LangChain4j + MCP：从工具协议到生产级 Agent

系列文章目录

第一篇 AI 数据治理：LangChain4J 文本分类器在字段对标中的高级玩法
第二篇 LangChain4J + OpenTelemetry：AI 调用全链路可观测方案
第三篇 企业级 Neo4j GraphRAG：向量检索 + 图谱扩散怎么融合？Neo4j GraphRAG 给你答案
第四篇 多模型路由 + Resilience4j 熔断降级，Java 大模型服务的降级与兜底体系
第五篇「企业级智能体」LangChain4j Multi-Agent：角色分离 + 协同编排实战
第六篇 LangChain4j + MCP：从工具协议到生产级 Agent
第七篇 企业级 Prompt 管理中心：实验分流 + 曝光埋点 + 可回溯，版本化/AB/DSL/可观测全齐

---

---

前言：为什么要在 Java 里玩 Agent 智能体？

这两年，很多团队都已经把「大模型问答」接入到系统里了：
前端一个输入框，后端调一下 OpenAI / DeepSeek / 本地模型，返回一段回答——这类 「简单问答型」AI 功能，确实能解决一部分问题，但很快就会遇到瓶颈：

• 它只能说，不会做：不会主动查数据库，不会调用你的接口，不会帮你真正执行脚本；
• 面对复杂一点的需求，比如「帮我生成这个报表的 SQL 并执行一下」，普通 ChatGPT 式的问答就开始力不从心了。

而 Agent 智能体 想解决的，就是这件事：

不只是回答你「怎么做」，而是能 自己思考、自己决定要不要用工具、再用工具把事做完。

---

在实际项目里，这类需求其实随处可见，比如：

• SQL 助手：
  数据开发中心里，工程师每天写大量 SQL，如果 AI 能读懂“用自然语言描述的需求”，自动查元数据、生成 SQL、跑一下再把结果解释出来，开发效率会高一大截。
• 字段对标 & 映射助手：
  对接多源异构表时，要把各种 sfzh / sfzhm / id_no 这类字段映射到同一个标准字段，如果有个 Agent 能结合 Embedding 相似度