一、前言

前面我们学习的是RAG增强检索生成，也就是静态知识库，原理是通过指定对应的文档上下文，结合用户上下文，让大模型去指定文档中检索信息，最后响应。

二、MCP概念补充

这里我们将学一个新的技术——MCP，这个技术叫做模型上下文协议。通俗一点来讲就是动态知识库，但是即使这样讲也会感觉很模糊，所以我给出一个场景：

用户希望大模型在桌面创建一个test.txt文件，于是告诉大模型：我想在桌面创建一个test.txt文件。而大模型本身不具备操控设备的能力，于是它只能回复：我无法操作你的设备，你可以写一个脚本来实现一样的效果......

那现在有没有什么办法可以让大模型真正做到操控设备呢？

有，我们只要给大模型一个MCP服务，这个服务其实就是个简单的小项目，里面封装了各种操控设备的方法代码（相当于用Java代码实现和操作系统的交互）。

这时我们只需要通过配置让MCP客户端（大模型和MCP客户端在同一端）和MCP服务器连接上（事实上这一步很复杂，但是框架为我们隐藏了这些步骤），MCP服务就会告诉MCP客户端：我这里有操作设备的工具，这些工具的名字分别是xxx、xxx。

于是当用户想创建文件，大模型就会找到创建文件的指令，然后发（利用STDIO通信，以JSON-RPC的形式）给MCP服务，MCP服务会按照指令调用Java方法来向操作系统发命令，于是就创建出指定文件了。

这时操作系统就会传回一个成功的结果到MCP，MCP再传给大模型，大模型最后传给用户，于是用户就能收到：创建成功。

刚刚提到了  “ 通过配置让MCP客户端和MCP服务连接 ” ，其实这里面的步骤很复杂。

首先明确要MCP客户端、大模型、MCP服务的关系，我再用一个简洁的流程来表述：

用户告诉大模型创建文件 -> MCP客户端给大模型工具 -> 大模型根据用户需求选择工具 -> 大模型告诉MCP客户端需要调用的工具和参数 -> MCP客户端调用MCP服务 

连接阶段：

首先MCP服务中的方法需要使用@Tool注解标记，当MCP服务启动时，就会去扫描@Tool注解，然后将这些标记的方法包装成大模型可以理解的工具（包装成JSON Schema格式），最后将这些工具注册到MCP服务端的工具列表中。

在这个连接阶段中，MCP客户端其实就会向MCP服务端发出一个请求，获取工具列表，然后拿到所有可以使用的指令，最后传给大模型。

三、项目初始化

1.基本配置

首先升级框架为SpringAI为1.0.0-M6版本

    <properties>
        <spring-ai.version>1.0.0-M6</spring-ai.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>
        </dependencies>
    </dependencyManagement>

同时配置部分需要小做更改，这个版本的API和0.8.1版本不完全一样

@Configuration
public class OpenAIConfig {

    @Bean
    public TokenTextSplitter tokenTextSplitter() {
        return new TokenTextSplitter();
    }

    @Bean
    public OpenAiApi openAiApi(@Value("${spring.ai.openai.base-url}") String baseUrl, @Value("${spring.ai.openai.api-key}") String apikey) {
        return OpenAiApi.builder()
                .baseUrl(baseUrl)
                .apiKey(apikey)
                .build();
    }

    @Bean("openAiSimpleVectorStore")
    public SimpleVectorStore vectorStore(OpenAiApi openAiApi) {
        OpenAiEmbeddingModel embeddingModel = new OpenAiEmbeddingModel(openAiApi);
        return SimpleVectorStore.builder(embeddingModel).build();
    }

    @Bean("openAiPgVectorStore")
    public PgVectorStore pgVectorStore(OpenAiApi openAiApi, JdbcTemplate jdbcTemplate) {
        OpenAiEmbeddingModel embeddingModel = new OpenAiEmbeddingModel(openAiApi);
        return PgVectorStore.builder(jdbcTemplate, embeddingModel)
                .vectorTableName("vector_store_openai")
                .build();
    }

    @Bean
    public ChatClient.Builder chatClientBuilder(OpenAiChatModel openAiChatModel) {
        return new DefaultChatClientBuilder(openAiChatModel, ObservationRegistry.NOOP, (ChatClientObservationConvention) null);
    }

}

可以做一下配置对比(右1.0.0-M6，左0.8.1)：

同理Ollama配置也要改：

@Configuration
public class OllamaConfig {

    @Bean("ollamaSimpleVectorStore")
    public SimpleVectorStore vectorStore(OllamaApi ollamaApi) {
        OllamaEmbeddingModel embeddingModel = OllamaEmbeddingModel
                .builder()
                .ollamaApi(ollamaApi)
                .defaultOptions(OllamaOptions.builder().model("nomic-embed-text").build())
                .build();
        return SimpleVectorStore.builder(embeddingModel).build();
    }
    @Bean("ollamaPgVectorStore")
    public PgVectorStore pgVectorStore(OllamaApi ollamaApi, JdbcTemplate jdbcTemplate) {
        OllamaEmbeddingModel embeddingModel = OllamaEmbeddingModel
                .builder()
                .ollamaApi(ollamaApi)
                .defaultOptions(OllamaOptions.builder().model("nomic-embed-text").build())
                .build();
        return PgVectorStore.builder(jdbcTemplate, embeddingModel)
                .vectorTableName("vector_store_ollama_deepseek")
                .build();
    }

这里使用了VectorDB的图形化界面，并创建了三张表供后续使用。

2.项目结构

四、基本使用

熟悉了MCP的概念后再去使用MCP就比较容易了：

首先，想让MCP客户端连接服务端就需要一个配置，指定服务端所在地方，这里我放到了Maven本地仓库中，事实上这个服务端就是个jar包，所以需要用参数中传-jar来启动，同时还要开启stdio通信，用于大模型和MCP客户端的相互通信。

{
  "mcpServers": {
    "filesystem": {
      "command": "npx.cmd",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem@2025.3.28",
        "C:/Users/\u5370\u4e1c\u5347/Desktop"
      ]
    },
    "mcp-server-computer": {
      "command": "java",
      "args": [
        "-Dfile.encoding=utf-8",
        "-Dspring.ai.mcp.server.stdio=true",
        "-jar",
        "D:/apache-maven-3.9.11/mvn_resp/ai-mcp-knowledge-test/mcp-server-computer-1.0.0.jar"
      ]
    }
  }
}

同时别忘了让配置生效：（这里可能会说无法解析，可忽略）

  ai:
    mcp:
      client:
        stdio:
          servers-configuration: classpath:/config/mcp-servers-config.json

进行测试：

@Slf4j
@RunWith(SpringRunner.class)
@SpringBootTest
public class MCPTest {

    @Resource
    private ChatClient.Builder chatClientBuilder;

    @Autowired
    private ToolCallbackProvider tools;

    @Test
    public void test() {
        String userInput = "";
        userInput = "请列出你当前可调用的MCP工具名称。";

        var chatClient = chatClientBuilder
                .defaultTools(tools)
                .defaultOptions(OpenAiChatOptions.builder()
                        .model("gpt-4.1-mini")
                        .build())
                .build();

        System.out.println("\n>>> QUESTION: " + userInput);
        System.out.println("\n>>> ASSISTANT: " + chatClient.prompt(userInput).call().content());
    }

}

测试如下：

相同的，这个也可以实现：

    @Test
    public void test_tool() {
        String userInput = "创建C:/Users/\u5370\u4e1c\u5347/Desktop/电脑.txt，内容为hello。请直接执行";
        var chatClient = chatClientBuilder
                .defaultTools(tools)
                .defaultOptions(OpenAiChatOptions.builder()
                        .model("gpt-4.1-mini")
                        .build())
                .build();

        System.out.println("\n>>> QUESTION: " + userInput);
        System.out.println("\n>>> ASSISTANT: " + chatClient.prompt(userInput).call().content());
    }

这里有几个需要注意的地方：

1.只能使用OpenAi，因为我们部署DeepSeek的版本不支持MCP。

2.尽量选择gpt-4.1-mini，这个消耗token会慢一些。