python 调用 spring ai sse mcp

原创于 2025-12-02 10:05:00 发布 · 923 阅读

CC 4.0 BY-SA版权

文章标签：

一.背景

在生成式 AI 与企业级应用深度融合的趋势下，跨技术栈协同成为落地核心诉求 ——Python 凭借丰富的 AI 生态（如数据分析、模型微调、工具链）成为 AI 应用快速验证与原型开发的首选语言，而 Spring AI 作为 Java 生态的主流 AI 开发框架，依托 Spring Boot 的成熟特性，在企业级系统（如权限管控、业务流程集成、高可用部署）中具备天然优势。两者的协同能充分发挥 “Python 的 AI 灵活性” 与 “Spring AI 的企业级稳定性”，构建兼顾快速迭代与生产级可靠性的 AI 应用。

在 AI 交互场景中，SSE（Server-Sent Events，服务器推送事件） 是实现流式响应的关键技术，能够让 AI 模型（如大语言模型）的生成结果以 “增量推送” 的方式返回客户端，避免用户长时间等待，提升交互体验，广泛应用于智能对话、实时报告生成等场景。而MCP（Model Consumer Protocol） 作为 Spring AI 中标准化的模型调用协议，统一了不同 LLM 厂商（如 OpenAI、本地化模型）的调用接口，解决了跨模型的协议兼容问题，降低了企业级应用中模型替换与扩展的成本。

传统跨技术栈调用中，Python 与 Spring AI 的交互常面临诸多痛点：

协议适配复杂：Spring AI 的 SSE 流式输出与 MCP 协议封装，缺乏 Python 侧的原生对接方案，需手动处理 HTTP 请求头、流式数据解析、协议格式转换等底层细节，开发成本高且易出错；
流式传输断裂风险：Python 与 Spring AI 的网络通信中，若未妥善处理 SSE 的连接保持、数据分片接收等逻辑，易出现流式响应中断、数据丢失或乱序问题，影响用户体验；
上下文与状态同步困难：多轮 AI 交互中，Python 侧需维护对话上下文，并通过 MCP 协议准确传递给 Spring AI，传统手动封装方式易出现上下文丢失或格式不兼容，导致模型生成结果偏差；
企业级需求适配不足：企业场景中，Spring AI 常集成权限校验、流量控制、日志审计等特性，Python 侧需合规对接这些企业级能力，而原生调用方式缺乏标准化方案，易导致集成效率低下。

因此，开展 “Python 调用 Spring AI SSE MCP” 的实践探索，核心目标是解决跨技术栈的流式协同与协议兼容问题：通过标准化的调用方式，让 Python 应用能无缝对接 Spring AI 的 SSE 流式输出与 MCP 协议能力，无需关注底层通信细节；同时保障流式传输的稳定性、上下文同步的准确性，以及企业级特性的合规适配。这一实践不仅能打通 Python 与 Java 生态的 AI 协同链路，还能为企业级 AI 应用提供 “快速原型验证（Python）+ 稳定生产部署（Spring AI）” 的落地路径，适用于智能客服、实时数据查询助手、企业级 AI 工作台等场景，具有重要的技术衔接价值与工程实践意义。

二.具体实现

1.已有的spring ai sse (Cherry Studio)

2.构建python工程，引入依赖

import asyncio
from mcp import ClientSession
from mcp.client.sse import sse_client

2.使用sse_lient访问

async with sse_client(url="https://xxx.xxx.xxx/sse") as streams:
        async with ClientSession(*streams) as session:
            # 初始化会话
            await session.initialize()
            
            # 列出可用工具
            tools_response = await session.list_tools()
            print("Available tools:")
            for tool in tools_response.tools:
                print(f" - {tool.name}: {tool.description}")
                if hasattr(tool, 'inputSchema') and tool.inputSchema:
                    print(f"   输入模式: {tool.inputSchema}")
            
            # 调用天气工具
            print("\nCalling get_weather tool for London...")
            weather_response = await session.call_tool("addMemory", {"platformId": 1,"objectType": 0,"objectId": "123","memory": "我喜欢打篮球"})
            print(weather_response.content[0].text)