标签：Java MCP Function Calling Agent j-langchain McpAgentExecutor 工具调用
前置阅读：Java Agent 集成 MCP 工具协议：让 AI 真正驱动企业系统 → MCP + Function Calling：让模型自主驱动工具链完成多步推理
适合人群：已配置好 MCP 工具，不想手写 Function Calling 循环的 Java 开发者

---

一、上篇留下的样板代码

上篇文章实现了一个完整的"MCP + Function Calling"多步推理链路，核心部分大致是这样的：

// 循环条件：有 ToolCall 就继续
Function<Integer, Boolean> shouldContinue = round -> { ... };

// 工具执行处理器：解析 ToolCall → 执行 MCP → 写回 Observation
TranslateHandler<Object, AIMessage> executeMcpTool = new TranslateHandler<>(msg -> {
    // 把 ToolCall 记入历史
    // 解析工具名和参数
    // 执行 mcpManager.runForInput(...)
    // 把结果以 ToolMessage 写回 Prompt
    ...
});

// 组装链路
FlowInstance chain = chainActor.builder()
    .next(prompt)
    .loop(shouldContinue, llm, chainActor.builder()
        .next(Info.c(needsToolExecution, executeMcpTool), Info.c(...))
        .build())
    .next(new StrOutputParser())
    .build();

这段代码的结构是正确的，理解它对掌握底层原理很有价值。但如果项目中有多个 Agent 都要接 MCP 工具，每次都写这些样板代码就显得多余了。

McpAgentExecutor 把这些逻辑封装进去，对外只暴露真正需要配置的部分：用哪个模型、加载哪组工具、系统提示写什么。

---

二、最简示例：五行代码完成多步工具调用

@Test
public void mcpManagerAgent() {

    McpAgentExecutor agent = McpAgentExecutor.builder(chainActor)
        .llm(ChatAliyun.builder().model("qwen3.6-plus").temperature(0f).build())
        .tools(mcpManager, "default")       // 加载 mcp.config.json 的 default 工具组
        .systemPrompt("你是一个智能助手，可以调用工具获取信息后回答用户问题。")
        .maxIterations(5)
        .onToolCall(tc -> System.out.println(">> Tool call: " + tc))
        .onObservation(obs -> System.out.println(">> Observation: " + obs))
        .build();

    ChatGeneration result = agent.invoke("帮我查一下我的公网 IP 是什么？");

    System.out.println("\n=== 最终答案 ===");
    System.out.println(result.getText());
}

.tools(mcpManager, "default") 这一行做了上篇需要手写的所有准备工作：读取 mcp.config.json 中 default 分组的工具列表，转成 Function Calling 所需的 JSON Schema，注册给模型。

---

三、执行效果

>> Tool call: ToolCall(id=..., function=get_export_ip, arguments={})
>> Observation: 123.117.177.40

=== 最终答案 ===
你的公网 IP 为 123.117.177.40。

如果换一个需要多步推理的问题，例如"查我的公网 IP 并告诉我当前天气"，模型会在同一次 invoke 中自动完成多轮 ToolCall，整个过程对调用方完全透明：

>> Tool call: get_export_ip → 123.117.177.40
>> Tool call: get_ip_location → {"city": "Dongcheng Qu", "latitude": 39.91, ...}
>> Tool call: get_weather_open_meteo → {"temperature": 18.3, "weathercode": 1}

=== 最终答案 ===
你位于北京市东城区，当前气温 18.3°C，天气晴朗。

工具数量、调用顺序、参数拼装全部由模型决定，开发者只需保证所需工具在 mcp.config.json 的同一分组中。

---

四、与上篇手写版本的对比

维度	手写 Function Calling 循环（文章 11）	McpAgentExecutor（本篇）
代码量	~60 行（循环、处理器、链路组装）	~10 行
循环逻辑	自己维护 shouldContinue 和处理器	框架内置
ToolCall 解析	手动解析 JSON、写回 ToolMessage	框架自动处理
调试能力	完全自定义日志位置	onToolCall / onObservation 回调
适合场景	需要在循环内插入自定义逻辑	标准工具调用，无需定制

两种方式并不互斥。McpAgentExecutor 处理不了的场景（比如工具调用前需要做权限校验，或者需要根据中间结果动态切换工具组），退回手写循环即可。

---

五、Builder 参数说明

参数	必填	说明
llm(...)	✅	支持 Function Calling 的模型，如阿里云 qwen3.6-plus、OpenAI gpt-4o
tools(mcpManager, group)	✅	从 McpManager 加载指定分组的工具
systemPrompt(...)	✅	告诉模型它能做什么，以及任务的约束条件
maxIterations(n)	可选	最大工具调用轮次，默认 5；复杂任务可适当调大
onToolCall(...)	可选	每次 ToolCall 触发时的回调，可用于埋点、审计
onObservation(...)	可选	工具执行结果回调，可用于实时展示进度

---

六、几个实用建议

System Prompt 要具体。笼统的"你是智能助手"往往不够用，最好说明任务目标和约束，例如：

你是一个网络诊断助手，可以调用工具检测公网 IP、查询地理位置和天气。
请按需调用工具，获取足够信息后直接给出结论，不要询问用户额外信息。

按业务域拆分工具组。mcp.config.json 支持多个分组，建议按职责拆分，不同 Agent 加载各自需要的组：

{
  "network": ["get_export_ip", "get_ip_location"],
  "weather": ["get_weather_open_meteo"],
  "crm":     ["query_customer", "update_order"]
}

这样做有两个好处：模型不会因为看到不相关的工具而产生错误调用；每个分组的工具列表更短，Function Calling 的准确率更高。

maxIterations 留有余量但不要过大。一般按预估最大 ToolCall 次数 +2 来设置。设得过大时，如果模型陷入重复调用，会消耗更多 Token 才能触发终止条件。

---

七、总结

McpAgentExecutor 解决的问题很直接：上篇手写的那 60 行样板代码，现在 10 行搞定，内部机制完全相同。

工具的维护和 Agent 的逻辑彻底分离——改工具只需改 mcp.config.json，改 Agent 行为只需改 systemPrompt 和 maxIterations，两者互不影响。

如果你需要让 Agent 同时操作文件系统、数据库等 NPX MCP 服务器，下一篇会介绍 McpClient 版本的 McpAgentExecutor，接入方式与本篇基本一致。

---

📎 相关资源

• 完整示例：Article12McpManagerAgent.java，对应方法 mcpManagerAgent()
• 工具配置：mcp.config.json
• j-langchain GitHub：https://github.com/flower-trees/j-langchain
• j-langchain Gitee 镜像：https://gitee.com/flower-trees-z/j-langchain
• 运行环境：需配置阿里云 API Key，示例模型 qwen3.6-plus