SpringAI实用-MCP

MCP Java SDK提供了模型上下文协议的Java实现，通过同步和异步通信模式，实现了与AI模型和工具的标准化交互。
Spring AI通过专用的引导启动器和MCP Java注解为MCP提供全面支持，使得构建能够无缝连接到外部系统的复杂AI驱动应用程序更简单。在Spring AI 中集成 MCP，可以将 Spring Boot 应用打造成一个标准的 MCP 服务器，或者让AI 应用通过 MCP 客户端去调用各种外部服务。开发人员可以参与到MCP生态系统的两个方面——构建使用MCP服务器的AI应用程序，以及创建向更广泛的AI社区提供基于Spring的服务的MCP服务器。

在没有 MCP 之前，如果想让 AI 读取本地文件、查询数据库或调用 API，开发者需要为每一个模型（如 Claude、GPT）和每一个工具（如文件系统、PostgreSQL）编写专门的连接代码，这导致了 N个模型 × M个工具 的接口爆炸问题。

现在，工具开发者只需按照 MCP 标准实现一个“服务器”，任何支持 MCP 的 AI 应用（如 Cursor、Claude Desktop）都可以通过“客户端”即插即用地调用它。

2、MCP核心架构：三大角色

MCP 采用客户端-服务器（Client-Server）架构，主要包含三个核心角色：

2.1、Host (主机)-直接面向用户的AI应用

是用户直接交互的界面。比方：Cursor 编辑器、Claude Desktop、Cherry Studio 等。负责发起连接、管理会话、展示结果。

2.2、Client (客户端)

内置于 Host 中的通信中间件，是模型的“翻译官”。

职责：将模型的意图转换为标准的 JSON-RPC 请求，发送给 Server；再将 Server 的响应返回给模型。

2.3、Server (服务器)

外部能力和数据的提供者。比方：一个能操作文件系统的程序、一个能查询天气的 API 服务。

职责：封装并暴露具体的功能，等待 Client 的调用。

有两种模式：

远程 SSE 模式（推荐用于生产环境、微服务架构、多客户端共享，支持负载均衡、服务解耦）。

本地 Stdio 模式（推荐用于本地开发、单用户工具）。

3、MCP核心能力

MCP可以向 AI 暴露三种标准化的能力：

原语	控制权	能力	典型场景
Resources (资源)	应用/服务器	提供只读数据	读取本地文件、查询数据库表结构、获取知识库内容
Tools (工具)	模型	执行可写/可操作的函数	发送邮件、运行代码、调用第三方 API、控制设备
Prompts (提示)	用户	提供预定义的工作流模板	代码生成模板、报告撰写模板、客服话术

4、在 Spring AI 中集成 MCP

在 Spring AI 中，MCP 的集成主要分为两种模式：

作为 MCP Server：将Spring Boot 应用变成一个 MCP 服务器，对外暴露工具和数据。
作为 MCP Client：让Spring AI 应用通过 MCP 协议去调用外部的 MCP 服务器。

4.1、构建MCP Server

将 Spring Boot 应用打造为 MCP Server，将现有的业务逻辑封装成 MCP 工具，供任何 MCP 客户端调用。

STDIO（本地模式）：用于本地开发调试，Client 将 Server 作为子进程启动。

远程模式又分为WebMVC和WebFlux (Reactive)两种：用于生产环境，支持跨服务、跨机器调用。

4.1.1、添加 MCP 依赖和配置

4.1.1.1、STDIO（本地模式）

Client 将 Server 作为子进程启动。Server 端需要打包成可执行 JAR，并配置为 Stdio 模式（禁用 Web 容器）。

<dependencies>
    <!-- Spring AI MCP Server Starter -->
    <dependency>
		<groupId>org.springframework.ai</groupId>
		<artifactId>spring-ai-starter-mcp-server</artifactId>
	</dependency>
</dependencies>

配置属性：spring.ai.mcp.server.stdio=true

spring:
  main:
    web-application-type: none # 禁用 Web 容器，纯控制台应用
  ai:
    mcp:
      server:
        stdio: true # 启用 Stdio 模式

注意：打包后，需要能通过 java -jar xxx.jar 命令在命令行启动它。

4.1.1.2、WebMVC或WebFlux

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

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

属性：

spring.ai.mcp.server.protocol=SSE or empty
spring.ai.mcp.server.protocol=STREAMABLE（流式）
spring.ai.mcp.server.protocol=STATELESS（无状态）

server:
  port: 8081 # Server 独立端口

spring:
  ai:
    mcp:
      server:
        name: order-service
        version: 1.0.0
        # 协议选择：SSE (推荐) 或 STREAMABLE
        protocol: SSE

4.1.2、定义 MCP 工具

创建一个 Spring 组件，并使用 @Tool 注解来标记想要暴露的方法。

import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.stereotype.Component;

@Component
public class MyBusinessTools {

    /**
     * 暴露一个查询订单状态的工具
     */
    @Tool(description = "根据订单ID查询订单的当前状态")
    public String getOrderStatus(@ToolParam(description = "订单的唯一标识符") String orderId) {
        // 这里是你真实的业务逻辑，例如查询数据库
        return "订单 " + orderId + " 的状态是：已发货";
    }
}

4.1.3、配置 MCP Server

创建一个配置类，将工具注册到 MCP Server 中。

import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.ai.tool.method.MethodToolCallbackProvider;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class McpServerConfig {

    @Bean
    public ToolCallbackProvider myToolsProvider(MyBusinessTools myBusinessTools) {
        // 使用 MethodToolCallbackProvider 自动扫描 @Tool 注解的方法
        return MethodToolCallbackProvider.builder()
                .toolObjects(myBusinessTools)
                .build();
    }
}

远程模式完成以上配置后，启动Spring Boot 应用，确保它在 http://your-server-ip:8081 可访问。它现在就是一个标准的 MCP Server，默认会通过sse (Server-Sent Events) 暴露 getOrderStatus 工具。

4.2、在 Spring AI 应用中使用 MCP Client

这个模式允许Spring AI 应用去调用外部的 MCP 服务，例如百度的地图服务或一个本地的文件系统服务。

4.2.1、添加 MCP Client 依赖

<dependencies>
    <!-- Spring AI MCP Client Starter -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-mcp-client</artifactId>
    </dependency>
</dependencies>

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

4.2.2、配置外部 MCP Server

在 application.yml 中声明要连接的外部 MCP 服务。

4.2.2.1、远程

使用 streamable-http 或 sse 配置块来连接远程地址。

spring:
  ai:
    mcp:
      client:
        enabled: true
        # 对应服务端的协议，这里使用 streamable-http 兼容 SSE
        streamable-http:
          connections:
            weather-server: # 连接别名
              url: http://localhost:8082 # 服务端地址
            order-server: # 连接别名
              url: http://localhost:8081 # 服务端地址

4.2.2.2、本地Stdio

Client 会将 Server 作为一个子进程启动，通过标准输入/输出流通信。适合单机开发调试。

Client 需要知道如何启动 Server 进程。

spring:
  ai:
    mcp:
      client:
        enabled: true
        stdio:
          connections:
            my-local-server:
              # 启动命令
              command: java
              # 启动参数，指向你的 MCP Server JAR 包
              args:
                - -jar
                - /absolute/path/to/your/mcp-server.jar

或

spring:
  ai:
    mcp:
      client:
        enabled: true
        # 配置要连接的 MCP Server
        stdio: 
          # 使用 JSON 配置文件定义服务器
          servers-configuration: classpath:/mcp-servers.json

然后，在 src/main/resources/mcp-servers.json 文件中定义服务器配置。

注意：路径必须是绝对路径。Windows 用户如果使用 npx 等脚本，需要用 cmd.exe /c 包裹命令。

{
  "mcpServers": {
    "local-weather": {
      "command": "java",
      "args": [
        "-jar",
        "/absolute/path/to/your/mcp-server.jar"
      ]
    }
  }
}

或者连接一个本地的文件系统 MCP 服务器：

[
  {
    "name": "filesystem",
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "/path/to/your/allowed/directory"
    ]
  }
]

4.2.3、将 MCP 工具注入 ChatClient来调用

本地Stdio和远程调用代码完全一致，Spring AI 会自动处理进程间通信。

Spring AI会自动发现配置的MCP客户端，并将其提供的工具注册为一个 ToolCallbackProvider。我们只需要将其注入到 ChatClient 中即可。

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class AiClientConfig {

    @Bean
    public ChatClient chatClient(ChatClient.Builder builder, ToolCallbackProvider tools) {
        // 将 MCP 发现的工具注册到 ChatClient
        // 模型现在就可以自动调用 filesystem 服务器的工具了
        return builder
                .defaultToolCallbacks(tools)
                .build();
    }
}

现在，当使用这个 chatClient 提问时，“查询订单状态”就会调用远程服务。

例如“帮我列出 /path/to/your/allowed/directory 目录下的所有文件”，模型会自动判断需要调用 MCP 工具，Spring AI 会通过 MCP 协议与外部服务器通信，执行操作，并最终将结果整合后返回。

5、服务注册、发现、负载均衡

目前，原生的 Spring AI 框架本身并不具备服务注册、发现和负载均衡的能力。是 Spring AI Alibaba 项目特有的，并且需要与 Nacos 注册中心（3.1.0 及以上版本，因为该版本才正式引入了面向 AI Agent 的 A2A (Agent-to-Agent) 注册中心功能）配合使用。

核心是：MCP Server 将自身信息（包括工具元数据）注册到 Nacos，MCP Client 则从 Nacos 获取服务列表，并基于此实现智能路由和负载均衡调用。

如前面目录所写，原生的需配置固定的地址，不具备服务发现、动态感知上下线或负载均衡的能力。

另外Alibaba还支持高可用（当某个 Server 实例宕机，Client 会自动感知并切换到其他健康实例。），智能路由（通过 Nacos MCP Router 组件，可根据工具描述进行智能路由，而不仅是简单的负载均衡。）

5.1、服务注册

整个流程的起点，由 MCP Server 端主动完成。

启动与收集：当基于 Spring AI Alibaba 开发的 MCP Server 应用启动时，框架会自动收集当前实例的信息。不仅包括常规的 IP、端口、协议类型（SSE），最关键的是会收集该实例提供的所有 MCP 工具（Tools）的定义和描述。
注册到 Nacos：随后，NacosMcpRegister 组件会将这些服务器元数据和工具列表一并注册到 Nacos 注册中心。
动态更新：如果 Server 的工具发生变更（例如新增或修改了工具），它会自动将最新的工具元数据同步到 Nacos，确保注册中心的信息是最新的。

这一步将传统的“服务实例注册”升级为“服务能力（工具）注册”，为后续的智能发现奠定了基础。

5.2、服务发现

服务发现由 MCP Client 端驱动，它不再需要硬编码 Server 的地址，而是从 Nacos 动态获取。

订阅服务：MCP Client 在启动时，会连接到 Nacos，并订阅它所依赖的 MCP 服务。
获取实例列表：Nacos 会将当前可用的、符合要求的 MCP Server 实例列表推送给 Client。Client 会在本地维护一个可用的 Server 实例连接池。
感知变更：当有新的 MCP Server 实例上线或旧实例下线时，Nacos 会实时通知 Client。Client 会自动更新其内部的连接池，实现了对服务实例变更的动态感知。

5.3、负载均衡

负载均衡发生在 MCP Client 调用工具的时刻。

选择实例：当 AI 模型决定调用某个 MCP 工具时，请求会交给 Spring AI MCP Client 处理。Client 会从它维护的可用 Server 实例连接池中，根据内置的负载均衡策略（通常是轮询）选择一个具体的实例。
发起调用：Client 通过选中的 Server 实例的 SSE 端点，发起工具调用请求。
故障转移：如果调用失败（例如目标实例宕机），Client 会自动重试，并选择另一个健康的实例进行调用，从而实现高可用。

5.4、Nacos MCP Router 的智能路由

除了基础的负载均衡，Spring AI Alibaba 还提供了更高级的 Nacos MCP Router 组件，它作为一个智能代理层，能实现更复杂的调度。

工具聚合：Router 本身也是一个 MCP Server，它从 Nacos 注册中心获取所有后端 MCP Server 的工具信息，并将它们聚合成一个统一的工具列表暴露给上层的 AI Agent。
智能筛选：当 AI Agent 发起一个任务时，Router 可以根据任务描述，智能地筛选出最相关的几个 MCP Server，而不是简单地进行轮询。
代理调用：AI Agent 只需与 Router 交互，Router 会负责将工具调用请求代理到最终选定的后端 MCP Server 上，并将结果返回。

这种方式不仅实现了负载均衡，还引入了基于语义的智能路由，大大提升了 AI 调用工具的效率和准确性。

流程解析：

注册：多个 MCP Server 实例启动后，各自将自己的信息和提供的工具列表注册到 Nacos。
发现：Nacos MCP Router 从 Nacos 中拉取并订阅所有 MCP Server 的工具信息。
调用：AI Agent 只需连接 Router，并向其发起工具调用请求。
路由：Router 根据请求内容，智能地从后端 Server 池中选择一个最合适的实例，代理完成调用。

通过这套机制，MCP 应用获得了与微服务架构同等的弹性伸缩、高可用和动态治理能力。

6、WebMvc 和 WebFlux

Spring WebMvc 和 Spring WebFlux 都是 Spring 框架用于构建 Web 应用的模块，但它们的设计理念和适用场景有显著区别。WebMvc 是经典的同步阻塞模型，而 WebFlux 是为高并发设计的异步非阻塞响应式模型。

WebMvc 理解为传统的“一对一服务”模式，而 WebFlux 则是高效的“一对多服务”模式。

对比维度	Spring WebMvc	Spring WebFlux
I/O 模型	同步阻塞	异步非阻塞
线程模型	每个请求占用一个独立线程 (Thread-per-Request)	少量固定线程处理海量请求 (Event-Loop)
编程模型	命令式 (Imperative)	响应式 (Reactive)
数据返回类型	直接返回对象或集合	返回 `Mono<T>` (0-1个元素) 或 `Flux<T>` (0-N个元素)
底层依赖	必须依赖 Servlet 容器 (如 Tomcat, Jetty)	默认使用 Netty，也可兼容 Servlet 容器
背压支持	不支持	支持，可防止快速生产者压垮慢速消费者

线程模型与I/O处理，是两者最根本的区别，决定了它们在不同场景下的性能表现。

6.1、Spring WebMvc：同步阻塞模型

工作原理：当一个 HTTP 请求到达时，服务器会从线程池中分配一个专门的线程来处理它。这个线程会一直“阻塞”并等待整个请求处理流程完成，包括业务逻辑、数据库查询、外部 API 调用等 I/O 操作。在此期间，该线程无法处理其他任何请求。
类比：就像餐厅里的一位服务员，从点餐、下单、等菜到上菜，全程只服务于一桌客人。如果厨房出菜慢，服务员就只能干等着，无法去接待新来的客人。
缺点：在高并发场景下，大量的 I/O 等待会迅速耗尽线程池资源，导致系统吞吐量下降。

6.1.1、适合使用 Spring WebMvc 的场景

CPU 密集型应用：应用主要进行大量计算（如图像处理、复杂算法），而非 I/O 等待，WebMvc 的线程模型能更好地利用 CPU 资源。
传统的 CRUD 应用：对于业务逻辑简单、并发量不高的企业后台、管理系统等，WebMvc 开发效率高，生态成熟，是更简单直接的选择。
依赖阻塞式库：如果项目重度依赖传统的 JDBC、JPA 或 MyBatis 等阻塞式数据访问框架，使用 WebFlux 无法发挥其非阻塞优势，反而会增加复杂度。

6.2、Spring WebFlux：异步非阻塞模型

工作原理：当一个请求到达时，WebFlux 会用一个事件循环线程快速处理，一旦遇到 I/O 操作（如查询数据库），它会立即将 I/O 任务提交出去，然后释放当前线程去处理下一个请求。当 I/O 操作完成后，会通过回调机制通知系统，再由事件循环线程回来处理剩余逻辑并返回响应。
类比：就像一位高效的服务员，为客人点完餐后，立刻将单子交给厨房，然后马上去服务下一桌客人。当厨房的菜准备好后，会按铃通知，服务员再过来上菜。一个服务员可以轻松服务多桌客人。
优点：用极少的线程就能处理海量并发连接，尤其适合 I/O 密集型应用，资源利用率极高。

6.2.1、适合使用 Spring WebFlux 的场景

I/O 密集型高并发应用：当应用需要处理大量并发请求，且大部分时间花在等待数据库、调用第三方 API 或读写文件时，WebFlux 能显著提升系统吞吐量和性能。
微服务 API 网关：网关需要聚合多个下游服务的调用结果。WebFlux 可以轻松地并行发起多个非阻塞请求，总耗时约等于最慢的那个服务耗时，效率远高于串行调用。
实时数据流处理：对于需要推送实时数据的应用，如股票行情、即时通讯、Server-Sent Events (SSE) 等，WebFlux 的响应式流模型是天然的选择。

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

AtomGit开源社区

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究（Python代码实现）

VMD-CNN-LSTM模型是一种结合了变分模态分解(VMD)、卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合预测模型。数据预处理：收集历史电力负荷数据，并进行必要的清洗和规范化处理，以消除异常值和噪声。VMD分解：利用VMD技术对预处理后的负荷数据进行分解，将其分解为多个固有模式函数(IMF)。每个IMF分量代表原始信号中不同频率的成分，有助于分离噪声和信号，并揭示隐藏在复杂负荷数据中

AtomGit开源社区

【一次调频】考虑储能电池参与一次调频技术经济模型的容量配置方法（Matlab代码实现）

规模间歇电源并网引起的电网频率问题,导致对引入储能辅助调频的研究越发迫切。提出一种考虑储能电池参与一次调频技术经济模型的容量配置方法。阐述了储能电池功率和容量设计的通用方法;通过分析储能电池在调频运行过程中的成本和效益,基于全寿命周期理论,运用净现值法结合仿真模型构建储能电池参与一次调频的技术经济模型;