别只在于：Function Call 需要由应用自行构造工具说明并封装工具实现逻辑，而 MCP 将工具说明与工具执行逻辑都封装成独立的外部服务。

复制代码

POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions
{
  "model": "qwen-plus",
  "messages": [
    { "role": "user", "content": "帮我查询北京今天的天气" }
  ],
  "functions": [
    {
      "name": "getWeather",
      "description": "获取某个城市的实时天气",
      "parameters": {
        "type": "object",
        "properties": {
          "city": { "type": "string" }
        },
        "required": ["city"]
      }
    }
  ]
}

✅如何接入MCP Server？

目前主流已经有多款开发者常用的客户端（MCP Host）支持接入 MCP Server，其中最典型的有：

Cursor

一款面向开发者的智能编程编辑器，原生支持 MCP 协议。Cursor 能通过 MCP 自动从外部系统获取上下文（如代码库、API、数据库等），并在对话或编辑过程中调用工具（tools），几乎是目前最完整的 MCP 客户端。

VS Code Cline

Cline 是 VS Code 中的智能体工作流扩展，它内部基于 MCP 协议与外部工具交互。通过接入 MCP Server，Cline 可以调用你提供的工具、访问资源或工作环境，让 VS Code 也具备了可调用外部工具的能力，最重要的是完全免费。

Claude Desktop

Claude 官方桌面客户端也已经内置 MCP 支持。Claude 可以能读取你的资源、执行工具、调用你注册的服务，这让 Claude 不再只是一个聊天助手，而是真正能够帮助你的智能体。

VS Code Cline

接下来我们以 Cline 为例来介绍下，如何接入 MCP Server？

首先你需要安装一个VS Code，各位可以去官网自行下载：Visual Studio Code - The open source AI code editor

安装完成后，打开VS Code的插件管理，然后在箭头的输入框中，搜索Cline这个插件，安装即可。

安装成功后，我们点击左边的机器人图标，即可进入Cline。

为了使用这个智能体助手，当然我们需要先配置大模型，点击右上角的齿轮按钮，进入设置界面，配置相应的大模型，这边你用千问的话，可以跟我保持一致，使用Open Compatiable。

到这里你就已经拥有了一个智能助手了，只是这个智能助手只有大脑，没有四肢，没法调用工具。我们可以简单尝试提问一下。

接下来我们就开始配置MCP Server，给这个智能体装上四肢。

MCP Server

NodeJs

在安装之前，我们还需要安装一下nodejs环境，因为大部分的stdio传输的MCP server都是基于nodejs开发的。可以自行去官网下载：Node.js --- 在任何地方运行 JavaScript

我本地的nodejs版本如下，各位安装完成后，可以执行这个命令看下是否安装成功。

接入工具

Cline 中内置了一个MCP Server 仓库，可以方便的供你使用，点击三条杠的图标即可看到

在搜索框输入"FILE SYSTEM"，我们安装一个操作本地文件的工具试试效果。

安装的时候，Cline 会请求让你同意执行某些脚本，但这些脚本在实际执行中，会存在一些问题，比如他生成的这种命令。

复制代码

cd C:\Users\Lenovo\Documents\Cline\MCP\filesystem-server && npx @modelcontextprotocol/create-server filesystem

其实你直接同意执行他是会报错的，因为windows是不允许这种 && 操作的。所以你在使用这种方式的时候，是需要一些门槛的，你需要自己判断他命令是否正确，然后选择执行，这种方式既浪费大模型的token，稳定性也比较差。

其实我们的目标就是想去安装一个：npx @modelcontextprotocol/create-server filesystem，并接入到智能体中来而已。那正确的做法应该是怎么样的呢？

点击Installed，再点击Configure MCP Servers，我们可以看到右边会有一个可编辑的JSON文件。如何来配置这个JSON文件呢？

我们点击进入到刚才FILE SYSTEM那个菜单，点击就会跳转到MCP Servers官方的仓库中：

类似如下的链接：

https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem

往下翻，我们可以看到它提供了很多接入的方式，我们选择使用npx的方式来接入：

将这块内容copy到我们刚才的settings.json文件中，并做出略微的修改，让MCP服务只操作我们本地的桌面文件，然后保存。

复制代码

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:/Users/Lenovo/Desktop"
      ]
    }
  }
}

但是windows环境跟其他环境不太一样，他在使用npx mcp的时候，必须需要调整一下命令格式，变成如下：

复制代码

{
  "mcpServers": {
    "filesystem": {
      "command": "cmd",  // 固定增加cmd
      "args": [
        "/c",   // 固定增加/c
        "npx",  // 后面保持与原版一致
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:/Users/Lenovo/Desktop"
      ]
    }
  }
}

我们可以看到这时候MCP Server的后面的小圆灯就变成了绿色，说明我们的配置成功了。filesystem下面的红色的文字是一些告警，不用管它。

为了演示整体的效果，接下来我们再接入一个联网搜索的tavily工具：

可以在这个地址申请相应的APIKEY：https://app.tavily.com/home

复制代码

{
  "mcpServers": {
    "filesystem": {
      "command": "cmd",
      "args": [
        "/c",
        "npx",
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:/Users/Lenovo/Desktop"
      ]
    },
    "tavily-search": {
      "command": "cmd",
      "args": [
        "/c",
        "npx",
        "-y",
        "tavily-mcp"
      ],
      "env": {
        // 替换成自己的API_KEY
        "TAVILY_API_KEY": "tvly-dev-XXXXXXXXXXXXXXXXXXXXXX"
      },
      "autoApprove": []
    }
  }
}

完成之后，点击右上角的Done按钮，我们试着提问一下："帮我搜索下今天南京的天气如何，并将结果保存在桌面上。

可以看出这个小助手已经成功帮我们完成了任务。目前市面上有很多的MCP Server仓库，有着大量的MCP工具供我们拿来即用，我们不需要再像以前一样，自己去写文件操作，或者联网查询的function。使用mcp，就可以快速扩展我们的智能体能力

MCP Server 仓库

MCP Server 仓库可以理解为一个集中管理的工具插件库，里面收录了各种已经实现好的能力模块，例如文件操作、数据库访问、搜索引擎等等。智能体只要接入其中的某个 MCP Server，就能立刻获得对应的能力，无需重复造轮子。可以理解为就是Java 的 Maven 仓库：开发者不必从头实现工具，而是像引入依赖一样，直接接入即可用，让智能体的能力扩展变得标准化、模块化、可插拔。


仓库名称	地址
MCP 官方服务器仓库	https://github.com/modelcontextprotocol/servers
Awesome MCP Servers	https://github.com/punkpeye/awesome-mcp-servers
GitHub MCP Server 仓库	https://github.com/github/github-mcp-server
CLine 专属 MCP 市场	https://cline.bot/mcp-marketplace
mcpservers.org	https://mcpservers.org/
阿里云百炼 MCP 服务市场	https://bailian.console.aliyun.com/?spm=5176.29619931.J__Z58Z6CX7MY__Ll8p1ZOR.1.3b24521cr2ypKX\&tab=mcp#/mcp-market
Cursor 专属 MCP 资源库	https://cursor.directory/mcp
Smithery 平台	https://smithery.ai/
mcp.so 平台	https://mcp.so/
Glama MCP 服务器集合	https://glama.ai/mcp/servers
Portkey MCP Servers	https://portkey.ai/mcp-servers
modelscope 社区	https://modelscope.cn/mcp

✅实战：使用Spring AI开发MCP Server

Stdio

Stdio 模式通过标准输入输出与客户端通信，服务器启动后直接在控制台读写 JSON-RPC 消息，适合本地轻量化工具或无需网络的场景，要求控制台输出完全干净，保证客户端能够正确解析消息。

复制代码

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-mcp-server-webmvc</artifactId>
</dependency>

如果你的项目是响应式的，可以用这个包，但是不要和mvc混用，在IO密集的接口调用时会发生阻塞卡死。

复制代码

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

Stdio 模式要求你的程序运行时，控制台输出必须是纯 JSON（JSON-RPC），不能有任何多余字符，所以必须关闭 web、关闭 banner、关闭所有日志输出。否则智能体只要解析 stdout 就会报错。

复制代码

spring:
  main:
    web-application-type: none
    banner-mode: off

  ai:
    mcp:
      server:
        name: mcp-server
        version: 1.0.0
        stdio: true
        enabled: true
        type: SYNC

logging:
  level:
    root: OFF

编写工具，以最经典的天气查询工具为例：

复制代码

@Service
public class WeatherService {

    @Tool(description = "根据城市名称查询天气信息")
    public String getWeather(String city) {
        if (city == null) {
            return "请提供城市名称";
        }
        return switch (city) {
            case "北京" -> "北京: 晴, 25°C";
            case "上海" -> "上海: 多云, 22°C";
            case "深圳" -> "深圳: 小雨, 28°C";
            default -> city + ": 下雪, -20°C";
        };
    }
}

将MCP工具注入到ToolCallbackProvider之中

复制代码

@Bean
public ToolCallbackProvider weatherTools(WeatherService weatherService) {
    // 自动扫描 WeatherService 中带有 @Tool 注解的方法
    return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();
}

配置到Cline之中，无需启动springboot，直接在Cline中配置 java jar 启动即可，看下效果

复制代码

{
  "mcpServers": {
    "weather-stdio": {
      "disabled": false,
      "timeout": 60,
      "type": "stdio",
      "command": "java",
      "args": [
        "-jar",
        "D:\\LLMentor\\LLMentor\\mcp\\mcp-server-stdio\\target\\mcp-server-stdio-1.0.0-SNAPSHOT.jar"
      ]
    }
  }
}

复制代码

HTTP SSE

SSE（Server-Sent Events）模式基于 HTTP，采用双端点架构：sse-message-endpoint 是 MCP Client 用来向服务器发送请求、调用工具的接口，客户端通过约定的 JSON-RPC 协议将参数传入并获取响应。sse-endpoint 则是 MCP Client 用来监听服务器主动推送消息的通道，比如工具列表更新、状态变更等。二者配合构成了 MCP SSE 的核心通信机制，使客户端既能主动发起操作，也能实时接收服务器推送的变化，实现双向互动和高效协作。

这边和 Stdio 引入相同的jar包即可。再修改配置文件：

复制代码

server:
  port: 8003

spring:
  application:
    name: mcp-weather-sse
  ai:
    mcp:
      server:
        enabled: true
        name: weather-sse-server
        version: 1.0.0
        type: SYNC
        capabilities:
          tool: true
          resource: false
          prompt: false
          completion: false
        sse-message-endpoint: /mcp/messages   # 客户端发送消息的HTTP endpoint ("写信发消息")
        sse-endpoint: /sse                    # 客户端订阅SSE的endpoint （"听收音机"）

MCP 工具的代码与 Stdio 的保持一致，我们启动这项目，在浏览器中访问这个地址，就可以看到如下结果：

这说明我们已经与 mcp server 建立起了长连接，这个 data:/mcp/messages?sessionId=ef851aab-c3d9-4f5e-8e48-f43dee764e9e，就是指向的你发消息的端点，你可以通过向这个端点发送请求，从而和mcp server实现能力协商。我们在 ✅深入理解MCP技术原理（中）介绍了json-rpc的生命周期，正好我们借此，深入讲解一下SSE的原理，使用 postman 调用端点接口，窥探一下整个流程。

首先我们先进行初始化：

可以看到我们的长连接已经收到了 mcp server 初始化成功的消息：

接下来我们需要告知mcp server，我的客户端也准备就绪了：

接下来就开始去查询可用工具列表了

我们可以看到监听信息，获取到了我们之前创建的查询天气的工具以及详细的参数。这个地方有中文乱码，因为浏览器默认当成 ISO-8859-1 编码，我们可以修改下application.yml的配置，强制输出utf-8编码即可解决。

复制代码

server:
  port: 8003
  servlet:
    encoding:
      charset: UTF-8
      force: true
      enabled: true

最后我们再发起一次调用，查看结果：

可以看到我们成功获取到了json-rpc格式的标准结果。是不是这样实操调用后，我们对mcp的json-rpc调用理解就更加深入了呢。接下来，我们还是一样使用 Cline 来接入这个SSE。

复制代码

{
  "mcpServers": {
    "weather-sse": {
      "type": "sse",
      "url": "http://127.0.0.1:8003/sse",
      "autoApprove": [],
      "timeout": 60,
      "disabled": false
    }
  }
}

Streamable HTTP

StreamableHTTP 是MCP在2025年3月26日 正式提出的最新官方传输标准，用来改进传统 SSE 在长连接、大数据流和双端点管理上的局限。它通过 单一 HTTP 端点 实现请求发送与流式响应接收，支持 断续重连和未确认消息重发，保证长时间任务或增量输出的稳定可靠，同时简化了客户端与服务器的交互模型，是官方推荐替代SSE的方案。我们直接去修改我们的配置文件：

复制代码

server:
  port: 8004
  servlet:
    encoding:
      charset: UTF-8
      force: true
      enabled: true

spring:
  application:
    name: mcp-weather-streamable
  ai:
    mcp:
      server:
        ## 这个地方改成STATELESS，就是无状态模式
        protocol: STREAMABLE
        name: streamable-mcp-server
        version: 1.0.0
        type: SYNC
        instructions: "这个服务是用来查询城市天气的。"
        resource-change-notification: true
        tool-change-notification: true
        prompt-change-notification: true
        streamable-http:
          mcp-endpoint: /api/mcp
          keep-alive-interval: 30s

protocol：STREAMABLE：表示开启 Streamable HTTP 模式；instructions：用于定义 MCP Server 的提示词，指导模型行为；streamable-http.mcp-endpoint：指定服务的端口路径，与SSE的不同，这边一个端口就可以实现双向通信；keep-alive-interval：设置 HTTP 连接心跳间隔，保证长连接稳定。

其中protocol 还可以直接切换成 STATELESS。在无状态模式下，MCP Server 不会在内存中保存客户端会话，也不会分配或要求Mcp-Session-Id。每个请求都是独立处理的，服务器不会记录多轮对话历史或流式事件状态。这种模式适合单次调用、无历史依赖的工具或 API，例如一次性计算、查询数据库、或者获取即时信息的场景，不需要断点重连或多轮交互。

由于无状态模式无法保留上下文或中途恢复，它不适合依赖会话连续性的多轮交互、长连接流式推送或复杂工具链操作；但它的优势是 简单、易扩展、适合 serverless 或微服务架构。

同样的工具代码，这边不多做赘述，我们启动项目**，访问mcp-endpoint这个端点。**

还是和 SSE 的生命周期流程一样，必须先初始化：

这个地方需要注意的是，请求头必须按照如下方式设置才能访问。

MCP 的 Streamable HTTP 协议规定，服务端可能会根据情况返回 SSE 流（Server-Sent Events）或者普通的 JSON 响应。因此，规范要求客户端必须在 Header 里声明它能同时处理这两种格式。

然后我们可以在响应头中，获取到一个很重要的参数叫做：Mcp-Session-Id

后续的请求，必须在请求头里设置这个Mcp-Session-Id才可以正常访问。

我们直接略过其他步骤，直接调用一下试试效果：

我们可以看到我使用的这种流式访问，已经能够可以正常的返回结果了。

另外如果是无状态模式，需要使用纯POST请求，而不是SSE请求来调用，才能获取到结果：

同样我们接入到Cline里看看效果。

复制代码

{
  "mcpServers": {
    "weather-streamable": {
      "url": "http://127.0.0.1:8004/api/mcp",
      "type": "streamableHttp",
      "timeout": 60,
      "disabled": false
    }
  }
}

值得一提的是，Spring AI 的mcp server同样支持pojo类作为入参和出参。

改造一下我们的tool的出参和入参：

复制代码

@Tool(
    name = "query_weather_by_city&date",
    description = "根据城市和日期获取天气信息"
)
public WeatherResponse queryWeather(WeatherRequest request) {
    try {
        // 模拟调用api
        Thread.sleep(10000);
    } catch (InterruptedException e) {
        throw new RuntimeException(e);
    }
    double temp = Math.random() * 15 + 10;
    
    return new WeatherResponse(
        request.getCity(),
        request.getDate(),
        request.getI(),
        request.getS(),
        "晴朗，有微风",
        temp
    );
}

@Data
public class WeatherRequest {
    @ToolParam(description = "城市")
    private String city;

    @ToolParam(description = "日期")
    private String date;

    @ToolParam(description = "区县")
    private String i;

    @ToolParam(description = "街道")
    private String s;
}

请尽量使用 @ToolParam 来说明参数的值，不加的话，如果你的字段名比较简单，大模型也能够识别，但是当业务比较复杂的时候，大模型不一定会理解你的业务字段，这就会有问题了。

我这边故意用了两个比较含糊的字段"i"和"s"，看下效果，大模型通过ToolParam的描述也能识别出字段的真实含义了。

✅MCP 调试工具

MCP Inspector 是 MCP官方推出的一款可视化调测与调试工具，旨在帮助开发者快速验证 MCP 服务器的实现是否符合规范，并便捷地查看工具（tools）、资源（resources）、事件（events）等内容。它以一个独立的 Web UI 运行，能够与本地或远程 MCP Server 建立连接，实时展示通信内容，是目前最方便的 MCP 开发辅助工具之一。

安装要求本地有nodeJs环境：++https://nodejs.org/zh-cn++

本地打开cmd，启动命令，不指定版本，默认下载最新版本：

复制代码

npx @modelcontextprotocol/inspector@latest

目前最新版本是0.17.5。然后我们就可以打开浏览器访问：http://localhost:6274/

右上角的Transport Type 包含3种类型：Stdio，SSE，Streamable

Streamable HTTP

我们选择Streamable 来尝试连接一下，在URL的输入框填写：http://127.0.0.1:8004/stream/test/api/mcp

点击Connect。

连接成功后，我们点击Tab页签的Tools，就可以看到所有的工具列表了，不但如此，我们还可以在线调试：

点击工具名称 → 填写参数 → Run Tool → 获取结果

SSE

同样还是在URL输入：http://localhost:8003/test/sse

这个我在使用旧版本的时候，inspector0.7.0，是不支持带前缀的SSE的，新版本已经解决了这个BUG。

并且这个工具也不认自签名证书，所以在本地调试的时候，需要改成HTTP来调试。正常情况下，我们也不会在springboot项目里直接使用https，生产上更常见的方式其实是用nginx来转发https的。

Stdio

同样这个工具也支持本地服务，这边简单演示一下：

复制代码

java -jar D:/LLMentor/LLMentor/mcp/mcp-server-stdio/target/mcp-server-stdio-1.0.0-SNAPSHOT.jar