SpringAI MCP实战：从理论到代码、从设计Agent再到构建MCP服务，嘎嘎强！

对于企业级应用而言，MCP的价值不仅在于技术实现，更重要的是它提供了一种AI与传统业务系统融合的新范式。随着MCP生态的不断完善，我们有理由相信，这种"对话即服务"的模式将在企业数字化升级中发挥越来越重要的作用。还是那句话：AI早就无限可能！

MCP（模型上下文协议）技术已经火热了一段时间，最近冰河也正在利用MCP来优化业务场景。借此机会，深入研究了SpringAI框架中的MCP实现。

与以往的技术学习路径不同，AI领域的学习更加注重理论指导实践——因为AI技术本身仍在快速演进，坚实的理论基础比单纯的代码实践更为重要。

一、构建智能业务Agent的设计思路
假设我们需要实现"智能套餐推荐"功能：用户通过自然对话表达需求，系统自动分析并推荐合适的套餐，生成支付链接供用户完成购买。传统方案需要用户经过多个步骤——选择类型、浏览套餐、填写信息等，涉及复杂的页面跳转和交互。

构建这样一个智能Agent，需要从三个核心层面进行设计：

1.1 大脑：大模型的能力定制
以大模型作为决策核心，负责理解用户意图并提取关键信息。例如，当用户表达"我最近经常加班到很晚，总觉得肩颈酸痛，眼睛干涩"时，模型需要识别出"职场人群"、"久坐办公"、"肩颈护理"、"眼部疲劳"等关键特征。

又例如，当用户表达"工作三年感觉遇到了技术瓶颈，想要系统学习但不知道从哪开始"时，模型需要识别出"职业发展阶段"、"技能提升需求"、"学习规划"、"技术成长"等关键特征。

通用大模型虽然强大，但往往无法直接满足特定业务需求。我们需要通过两个关键手段进行定制：

角色定义提示词：通过精心设计的提示词，让模型理解其作为"套餐推荐专家"的角色定位，掌握业务领域的专业知识和对话风格。

动态知识注入：模型本身不具备企业内部数据，需要通过RAG（检索增强生成）技术为其提供业务知识支撑。但这里有个关键考量——套餐数据频繁变化，传统的静态知识库更新机制显然不够高效。

1.2 手脚：MCP接口的能力扩展
既然套餐数据实时变化，为什么不直接让AI访问现有的业务接口呢？这就是MCP的价值所在。我们可以将现有的RESTful接口封装为MCP接口，让AI能够直接查询实时数据、获取相关信息、创建支付订单等。

1.3 架构总结与平台选择
综合来看，构建智能Agent需要完成三个核心任务：

（1）选择合适的大模型，并通过提示词工程进行角色定制

（2）构建知识库体系，为模型提供业务背景知识

（3）开发MCP接口，让AI能够操作业务系统

但在实施过程中，我们面临几个技术挑战：

对话状态管理：大模型本身是无状态的，需要额外维护对话历史
向量数据库：知识库需要使用专门的向量数据库技术
模型对接：不同模型的API对接存在兼容性问题
考虑到这些复杂性，手动构建整个Agent体系效率较低。我们选择基于Dify等专业平台进行开发，这样能够专注于业务逻辑的实现，而非基础设施的搭建。

二、实战：构建天气查询MCP服务
为了验证技术可行性，我们先从一个相对简单的天气查询MCP服务开始验证。这里，使用SpringAI框架将其封装为MCP服务。

PS：基于开放的天气API：https://api.open-meteo.com/v1

2.1 环境配置
项目依赖（pom.xml）：

要求JDK 17及以上版本
 

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>3.4.5</version>
    <relativePath/>
</parent>
 
<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-webflux</artifactId>
    </dependency>
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-mcp-server-spring-boot-autoconfigure</artifactId>
        <version>1.0.0-M6</version>
        <scope>compile</scope>
    </dependency>
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-mcp</artifactId>
        <version>1.0.0-M6</version>
        <scope>compile</scope>
    </dependency>
    <dependency>
        <groupId>io.modelcontextprotocol.sdk</groupId>
        <artifactId>mcp-spring-webflux</artifactId>
        <version>0.8.0</version>
        <scope>compile</scope>
    </dependency>
</dependencies>

2.2 应用配置

server:
  port:8082
 
spring:
ai:
    mcp:
      server:
        name:my-weather-server
        sse-endpoint:/sse
        sse-message-endpoint:/mcp/messages
        type:ASYNC
        version:0.0.1

2.3 核心服务实现

（1）应用启动类：

@SpringBootApplication
public class Application {
 
    public static void main(String[] args) {
        SpringApplication.run(Application.class, args);
    }
 
    @Bean
    public ToolCallbackProvider weatherTools(OpenMeteoService openMeteoService) {
        return MethodToolCallbackProvider.builder()
                .toolObjects(openMeteoService)
                .build();
    }
}

（2）天气服务实现：

通过@Tool注解将业务方法暴露为MCP工具。

@Service
publicclass OpenMeteoService {
 
    privatefinal WebClient webClient;
 
    public OpenMeteoService(WebClient.Builder webClientBuilder) {
        this.webClient = webClientBuilder
                .baseUrl("https://api.open-meteo.com/v1")
                .build();
    }
 
    @Tool(description = "根据经纬度获取天气预报")
    public String getWeatherForecastByLocation(
            @ToolParam(description = "纬度，例如：39.9042") String latitude,
            @ToolParam(description = "经度，例如：116.4074") String longitude) {
 
        try {
            String response = webClient.get()
                    .uri(uriBuilder -> uriBuilder
                            .path("/forecast")
                            .queryParam("latitude", latitude)
                            .queryParam("longitude", longitude)
                            .queryParam("current", "temperature_2m,wind_speed_10m")
                            .queryParam("timezone", "auto")
                            .build())
                    .retrieve()
                    .bodyToMono(String.class)
                    .block();
 
            return"当前位置（纬度：" + latitude + "，经度：" + longitude + "）的天气信息：\n" + response;
        } catch (Exception e) {
            return"获取天气信息失败：" + e.getMessage();
        }
    }
 
    @Tool(description = "根据经纬度获取空气质量信息")
    public String getAirQuality(
            @ToolParam(description = "纬度，例如：39.9042") String latitude,
            @ToolParam(description = "经度，例如：116.4074") String longitude) {
 
        // 模拟数据，实际应用中应调用真实API
        return"当前位置（纬度：" + latitude + "，经度：" + longitude + "）的空气质量：\n" +
                "- PM2.5: 15 μg/m³ (优)\n" +
                "- PM10: 28 μg/m³ (良)\n" +
                "- 空气质量指数(AQI): 42 (优)\n" +
                "- 主要污染物: 无";
    }
}

三、MCP服务调试与实践
完成MCP服务开发后，我们需要进行充分的测试验证。类比REST API的开发流程，MCP服务同样需要专业的调试工具和方法。

3.1 使用Inspector进行基础测试
MCP官方提供的Inspector工具相当于传统开发中的Postman，能够直接调用MCP接口进行测试。

安装和使用步骤：

npx @modelcontextprotocol/inspector node build/index.js

通过Inspector界面，我们可以：

• 查看所有可用的MCP工具列表
• 直接调用工具方法并查看返回结果
• 验证参数传递和数据格式的正确性

3.2 集成到AI开发环境

真正的价值在于将MCP服务集成到AI应用中使用。目前主流的AI开发工具都支持MCP协议，包括：

VsCode Cline扩展：在对话窗口中直接使用自然语言调用MCP工具

Dify等AI应用平台：在可视化界面中配置和使用MCP工具。

自定义SpringAI客户端：根据业务需求开发专用的客户端应用。

需要注意的是，不同工具对MCP的支持程度有所差异。例如，当前版本的Cursor由于客户端限制，暂时无法直接调用我们开发的MCP服务。

四、总结
通过实战构建查询天气的MCP服务，我们验证了SpringAI MCP技术的可行性。从技术架构上看，MCP为AI应用提供了一种标准化的能力扩展机制，让大模型能够安全、可控地访问外部系统和服务。

对于企业级应用而言，MCP的价值不仅在于技术实现，更重要的是它提供了一种AI与传统业务系统融合的新范式。随着MCP生态的不断完善，我们有理由相信，这种"对话即服务"的模式将在企业数字化升级中发挥越来越重要的作用。还是那句话：AI早就无限可能！

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

    学习资源推荐 如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

四、AI大模型商业化落地方案

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量