AI想调用你的订单系统？只需统一接口，不用再为每个模型写适配

最近几个月，AI Agent 的热度持续攀升。我身边的 Java 后端朋友，或多或少都在尝试给项目接入 AI 能力——比如用 AI 查天气、查订单、帮用户处理问题。

但很快大家就会遇到一个共同的困惑：明明只是一个简单的“查天气”，却因为要对接 OpenAI、通义千问、Claude 等多个模型，写了一堆 if-else 和适配代码。更麻烦的是，当 AI 需要同时访问数据库、调用第三方 API、读取内部文件系统时，工具的接入方式五花八门，每个工具都要单独写一套调用逻辑。

几个月前，我在调研 AI 工具调用方案时偶然看到了 MCP（Model Context Protocol）。当时的第一反应是：这不就是 AI 界的“USB 接口标准”吗？如果每个工具都按统一规范实现一次 MCP 服务，那么任何支持 MCP 的 AI 应用都能直接调用——不用为每个模型重写适配，不用为每个工具单独对接，一套规范打通所有。

本文就从 Java 后端的视角，聊聊 MCP 协议到底是什么，以及如何在实际项目中真正用起来。

一、为什么你的 AI 项目需要 MCP？

在之前的文章中，我们聊过 Spring AI Alibaba 的 Function Calling 能力——通过 @Tool 注解，可以让 AI 自动调用 Java 方法。这个功能确实很强大，但落地过程中，你会发现一个深层问题：虽然 Function Calling 解决了“让 Agent 能调用工具”的问题，但始终没有解决“工具如何标准化”的问题。

举个例子。项目初期用 OpenAI 的 Function Calling，实现了一个天气查询工具和一个订单查询工具。半年后业务扩张，团队决定接入通义千问，结果发现两个模型的工具调用协议完全是两套——参数格式不同、返回值结构不同、错误处理方式也不同。于是你不得不重写一遍工具适配代码。这种重复劳动，会随着工具的增多和模型的切换不断增加。

MCP 就是为了解决这个“工具标准化”问题而生的。 MCP（Model Context Protocol）是由 Anthropic（Claude 的母公司）提出的开放协议，专门用于规范 AI 应用与外部工具之间的标准化交互。它定义了一套与模型无关的通信标准，让任意 AI 模型可以通过统一接口调用任意工具。

这里用“USB-C 接口”来类比可能更容易理解：以前每个设备都有自己的充电头，出门得带一堆线。USB-C 统一了标准后，一根线能充所有设备。

MCP 给 Java AI 开发带来的核心价值有三点：工具提供方一次开发 MCP Server，所有支持 MCP 的 AI 应用都能直接调用，无需定制开发，这就是标准化层面的价值；工具的开发与使用完全解耦，Agent 团队只需引入 MCP Client，无需关心工具的具体实现细节，这就是解耦层面的优势；更关键的是，MCP Client 可以动态发现 Server 提供的工具列表、工具描述和参数 schema，无需在代码中预先硬编码——新增工具时业务代码零改动。

二、MCP 协议架构：Client-Server 三层模型

理解 MCP 的架构，有助于更好地使用它。MCP 基于 JSON-RPC 2.0 构建，采用标准的 Client/Server 架构，并分层设计。

顶层是 Client/Server 层，McpClient 管理客户端操作和服务端连接，负责工具发现和调用执行；McpServer 处理服务端协议操作和客户端请求，负责向外暴露工具和资源。

中间是 Session 会话层，McpSession 作为核心会话管理接口，McpClientSession 和 McpServerSession 分别负责客户端和服务端的会话状态维护。

底层是 Transport 传输层，McpTransport 负责处理 JSON-RPC 消息的序列化和反序列化，支持 STDIO（进程间通信，适用于本地命令行工具）、SSE（基于 HTTP 长连接的事件流，适用于网络通信）和 Streamable-HTTP 等多种传输方式。

在设计理念上，MCP 定义了三种基本元素：Tools（可调用函数，AI 可调用执行查询数据库、调用 API 等操作）、Resources（只读数据源，供 AI 获取上下文信息）、Prompts（可复用的提示词模板）。一个典型的 MCP 交互流程是：Client 启动时从 Server 获取工具列表；用户提问后，Client 发送包含上下文和参数的结构化请求；Server 路由到对应工具执行，并通过 Server-Sent Events 流式返回结果。

三、实战一：用 Spring AI Alibaba 快速接入 MCP 服务

理论知识说再多，不如直接动手。下面我们以一个最典型的场景—— “用 AI 查询天气和路线规划” 为例，演示如何作为 MCP Client 接入第三方 MCP 服务。

3.1 添加依赖

在 Spring Boot 项目的 pom.xml 中添加如下依赖：

<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
        <version>1.1.2.0</version>
    </dependency>
    <!-- MCP Client 核心启动器 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-mcp-client</artifactId>
        <version>1.1.2</version>
    </dependency>
</dependencies>

其中 spring-ai-starter-mcp-client 是关键，它提供 MCP Client 的自动配置，包括按配置创建 MCP Client、初始化连接、发现远端工具以及把远端工具整合为 ChatClient 可直接调用的工具回调。

3.2 配置 MCP Client

创建 application.yml 配置文件：

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}
    mcp:
      client:
        request-timeout: 20s
        toolcallback:
          enabled: true
        stdio:
          servers-configuration: classpath:/mcp-server.json5

toolcallback.enabled: true 表示自动把 MCP Server 提供的工具注册到 AI Agent 中。

3.3 配置文件：告诉客户端如何启动第三方 MCP Server

MCP Client 需要知道如何启动远端的 MCP Server 进程。在 src/main/resources 目录下创建 mcp-server.json5：

{
  "mcpServers": {
    "baidu-map": {
      "command": "npx",
      "args": ["-y", "@baidumap/mcp-server-baidu-map"],
      "env": {
        "BAIDU_MAP_API_KEY": "${BAIDU_MAP_API_KEY}"
      }
    }
  }
}
  • command + args：告诉客户端用 npx 命令启动百度地图 MCP Server
  • env：注入该进程的环境变量，包括百度地图的 API Key

安全提示：建议将 API Key 配置成环境变量占位符 "${BAIDU_MAP_API_KEY}"，避免在配置文件中以明文形式出现。

3.4 注入配置并获取 ChatClient

package cn.edu.nnu.opengms.config;

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

@Configuration
public class AiConfig {

    @Bean
    public ChatClient chatClient(ChatModel chatModel,
                                 ToolCallbackProvider toolCallbackProvider) {
        return ChatClient.builder(chatModel)
                .defaultSystem("你是一个智能助手，可以查询天气、规划路线。")
                .defaultTools(toolCallbackProvider)   // 自动注册 MCP 工具
                .build();
    }
}

3.5 测试效果

编写一个简单的 Controller，启动 Spring Boot 应用后发送请求测试：

curl -X POST http://localhost:8080/chat \
  -H "Content-Type: application/json" \
  -d '{"message": "从北京南站到颐和园怎么走，今天天气怎么样"}'

返回示例：

从北京南站到颐和园建议乘坐地铁4号线至北宫门站，全程约50分钟。今天北京天气晴，气温25°C，湿度40%，适合出行。

这个过程中，你一行工具实现的代码都没有写，完全靠 MCP Client 自动发现并注册了百度地图服务提供的工具。

四、实战二：用 MCP Java SDK 实现自己的工具服务端

调用第三方 MCP 服务能让你的应用快速拥有外部能力，但更常见的场景是——把自己的业务系统（订单查询、库存管理、数据处理等）暴露为 MCP 工具，让 AI Agent 能够调用你的 Java 方法。

这一节演示如何用原生 MCP Java SDK，创建一个纯 Java MCP Server。

4.1 环境与依赖

使用纯 Java 原生 MCP SDK，只需引入一个核心依赖：

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>io.modelcontextprotocol.sdk</groupId>
            <artifactId>mcp-bom</artifactId>
            <version>1.1.0</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

<dependencies>
    <dependency>
        <groupId>io.modelcontextprotocol.sdk</groupId>
        <artifactId>mcp</artifactId>
    </dependency>
</dependencies>

Java 版本的 MCP SDK 经过一年多的发展，已经趋于稳定。2026 年 2 月发布了 1.0.0 正式版本，同年 3 月发布了 1.1.0 版本。

4.2 定义工具 Schema 并实现 Server

import io.modelcontextprotocol.spec.McpSchema;
import io.modelcontextprotocol.server.McpServer;
import io.modelcontextprotocol.server.McpServerFeatures;

public class MyMCPServer {

    public static void main(String[] args) {
        // 1. 定义工具的参数 Schema（JSON Schema 格式）
        var schema = new McpSchema.JsonSchema("object",
            Map.of("orderId", Map.of("type", "string", "description", "订单号")),
            List.of("orderId"), false, null, null);

        // 2. 创建同步工具规范
        var syncToolSpec = new McpServerFeatures.SyncToolSpecification(
            new McpSchema.Tool("queryOrder", "根据订单ID查询订单状态", schema),
            (exchange, arguments) -> {
                String orderId = (String) arguments.get("orderId");
                
                // 3. 业务逻辑（实际场景改为查询数据库）
                String result = String.format("订单 %s 状态：已发货，预计明天送达", orderId);
                
                // 4. 返回工具执行结果
                return new McpSchema.CallToolResult(result, false);
            }
        );

        // 5. 构建 MCP Server（使用 STDIO 传输）
        var server = McpServer.sync(McpServer.STDLIB_SERVER_TRANSPORT_PROVIDER);
        server.addTool(syncToolSpec);
        server.startAndWait();   // 阻塞等待，处理请求

        System.out.println("MCP Server started.");
    }
}

代码流程说明：

  • 第 1-2 步：用 JSON Schema 定义工具的输入参数，描述参数名称、类型和约束
  • 第 3-4 步：实现真正的业务逻辑，处理传入的参数并返回结果
  • 第 5 步：选择 STDIO 传输方式，构建 MCP Server 并启动

这个 Server 启动后，任何 MCP Client（包括 Claude Desktop、Cursor、你自己写的 Spring AI 应用等）都可以通过 STDIO 方式连接它，并调用其中的 queryOrder 工具。

4.3 用 MCP Inspector 验证

MCP 社区提供了官方的调试工具 MCP Inspector，可以像 Postman 调试 HTTP API 一样调试 MCP Server：

npx @modelcontextprotocol/inspector java -cp target/classes MyMCPServer

Inspector 会列出 Server 暴露的所有工具，并允许你手动发起调用，非常适合开发和调试阶段。

五、进阶特性：Spring AI Alibaba MCP Gateway

以上实战基于 MCP Java SDK 本身，展示了 Java MCP Server 的实现方式。但如果你想让现有业务系统无缝接入 AI 生态，Spring AI Alibaba 的 MCP Gateway 提供了更便捷的思路。

MCP Gateway 的核心价值在于：基于 Nacos 的服务注册发现能力，将现有的 HTTP、Dubbo 等存量服务自动包装为 MCP 协议的工具。这意味着几十上百个现有接口，可以在几乎不改动代码的情况下，全部“AI 化”。

六、避坑指南：MCP 实战中的常见问题

6.1 SSE 的支持时限

MCP 最初主要支持 STDIO 和 SSE（Server-Sent Events）两种传输方式。随着 Streamable HTTP 的推出，多个主流的 MCP Client 已经宣布将在 2026 年中陆续停用 SSE 支持。如果你在搭建新的 MCP 服务端，建议优先考察 Streamable HTTP 方案。

6.2 网络超时配置

MCP Client 在接入远程工具时，建议根据工具的执行耗时设置合理的超时时间，避免长时间等待拖垮整个应用。本文案例中使用的是 20 秒，可根据业务场景调整。

6.3 API Key 安全

无论是接入第三方 MCP 服务还是自己开发 MCP Server，API Key 和敏感信息都应该通过环境变量注入，严禁写在配置文件中。

6.6 传输方式选择

  • STDIO（标准输入输出） ：最轻量，通过进程间通信交互，适用于本地命令行工具、脚本工具、快速原型验证等。本文的两个实战示例都采用了 STDIO 方式。
  • SSE（Server-Sent Events） ：基于 HTTP，支持服务端推送，适用于分布式部署场景。但如前文所述，需关注其支持时间线。
  • Streamable HTTP：HTTP 流式传输，是最新的趋势，适合实时性和数据量要求较高的场景。

七、工程建议

  1. 从接入第三方 MCP 服务开始：先通过接入现成的 MCP 服务（如本文的百度地图示例）跑通链路，再考虑自己开发工具服务端，逐步进阶。

  2. 优选 Spring AI 方案：Spring AI 提供了一流的 MCP 集成支持，而且 MCP 的官方 Java SDK 是由 Spring 团队主导开发的，在 Spring Boot 生态中使用 MCP 将获得最好的兼容性。

  3. 区分两端的适用场景：

    • 如果你的 AI 应用需要调用外部能力（比如让 AI 查天气、查地图），那么你的任务是搭建 MCP Client，接入第三方 MCP 服务。
    • 如果你的业务系统有内部能力希望开放给 AI 调用（比如订单查询、库存管理），那么你需要搭建 MCP Server，把业务能力包装成标准协议。

  4. 用好动态发现能力：充分利用 MCP Client 自动发现工具的能力，新增工具时让 AI Agent 零改代码就能感知到新能力。

  5. 监控与调试：开发阶段使用 MCP Inspector 验证服务端是否正确暴露工具；生产阶段为每个工具调用增加日志和监控。

八、总结

MCP 给 Java AI 生态带来的是一个标准化的“AI 接口层”——技术团队不必再为每个模型重写适配，不必担心工具越加越多导致系统失控。用 MCP Java SDK 开发服务端，让通用工具接入 AI 生态；用 Spring AI Alibaba 构建客户端，让 AI Agent 快速具备丰富的工具能力。 两者结合，共同构成了 Java 后端驾驭 AI 工具调用的完整拼图。

下一步，建议团队可以尝试一个小的内部项目：选择两三个你最常用的业务工具（比如订单查询、商品搜索、库存检查），将它们包装成 MCP Server，然后在一个 Spring AI 项目中同时接入它们，体验 AI 自动调用多个工具的完整流程。

如果你在搭建过程中遇到任何具体问题，欢迎在评论区和 Java 社区的大家一起探讨。

# 人工智能 # java # 开发语言 # 后端 # 分布式
Logo
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

cover

海外动态代理行业彻底换代，AI 数据时代新标准已到来

avatar AtomGit开源社区
cover

2026年论文写作AI哪个好用？7款工具实测对比，轻松拿捏

avatar AtomGit开源社区
cover

2026年SEO+GEO优化指南：搜索排名机制解析与实用工具推荐

avatar AtomGit开源社区