LangChain4j（17）——MCP客户端

原创已于 2025-06-27 21:43:56 修改 · 1.7k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #java #LangChain4j #mcp

于 2025-05-28 17:16:45 首次发布

大模型开发之LangChain4j 专栏收录该内容

25 篇文章

订阅专栏

该文章已生成可运行项目，

MCP介绍

MCP (Model Context Protocol) 是一个开放协议，用于标准化应用程序如何向 LLM 提供上下文。可以将 MCP 想象成 AI 应用程序的 USB 接口。就像 USB 为设备连接各种外设和配件提供标准化方式一样，MCP 为 AI 模型连接不同的数据源和工具提供了标准化的方式。

sever-everyting服务介绍

本例使用的mcp服务是server-everything。它是一个 MCP 客户端构建者的测试服务器，没有具体的用途。其支持的工具方法：

echo

回显输入消息的简单工具
输入：
message（string）：要回显的消息
返回：带有回声消息的文本内容
add

将两个数字相加
输入：
a（number）：第一个数字
b（number）：第二个数字
返回：添加的文本结果
longRunningOperation

演示长时间作的进度通知
输入：
        duration（number，默认值：10）：持续时间（以秒为单位）
        steps（number，默认值：5）：进度步骤数
返回：包含持续时间和步骤的完成消息
        在执行过程中发送进度通知
sampleLLM

演示使用 MCP 采样功能的 LLM 采样功能
输入：
prompt（string）：要发送到 LLM 的提示
maxTokens（number，默认值：100）：要生成的最大令牌数
返回：生成的 LLM 响应
getTinyImage

返回一个小的测试图像
无需输入
返回：Base64 编码的 PNG 图像数据
printEnv

打印所有环境变量，用于调试 MCP 服务器配置
无需输入
返回：所有环境变量的 JSON 字符串
annotatedMessage

演示如何使用批注提供有关内容的元数据
输入：
        messageType（enum： “error” |“成功” |“debug”）：用于演示不同注释模式的消息类型
        includeImage（boolean， default： false）：是否包含示例图片
返回：具有不同注释的内容：
        错误消息：高优先级（1.0），对用户和助手都可见
        成功消息：中等优先级（0.7），以用户为中心
        调试消息：低优先级（0.3），以助手为中心
        可选图片：中等优先级（0.5），以用户为中心

getResourceReference

返回 MCP 客户端可以使用的资源引用
输入：
        resourceId（number， 1-100）：要引用的资源的 ID
返回：一个资源引用，其中包含：
        文本介绍
        嵌入资源与type: "resource"
        使用资源 URI 的文本说明

使用LangChain4j调用MCP服务

LangChain4j 支持模型上下文协议 (MCP)，用于与符合 MCP 的服务器通信。

该协议指定了两种传输类型：

Http：客户端请求一个 SSE 通道来接收来自服务器的事件，然后通过 HTTP POST 请求发送命令。
Stdio：客户端可以将 MCP 服务器作为本地子进程运行，并通过标准输入/输出直接与其通信。

注意：LangChain4j官网给出的案例中，sse方式无法连接server-everything服务（不确定是不是langchain4j版本的原因），本例使用stdio协议连接

package com.renr.langchain4jnew.app2;

import com.renr.langchain4jnew.constant.CommonConstants;
import dev.langchain4j.community.model.zhipu.ZhipuAiChatModel;
import dev.langchain4j.mcp.McpToolProvider;
import dev.langchain4j.mcp.client.DefaultMcpClient;
import dev.langchain4j.mcp.client.McpClient;
import dev.langchain4j.mcp.client.transport.McpTransport;
import dev.langchain4j.mcp.client.transport.stdio.StdioMcpTransport;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.service.tool.ToolProvider;

import java.time.Duration;
import java.util.List;

/**
 * @Title: AI Service基本使用
 * @Author 老任与码
 * @Date 2025-04-12 9:25
 */
public class AppMPC {
    public static void main(String[] args) {
        // 创建智谱的模型对象
        ZhipuAiChatModel zhipuAiChatModel = ZhipuAiChatModel.builder()
                // 模型key
                .apiKey(CommonConstants.API_KEY)
                // 精确度
                .temperature(0.9)
                .model("GLM-4-Flash")
                .maxRetries(3)
                .logRequests(true)
                .logResponses(true)
                .callTimeout(Duration.ofSeconds(60))
                .connectTimeout(Duration.ofSeconds(60))
                .writeTimeout(Duration.ofSeconds(60))
                .readTimeout(Duration.ofSeconds(60))
                .build();

        // 使用stdio协议创建传输对象，由于在window环境测试，这里需要指定windows下npm命令的路径
        McpTransport transport = new StdioMcpTransport.Builder()
                .command(List.of("C:/Program Files/nodejs/npm.cmd", "exec", "@modelcontextprotocol/server-everything@2025.4.28"))
                .logEvents(true) // 仅当你想在日志中查看流量时
                .build();

          // 实际测试，无法连接
//        McpTransport transport = new HttpMcpTransport.Builder()
//                .sseUrl("http://127.0.0.1:3001/sse") // SSE 事件channel地址
//                .logRequests(true) // 开启请求日志
//                .logResponses(true) // 开启响应日志
//                .build();

        // 创建mcp客户端对象
        McpClient mcpClient = new DefaultMcpClient.Builder()
                .transport(transport)
                .build();

        // 创建工具对象
        ToolProvider toolProvider = McpToolProvider.builder()
                .mcpClients(List.of(mcpClient))
                .build();

        // 模型中，指定使用的工具
        Assistant assistant = AiServices.builder(Assistant.class)
                .chatLanguageModel(zhipuAiChatModel)
                .toolProvider(toolProvider)
                .build();

        // 发送消息，本例测试是否会调用mcp服务的add函数
        String info = assistant.chat("100加100等于多少");
        System.out.println(info);

    }
}

执行结果：

从执行结果看，大模型选择让用户调用add函数执行加法运算。

第一次发送的请求数据：

tools属性中给出了server-everything中定义的函数，并将这些信息一起发送给大模型。

Request:
- method: POST
- url: https://open.bigmodel.cn/api/paas/v4/chat/completions
- headers: [Authorization: Bearer ey...fQ..EsWKuDgfSyfeaAg10__UaDzVuty1QOkzosp-g0-bVdo]
- body: {
  "model" : "GLM-4-Flash",
  "messages" : [ {
    "role" : "user",
    "content" : "100加100等于多少"
  } ],
  "stream" : false,
  "temperature" : 0.9,
  "max_tokens" : 512,
  "tools" : [ {
    "type" : "function",
    "function" : {
      "name" : "echo",
      "description" : "Echoes back the input",
      "parameters" : {
        "type" : "object",
        "properties" : {
          "message" : {
            "type" : "string",
            "description" : "Message to echo"
          }
        },
        "required" : [ "message" ]
      }
    }
  }, {
    "type" : "function",
    "function" : {
      "name" : "add",
      "description" : "Adds two numbers",
      "parameters" : {
        "type" : "object",
        "properties" : {
          "a" : {
            "type" : "number",
            "description" : "First number"
          },
          "b" : {
            "type" : "number",
            "description" : "Second number"
          }
        },
        "required" : [ "a", "b" ]
      }
    }
  }, {
    "type" : "function",
    "function" : {
      "name" : "printEnv",
      "description" : "Prints all environment variables, helpful for debugging MCP server configuration",
      "parameters" : {
        "type" : "object",
        "properties" : { },
        "required" : [ ]
      }
    }
  }, {
    "type" : "function",
    "function" : {
      "name" : "longRunningOperation",
      "description" : "Demonstrates a long running operation with progress updates",
      "parameters" : {
        "type" : "object",
        "properties" : {
          "duration" : {
            "type" : "number",
            "description" : "Duration of the operation in seconds"
          },
          "steps" : {
            "type" : "number",
            "description" : "Number of steps in the operation"
          }
        },
        "required" : [ ]
      }
    }
  }, {
    "type" : "function",
    "function" : {
      "name" : "sampleLLM",
      "description" : "Samples from an LLM using MCP's sampling feature",
      "parameters" : {
        "type" : "object",
        "properties" : {
          "prompt" : {
            "type" : "string",
            "description" : "The prompt to send to the LLM"
          },
          "maxTokens" : {
            "type" : "number",
            "description" : "Maximum number of tokens to generate"
          }
        },
        "required" : [ "prompt" ]
      }
    }
  }, {
    "type" : "function",
    "function" : {
      "name" : "getTinyImage",
      "description" : "Returns the MCP_TINY_IMAGE",
      "parameters" : {
        "type" : "object",
        "properties" : { },
        "required" : [ ]
      }
    }
  }, {
    "type" : "function",
    "function" : {
      "name" : "annotatedMessage",
      "description" : "Demonstrates how annotations can be used to provide metadata about content",
      "parameters" : {
        "type" : "object",
        "properties" : {
          "messageType" : {
            "type" : "string",
            "description" : "Type of message to demonstrate different annotation patterns",
            "enum" : [ "error", "success", "debug" ]
          },
          "includeImage" : {
            "type" : "boolean",
            "description" : "Whether to include an example image"
          }
        },
        "required" : [ "messageType" ]
      }
    }
  }, {
    "type" : "function",
    "function" : {
      "name" : "getResourceReference",
      "description" : "Returns a resource reference that can be used by MCP clients",
      "parameters" : {
        "type" : "object",
        "properties" : {
          "resourceId" : {
            "type" : "number",
            "description" : "ID of the resource to reference (1-100)"
          }
        },
        "required" : [ "resourceId" ]
      }
    }
  } ],
  "tool_choice" : "auto"
}

大模型收到第一次请求，根据用户提问和tools中支持的函数，返回的第一次响应中要求用户执行add函数，然后发送第二次请求：

 Request:
- method: POST
- url: https://open.bigmodel.cn/api/paas/v4/chat/completions
- headers: [Authorization: Bearer ey...fQ..EsWKuDgfSyfeaAg10__UaDzVuty1QOkzosp-g0-bVdo]
- body: {
  "model" : "GLM-4-Flash",
  "messages" : [ {
    "role" : "user",
    "content" : "100加100等于多少"
  }, {
    "role" : "assistant",
    "tool_calls" : [ {
      "id" : "call_-8666101128331871791",
      "type" : "function",
      "function" : {
        "name" : "add",
        "arguments" : "{\"a\": 100, \"b\": 100}"
      }
    } ]
  }, {
    "role" : "tool",
    "content" : "The sum of 100 and 100 is 200."
  } ],
  "stream" : false,
  "temperature" : 0.9,
  "max_tokens" : 512,
  "tools" :
    ......
}

根据第二次请求的数据，tool_calls属性表示执行了add函数。

本文章已经生成可运行项目