文章目录

  • 概述
  • MCP协议：为AI应用连接外部世界的桥梁
  • MCP Server：上下文与能力的提供者
  • 基于Spring AI 1.0.0的开发之路
    • 1. 使用Spring AI构建MCP客户端
    • 2. 使用Spring AI构建MCP服务器
  • Mcp Client 实战
    • 整体架构概览
    • 技术栈
    • Code
      • pom
      • 配置mcp servers(sse&stdio)
        • amap-maps 服务配置
        • filesystem 服务配置
        • 工作原理
      • ChatClient核心模块
      • 工具回调机制
    • 典型应用场景代码示例
      • 基础对话场景
      • 工具增强对话场景
      • 流式响应场景
      • MCP Server调用
        • 调用高德 MCP Server （stdio）
        • 调用server-filesystem MCP Server （stdio）
        • 调用自己写的服务（sse）
    • 性能优化建议
      • 缓存策略
      • 异步处理优化
    • 最佳实践建议
      • 架构设计最佳实践
      • 性能优化最佳实践
      • 安全性最佳实践

在这里插入图片描述

概述

自2024年11月由Anthropic公司发布以来，模型上下文协议（Model Context Protocol, MCP）作为一项开放标准，正迅速成为人工智能领域，特别是大型语言模型（LLM）应用开发中的一个重要基石。它旨在为LLM应用与外部数据源和工具之间提供一个标准化的“通用接口”，从而打破模型仅能依赖其内部训练数据的局ăpadă，使其能够获取和利用实时、动态的外部世界信息。

接下来我们将深入介绍MCP协议的核心概念，重点解析其服务器（MCP Server）的角色与功能，并进一步探讨如何利用日趋成熟的Java AI开发框架——Spring AI 1.0.0，来构建支持MCP的应用。

MCP协议：为AI应用连接外部世界的桥梁

MCP协议的核心思想是，在LLM应用（客户端）和提供上下文信息、工具或数据的服务（服务器）之间建立一个统一的通信规范。这极大地简化了集成过程，开发者不再需要为每一个数据源或API编写定制化的连接代码，而是可以遵循一个通用的协议标准。

MCP协议的主要构成与特点：

  • 开放标准与协作： 由Anthropic发起，并得到了包括OpenAI、Google DeepMind和微软在内的行业巨头支持，保证了其广泛的适用性和未来的发展潜力。
  • 基于成熟技术： MCP在设计上借鉴了语言服务器协议（Language Server Protocol, LSP），并采用JSON-RPC 2.0作为其消息传输格式，可通过stdio、HTTP（支持Server-Sent Events）等多种方式进行传输。
  • 核心概念：
    • 主机（Host）： 指的是LLM应用程序本身，它负责发起与MCP服务器的连接。
    • 客户端（Client）： 位于主机应用内部，是实现MCP通信的具体连接器。
    • 服务器（Server）： 负责提供上下文信息，是外部数据和能力的提供者。
  • 安全与隐私： 协议在设计上强调了用户授权和控制，要求在访问用户数据或执行操作前必须获得明确的用户同意，并提供了相应的安全指导原则。

MCP Server：上下文与能力的提供者

在MCP生态中，MCP Server扮演着至关重要的角色。它是一个遵循MCP规范的服务，其主要职责是向MCP客户端（即LLM应用）暴露其拥有的资源和能力。

MCP Server提供的核心能力：

  1. 资源（Resources）： 服务器可以提供类似文件的只读数据。这可以是本地文件系统的文件、数据库查询结果、API响应内容等。LLM应用可以通过标准化的请求来读取这些资源，从而获得回答问题或执行任务所需的背景信息。

  2. 工具（Tools）： 这是MCP Server最强大的功能之一。服务器可以定义一系列可供LLM调用的函数或方法。例如，一个MCP Server可以提供“发送邮件”、“查询订单状态”、“执行代码”等工具。当LLM在其推理过程中判断需要使用某个工具时，它会向服务器发起一个工具调用请求，服务器执行相应的功能后将结果返回给LLM。这极大地扩展了LLM的应用场景，使其从一个“对话者”转变为一个“行动者”。

  3. 提示（Prompts）： 服务器还可以提供预定义的、可复用的提示模板。这些模板可以包含参数，允许LLM应用动态地生成更复杂、更具针对性的指令。这有助于提高与模型交互的效率和一致性。

MCP Server的实现与部署：

MCP Server的实现是多样化的。开发者可以使用官方或社区提供的SDK（目前已有Go, C#, Rust, TypeScript等版本）来构建自己的服务器。根据部署需求，服务器可以：

  • 以子进程（stdio）形式运行： 适用于本地开发或桌面应用集成，服务器与主应用在同一台机器上运行。
  • 以远程服务（HTTP/SSE）形式运行： 这是更常见的部署方式，服务器作为一个独立的Web服务运行，可通过URL被多个客户端访问。

微软的Copilot Studio等产品已经集成了对MCP的支持，允许用户直接连接到外部的MCP服务器，并将其提供的工具无缝地集成到自己的AI助手中。

基于Spring AI 1.0.0的开发之路

Spring AI作为Spring生态系统的一部分，旨在简化Java开发者构建AI应用的复杂性。它提供了一套高级API，用于与各种大型语言模型进行交互，并集成了向量数据库、ETL框架等常用工具。

尽管在当前时间点（2025年8月），Spring AI与MCP协议之间尚未出现官方的、开箱即用的直接集成，但这并不妨碍我们利用Spring AI的强大功能来开发一个符合MCP规范的应用。开发者可以扮演MCP客户端或MCP服务器的角色。

1. 使用Spring AI构建MCP客户端

当你的Java应用需要连接一个已有的MCP服务器时，你可以利用Spring AI的核心能力来消费MCP服务。

开发步骤概览：

  1. 理解MCP通信： 首先需要熟悉MCP的JSON-RPC 2.0消息格式和通信流程。你需要知道如何构建初始化请求、工具调用请求等。

  2. HTTP客户端实现： 使用Spring框架中强大的WebClient或RestClient来与远程的MCP Server（通常是HTTP服务）进行通信。你需要手动构建符合MCP规范的JSON请求体，并解析服务器返回的JSON响应。

  3. 集成Spring AI ChatClient： 你的应用核心部分可能仍在使用Spring AI的ChatClient与LLM进行交互。当ChatClient返回的AssistantMessage表明需要调用一个外部工具时，你的代码需要：

    • 解析出需要调用的工具名称和参数。
    • 判断该工具是否由某个已连接的MCP Server提供。
    • 通过前述的HTTP客户端，向对应的MCP Server发起工具调用请求。
    • 将MCP Server返回的结果包装成Spring AI的ToolResponseMessage，再次提交给ChatClient，让LLM根据工具执行结果继续生成回应。

2. 使用Spring AI构建MCP服务器

当你想将你的Java应用所拥有的数据或能力通过MCP协议暴露出去时，你可以构建一个MCP Server。

开发步骤概览：

  1. 创建Spring Boot应用： 使用Spring Boot快速搭建一个Web服务，这将是你的MCP Server的基础。

  2. 定义MCP的API端点： 根据MCP规范，创建处理JSON-RPC请求的Controller。你需要实现如initialize、tool/run等核心端点。

  3. 利用Spring AI实现工具功能： 这是将Spring AI与MCP Server结合的关键。你的MCP Server所暴露的“工具”，其内部逻辑可以完全由Spring AI来驱动。

    • 示例：创建一个“智能文档问答”工具
      • 工具定义： 在你的MCP Server中，你会向客户端声明一个名为askDocument的工具，它接受一个question作为参数。
      • 内部实现： 当收到tool/run请求调用askDocument时，你的Spring Boot应用会：
        1. 使用Spring AI的VectorStore接口，将用户的question进行向量化，并在你预先加载好的文档向量库中进行相似性搜索，检索出最相关的文档片段。
        2. 将这些相关的文档片段作为上下文，连同用户的原始问题，一起构建成一个更丰富的提示（Prompt）。
        3. 调用Spring AI的ChatClient，将这个丰富的提示发送给LLM（如GPT-4, Claude 3等）。
        4. 将LLM返回的答案作为askDocument工具的执行结果，通过MCP的响应格式返回给客户端。

通过这种方式，你将Spring AI在文档检索、与LLM交互等方面的能力，封装成了一个符合MCP标准的、可被任何MCP客户端调用的强大工具。

Mcp Client 实战

整体架构概览

MCP-Client框架采用分层架构设计，主要包含以下核心组件：

┌─────────────────────────────────────────────────────────────┐
│                    Web Layer (控制层)                        │
│  ┌─────────────────┐  ┌─────────────────┐                   │
│  │  ChatController │  │  其他Controller  │                   │
│  └─────────────────┘  └─────────────────┘                   │
└─────────────────────────────────────────────────────────────┘│
┌─────────────────────────────────────────────────────────────┐
│                   Service Layer (服务层)                     │
│  ┌─────────────────┐  ┌─────────────────┐                   │
│  │   ChatClient    │  │ ToolCallbacks   │                   │
│  └─────────────────┘  └─────────────────┘                   │
└─────────────────────────────────────────────────────────────┘│
┌─────────────────────────────────────────────────────────────┐
│                 Integration Layer (集成层)                   │
│  ┌─────────────────┐  ┌─────────────────┐                   │
│  │   Spring AI     │  │   MCP Protocol  │                   │
│  └─────────────────┘  └─────────────────┘                   │
└─────────────────────────────────────────────────────────────┘│
┌─────────────────────────────────────────────────────────────┐
│                  Utility Layer (工具层)                      │
│  ┌─────────────────┐  ┌─────────────────┐                   │
│  │  MarkdownUtil   │  │  其他工具类      │                   │
│  └─────────────────┘  └─────────────────┘                   │
└─────────────────────────────────────────────────────────────┘

技术栈

  • Spring Boot 3.x：提供基础框架支持和自动配置
  • Spring AI：集成AI模型和工具调用能力
  • MCP Protocol：实现模型上下文协议标准

Code

在这里插入图片描述

pom

父工程bom

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.example</groupId><artifactId>spring-ai-mcp-deepseek</artifactId><packaging>pom</packaging><version>1.0-SNAPSHOT</version><parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>3.4.3</version><relativePath/> <!-- lookup parent from repository --></parent><modules><module>mcp-server</module><module>mcp-client</module><module>mcp-tool-client</module></modules><properties><maven.compiler.source>17</maven.compiler.source><maven.compiler.target>17</maven.compiler.target><spring.ai.version>1.0.0</spring.ai.version><spring.boot.version>3.4.3</spring.boot.version></properties><dependencyManagement><dependencies><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-bom</artifactId><version>${spring.ai.version}</version><type>pom</type><scope>import</scope></dependency></dependencies></dependencyManagement><dependencies><!-- lombok --><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency></dependencies>
</project>

mcp-client 子模块pom

在这里插入图片描述

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><parent><artifactId>spring-ai-mcp-deepseek</artifactId><groupId>com.example</groupId><version>1.0-SNAPSHOT</version></parent><modelVersion>4.0.0</modelVersion><artifactId>mcp-client</artifactId><dependencies><!-- spring-web --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><!-- model openai --><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-openai</artifactId></dependency><!-- 添加 Spring AI MCP client 依赖 --><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-mcp-client</artifactId></dependency><dependency><groupId>org.commonmark</groupId><artifactId>commonmark</artifactId><version>0.21.0</version></dependency><dependency><groupId>org.commonmark</groupId><artifactId>commonmark-ext-gfm-tables</artifactId><version>0.21.0</version></dependency></dependencies><build><plugins><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId></plugin><plugin><groupId>org.springframework.boot</groupId><artifactId>spring-boot-maven-plugin</artifactId></plugin></plugins></build></project>

配置mcp servers(sse&stdio)

application.properties

server.port=8082spring.ai.openai.api-key=sk-xxxxxxx
spring.ai.openai.base-url=https://api.deepseek.com
spring.ai.openai.chat.options.model=deepseek-chatspring.ai.mcp.client.enabled=truespring.ai.mcp.client.sse.connections.server1.url=http://localhost:8085spring.ai.mcp.client.stdio.servers-configuration=classpath:mcp-servers-config.jsonlogging.level.org.springframework.ai.model.tool=DEBUG
logging.level.io.modelcontextprotocol=DEBUG

配置项详解

spring.ai.openai.api-key=sk-xxxxxx

这是Spring AI OpenAI模块的配置项，用于设置访问DeepSeek API所需的API密钥。这个密钥用于身份验证，允许应用调用DeepSeek的AI模型服务。

spring.ai.openai.base-url=https://api.deepseek.com

这个配置项指定了OpenAI兼容API的基础URL。由于项目使用的是DeepSeek API而不是真正的OpenAI API，所以需要将基础URL设置为DeepSeek的API端点。

spring.ai.openai.chat.options.model=deepseek-chat

此配置项指定要使用的具体AI模型。在这里，使用的是DeepSeek的"deepseek-chat"模型，这是DeepSeek的主要对话模型。

# 启用 MCP client
spring.ai.mcp.client.enabled=true

这个配置项用于启用或禁用MCP（Model Context Protocol）客户端功能。设置为true表示启用MCP客户端，允许应用与MCP服务器进行交互。

# 配置 MCP 服务端连接地址
spring.ai.mcp.client.sse.connections.server1.url=http://localhost:8085

这个配置项指定了通过SSE（Server-Sent Events）方式连接的MCP服务器的URL。在这里，MCP客户端将连接到本地8085端口的MCP服务器。

# 配置 stdio 方式启动的 MCP 服务
spring.ai.mcp.client.stdio.servers-configuration=classpath:mcp-servers-config.json

这个配置项指定了通过标准输入输出（stdio）方式启动的MCP服务的配置文件位置。该配置文件定义了需要启动的MCP服务及其参数，例如文件系统服务或高德地图服务。

# 设置日志级别以便观察工具调用
logging.level.org.springframework.ai.model.tool=DEBUG
logging.level.io.modelcontextprotocol=DEBUG

这两个配置项设置了特定包的日志级别为DEBUG，以便更详细地观察工具调用过程：

  • logging.level.org.springframework.ai.model.tool=DEBUG：启用Spring AI工具调用的调试日志
  • logging.level.io.modelcontextprotocol=DEBUG：启用MCP协议相关组件的调试日志

这些配置项共同构成了MCP客户端应用的完整配置，使应用能够连接到DeepSeek AI服务和MCP服务器，并提供详细的调试信息以观察工具调用过程。

mcp-servers-config.json

{"mcpServers": {"amap-maps": {"command": "D:\\Program Files\\nodejs\\npx.cmd","args": ["-y","@amap/amap-maps-mcp-server"],"env": {"AMAP_MAPS_API_KEY": "xxxxxx"}},"filesystem": {"command": "D:\\Program Files\\nodejs\\npx.cmd","args": ["-y","@modelcontextprotocol/server-filesystem","D:\\tmp"]}}
}

配置项详解

amap-maps 服务配置
"amap-maps": {"command": "D:\\Program Files\\nodejs\\npx.cmd","args": ["-y","@amap/amap-maps-mcp-server"],"env": {"AMAP_MAPS_API_KEY": "eb2e8e2d3e2d24188cc28ec46903b331"}
}

高德地图（AMAP）MCP 服务的配置：

  • "amap-maps": 服务的标识符名称，用于在系统中唯一标识这个服务
  • command: 指定启动服务的命令，这里是使用 Node.js 的 npx 命令
  • args: 命令行参数数组，用于传递给 command 命令
    • -y: 表示自动确认安装依赖
    • @amap/amap-maps-mcp-server: 指定要运行的 npm 包
  • env: 环境变量配置
    • AMAP_MAPS_API_KEY: 高德地图 API 密钥，用于访问高德地图服务

当系统需要使用高德地图功能时，会通过这个配置启动相应的 MCP 服务。

KEY申请，请参考： https://lbs.amap.com/api/mcp-server/create-project-and-key
在这里插入图片描述

filesystem 服务配置
"filesystem": {"command": "D:\\Program Files\\nodejs\\npx.cmd","args": ["-y","@modelcontextprotocol/server-filesystem","D:\\tmp"]
}

这是一个文件系统 MCP 服务的配置：

  • "filesystem": 服务的标识符名称
  • command : 同样使用 Node.js 的 npx 命令启动服务
  • args : 命令行参数数组
    • -y: 自动确认安装依赖
    • @modelcontextprotocol/server-filesystem: 指定要运行的文件系统服务 npm 包
    • D:\tmp: 指定文件系统服务可以访问的目录路径

这个服务允许 AI 模型访问本地文件系统，例如读取、写入或浏览指定目录中的文件。

工作原理

这些配置定义了可以通过标准输入输出（stdio）方式启动的 MCP 服务。当 AI 模型需要使用特定功能（如访问地图信息或文件系统）时，系统会根据这些配置启动相应的服务进程，并通过标准输入输出与之通信。

每个服务都是独立的进程，通过 MCP 协议与主应用通信，这样可以实现功能的模块化和扩展性。当不再需要这些服务时，系统会自动终止相关进程以节省资源。

ChatClient核心模块

ChatClient是框架的核心组件，负责AI对话的处理和工具调用的协调。

@RestController
public class ChatController {private ChatClient chatClient;public ChatController(ChatClient.Builder chatClientBuilder,ToolCallbackProvider toolCallbackProvider) {this.chatClient = chatClientBuilder.defaultSystem("作为MCP小助手，请根据具体需求智能调用最合适的MCP工具组合来优化回答效果。" +"要求能够自动识别任务类型，精准匹配工具链，并在响应中保持专业性与实用性的平衡。" +"请确保输出结果既符合技术规范又具备良好的用户体验，同时支持多轮交互中的上下文连贯处理。")// 注册工具方法.defaultToolCallbacks(toolCallbackProvider).build();}}

实现原理分析：

  1. 构建器模式：使用ChatClient.Builder实现灵活的客户端配置
  2. 系统提示注入：通过defaultSystem()方法设置AI助手的角色定位
  3. 工具回调注册：defaultToolCallbacks()注册MCP工具回调处理器
  4. 链式调用：支持流畅的API调用链

工具回调机制

工具回调机制是MCP-Client的核心特性，实现AI与外部工具的无缝集成：

// 工具调用流程
String content = chatClient.prompt().user(message)           // 用户输入.call()                  // 执行AI推理.content();              // 获取响应内容

执行流程：

用户输入 → AI模型分析 → 识别工具需求 → 调用MCP工具 → 整合结果 → 返回响应↓           ↓            ↓            ↓           ↓          ↓message → ChatClient → ToolCallback → MCP Server → Result → content

典型应用场景代码示例

基础对话场景

 package com.example.client.controller;import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.http.ResponseEntity;@RestController
public class BasicChatExample {private final ChatClient chatClient;public BasicChatExample(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}@GetMapping("/api/simple-chat")public ResponseEntity<String> simpleChat(@RequestParam String question) {try {String response = chatClient.prompt().user(question).call().content();return ResponseEntity.ok(response);} catch (Exception e) {return ResponseEntity.status(500).body("处理请求时发生错误: " + e.getMessage());}}
}

在这里插入图片描述

工具增强对话场景

package com.example.client.controller;import com.example.client.domain.ChatRequest;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestBody;
import org.springframework.web.bind.annotation.RestController;import java.util.Map;@RestController
public class ToolEnhancedChatExample {private final ChatClient toolEnabledClient;public ToolEnhancedChatExample(ChatClient.Builder builder,ToolCallbackProvider toolProvider) {this.toolEnabledClient = builder.defaultSystem("作为MCP小助手，请根据具体需求智能调用最合适的MCP工具组合来优化回答效果。" +"要求能够自动识别任务类型，精准匹配工具链，并在响应中保持专业性与实用性的平衡。" +"请确保输出结果既符合技术规范又具备良好的用户体验，同时支持多轮交互中的上下文连贯处理。").defaultToolCallbacks(toolProvider).build();}@PostMapping("/api/tool-chat")public Map<String, Object> toolChat(@RequestBody ChatRequest request) {long startTime = System.currentTimeMillis();String response = toolEnabledClient.prompt().user(request.getMessage()).call().content();long duration = System.currentTimeMillis() - startTime;return Map.of("response", response,"duration", duration,"timestamp", System.currentTimeMillis());}
}

在这里插入图片描述

日志输出

2025-08-12T19:43:55.811+08:00 DEBUG 12292 --- [nio-8082-exec-4] o.s.a.m.tool.DefaultToolCallingManager   : Executing tool call: spring_ai_mcp_client_amap_maps_maps_weather
2025-08-12T19:43:56.030+08:00 DEBUG 12292 --- [pool-7-thread-1] io.modelcontextprotocol.spec.McpSchema   : Received JSON message: {"result":{"content":[{"type":"text","text":"{\n  \"city\": \"北京市\",\n  \"forecasts\": [\n    {\n      \"date\": \"2025-08-12\",\n      \"week\": \"2\",\n      \"dayweather\": \"中雨\",\n      \"nightweather\": \"阴\",\n      \"daytemp\": \"30\",\n      \"nighttemp\": \"22\",\n      \"daywind\": \"西南\",\n      \"nightwind\": \"西南\",\n      \"daypower\": \"1-3\",\n      \"nightpower\": \"1-3\",\n      \"daytemp_float\": \"30.0\",\n      \"nighttemp_float\": \"22.0\"\n    },\n    {\n      \"date\": \"2025-08-13\",\n      \"week\": \"3\",\n      \"dayweather\": \"雷阵雨\",\n      \"nightweather\": \"雷阵雨\",\n      \"daytemp\": \"29\",\n      \"nighttemp\": \"22\",\n      \"daywind\": \"东\",\n      \"nightwind\": \"东\",\n      \"daypower\": \"1-3\",\n      \"nightpower\": \"1-3\",\n      \"daytemp_float\": \"29.0\",\n      \"nighttemp_float\": \"22.0\"\n    },\n    {\n      \"date\": \"2025-08-14\",\n      \"week\": \"4\",\n      \"dayweather\": \"阴\",\n      \"nightweather\": \"雷阵雨\",\n      \"daytemp\": \"31\",\n      \"nighttemp\": \"23\",\n      \"daywind\": \"南\",\n      \"nightwind\": \"南\",\n      \"daypower\": \"1-3\",\n      \"nightpower\": \"1-3\",\n      \"daytemp_float\": \"31.0\",\n      \"nighttemp_float\": \"23.0\"\n    },\n    {\n      \"date\": \"2025-08-15\",\n      \"week\": \"5\",\n      \"dayweather\": \"雷阵雨\",\n      \"nightweather\": \"雷阵雨\",\n      \"daytemp\": \"31\",\n      \"nighttemp\": \"24\",\n      \"daywind\": \"南\",\n      \"nightwind\": \"南\",\n      \"daypower\": \"1-3\",\n      \"nightpower\": \"1-3\",\n      \"daytemp_float\": \"31.0\",\n      \"nighttemp_float\": \"24.0\"\n    }\n  ]\n}"}],"isError":false},"jsonrpc":"2.0","id":"2b682735-4"}
2025-08-12T19:43:56.031+08:00 DEBUG 12292 --- [pool-7-thread-1] i.m.spec.McpClientSession                : Received Response: JSONRPCResponse[jsonrpc=2.0, id=2b682735-4, result={content=[{type=text, text={"city": "北京市","forecasts": [{"date": "2025-08-12","week": "2","dayweather": "中雨","nightweather": "阴","daytemp": "30","nighttemp": "22","daywind": "西南","nightwind": "西南","daypower": "1-3","nightpower": "1-3","daytemp_float": "30.0","nighttemp_float": "22.0"},{"date": "2025-08-13","week": "3","dayweather": "雷阵雨","nightweather": "雷阵雨","daytemp": "29","nighttemp": "22","daywind": "东","nightwind": "东","daypower": "1-3","nightpower": "1-3","daytemp_float": "29.0","nighttemp_float": "22.0"},{"date": "2025-08-14","week": "4","dayweather": "阴","nightweather": "雷阵雨","daytemp": "31","nighttemp": "23","daywind": "南","nightwind": "南","daypower": "1-3","nightpower": "1-3","daytemp_float": "31.0","nighttemp_float": "23.0"},{"date": "2025-08-15","week": "5","dayweather": "雷阵雨","nightweather": "雷阵雨","daytemp": "31","nighttemp": "24","daywind": "南","nightwind": "南","daypower": "1-3","nightpower": "1-3","daytemp_float": "31.0","nighttemp_float": "24.0"}]
}}], isError=false}, error=null]

流式响应场景

package com.example.client.controller;import org.springframework.ai.chat.client.ChatClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.http.MediaType;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;@RestController
public class StreamingChatExample {private final ChatClient chatClient;public StreamingChatExample(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}@GetMapping(value = "/api/stream-chat",  produces = "text/html;charset=UTF-8")public Flux<String> streamChat(@RequestParam String message) {return chatClient.prompt().user(message).stream().content().map(chunk -> "data: " + chunk + "\n\n");}@GetMapping(value = "/api/stream-chat-2", produces = "text/html;charset=UTF-8")public Flux<String> streamChat() {return chatClient.prompt().user("你是谁").stream().content();}
}

MCP Server调用

package com.example.client.controller;import com.example.client.domain.ChatRequest;
import com.example.client.util.MarkdownUtil;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.http.MediaType;
import org.springframework.web.bind.annotation.*;import java.util.Map;/*** 聊天控制器，处理AI聊天请求*/
@RestController
public class ChatController {private ChatClient chatClient;public ChatController(ChatClient.Builder chatClientBuilder,ToolCallbackProvider toolCallbackProvider) {this.chatClient = chatClientBuilder.defaultSystem("作为MCP小助手，请根据具体需求智能调用最合适的MCP工具组合来优化回答效果。" +"要求能够自动识别任务类型，精准匹配工具链，并在响应中保持专业性与实用性的平衡。" +"请确保输出结果既符合技术规范又具备良好的用户体验，同时支持多轮交互中的上下文连贯处理。")// 注册工具方法.defaultToolCallbacks(toolCallbackProvider).build();}@RequestMapping(value = "/chat", produces = MediaType.TEXT_HTML_VALUE)public String chatPage(@RequestParam String message) {System.out.println(">>> Q: " + message);// 记录开始时间long startTime = System.currentTimeMillis();// 使用API调用聊天String content = chatClient.prompt().user(message).call().content();// 计算AI响应耗时long aiResponseTime = System.currentTimeMillis();long aiDuration = aiResponseTime - startTime;System.out.println(">>> A：" + content);// Markdown转换耗时统计long markdownStartTime = System.currentTimeMillis();String htmlPage = MarkdownUtil.toHtmlPage(content);long markdownEndTime = System.currentTimeMillis();long markdownDuration = markdownEndTime - markdownStartTime;long totalDuration = markdownEndTime - startTime;System.out.println(">>> 耗时统计 - AI响应: " + aiDuration + "ms, Markdown转换: " + markdownDuration + "ms, 总计: " + totalDuration + "ms");return htmlPage;}}
调用高德 MCP Server （stdio）

在这里插入图片描述

在这里插入图片描述

调用server-filesystem MCP Server （stdio）

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

调用自己写的服务（sse）
spring.ai.mcp.client.sse.connections.server1.url=http://localhost:8085

在这里插入图片描述

在这里插入图片描述

2025-08-12T21:05:32.615+08:00  WARN 56008 --- [nio-8082-exec-9] .w.s.m.s.DefaultHandlerExceptionResolver : Resolved [org.springframework.web.bind.MissingServletRequestParameterException: Required request parameter 'message' for method parameter type String is not present]
>>> Q: 有多少种书
2025-08-12T21:06:15.405+08:00 DEBUG 56008 --- [nio-8082-exec-1] o.s.a.m.tool.DefaultToolCallingManager   : Executing tool call: spring_ai_mcp_client_server1_getBookCategories
2025-08-12T21:06:15.623+08:00 DEBUG 56008 --- [ient-1-Worker-8] io.modelcontextprotocol.spec.McpSchema   : Received JSON message: {"jsonrpc":"2.0","id":"b016e092-6","result":{"content":[{"type":"text","text":"[\"Web服务器\",\"容器技术\",\"数据库\",\"架构设计\",\"编程\",\"计算机科学\"]"}],"isError":false}}
2025-08-12T21:06:15.630+08:00 DEBUG 56008 --- [ient-1-Worker-8] i.m.spec.McpClientSession                : Received Response: JSONRPCResponse[jsonrpc=2.0, id=b016e092-6, result={content=[{type=text, text=["Web服务器","容器技术","数据库","架构设计","编程","计算机科学"]}], isError=false}, error=null]
>>> A：目前系统中有以下6种图书分类：1. Web服务器
2. 容器技术
3. 数据库
4. 架构设计
5. 编程
6. 计算机科学如果需要查询某一分类下的图书，可以告诉我具体分类名称。
>>> 耗时统计 - AI响应: 12955ms, Markdown转换: 5ms, 总计: 12960ms

性能优化建议

缓存策略

@Service
@EnableCaching
public class CachedChatService {@Cacheable(value = "chatResponses", key = "#message.hashCode()")public String getCachedResponse(String message) {return chatClient.prompt().user(message).call().content();}@CacheEvict(value = "chatResponses", allEntries = true)@Scheduled(fixedRate = 3600000) // 1小时清理一次public void clearCache() {// 定期清理缓存}
}

异步处理优化

@Service
public class AsyncChatService {@Async("chatExecutor")public CompletableFuture<String> processAsync(String message) {String response = chatClient.prompt().user(message).call().content();return CompletableFuture.completedFuture(response);}@Bean("chatExecutor")public TaskExecutor chatExecutor() {ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();executor.setCorePoolSize(4);executor.setMaxPoolSize(8);executor.setQueueCapacity(100);executor.setThreadNamePrefix("chat-");executor.initialize();return executor;}
}

最佳实践建议

架构设计最佳实践

  1. 分层清晰：严格按照控制层、服务层、集成层的分层架构设计
  2. 接口抽象：为核心组件定义清晰的接口，便于测试和扩展
  3. 配置外部化：所有可变参数通过配置文件管理
  4. 异常处理：建立统一的异常处理机制

性能优化最佳实践

  1. 连接复用：使用连接池管理HTTP连接
  2. 缓存策略：对频繁访问的数据实施缓存
  3. 异步处理：对耗时操作采用异步处理
  4. 资源管理：及时释放不再使用的资源

安全性最佳实践

  1. 输入验证：对所有用户输入进行严格验证
  2. 输出转义：防止XSS攻击
  3. API密钥管理：使用环境变量管理敏感信息
  4. 访问控制：实施适当的访问控制机制

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/web/93095.shtml
繁体地址，请注明出处：http://hk.pswp.cn/web/93095.shtml
英文地址，请注明出处：http://en.pswp.cn/web/93095.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

分析三个文件--启动文件、链接文件、map文件

分析三个文件--启动文件、链接文件、map文件

目录 启动文件 链接文件 部分map文件内容 FLASH物理地址(0x08000000开始)的映射关系 0x08000000 之前地址空间 启动文件 ;******************** (C) COPYRIGHT 2016 STMicroelectronics ******************** ;* File Name : startup_stm32f40_41xxx.s ;* Author…
阅读更多...
从零开始学Python之数据结构（字符串以及数字）

从零开始学Python之数据结构（字符串以及数字）

一、字符串 1.1 怎么定义字符串 字符串是Python最常用的数据结构之一。在 Python 里是用于处理文本数据的&#xff0c;比如存储姓名、文章内容等文本信息 。 定义方式&#xff1a; 单引号&#xff1a;用单引号 包裹文本&#xff0c;如 name Alice &#xff0c;单引号内可…
阅读更多...
Navicat 全量增量数据库迁移

Navicat 全量增量数据库迁移

在使用 Navicat 进行数据库迁移时&#xff0c;除了常见的“全量迁移”&#xff08;一次性迁移所有数据和结构&#xff09;&#xff0c;有时还需要支持 增量迁移&#xff08;只迁移新增或修改的数据&#xff09;。下面我将详细讲解如何通过 Navicat 实现&#xff1a;&#x1f50…
阅读更多...
css初学者第五天

css初学者第五天

<1>css的三大特性1.1 层叠性相同选择器给设置相同的样式&#xff0c;此时一个样式就会覆盖&#xff08;层叠&#xff09;另一份冲突的样式。层叠式主要解决样式冲突的问题。层叠性原则&#xff1a;-样式冲突&#xff0c;遵循的原则是就近原则&#xff0c;哪个样式离结构近…
阅读更多...
从神经网络语言模型(NNLM)到Word2Vec：自然语言处理中的词向量学习

从神经网络语言模型(NNLM)到Word2Vec：自然语言处理中的词向量学习

语言模型 语言(人说的话)模型(完成某个任务) 任务: 概率评估任务:在两句话中&#xff0c;判断哪句话出现的概率大(哪句话在自然语言中更合理)生成任务:预测词语,我明天要____ 统计语言模型 用统计的方法解决上述的两个任务 核心思想 给定一个词序列&#xff0c;计算该序列出现的…
阅读更多...
PID学习笔记5-双环PID

PID学习笔记5-双环PID

在学习江协科技PID课程时&#xff0c;做一些笔记&#xff0c;对应视频3-1&#xff0c;对应代码&#xff1a;1313-双环PID定速定位置控制-代码封装main.c:#include "stm32f10x.h" // Device header #include "Delay.h" #include "OLE…
阅读更多...
C#vb.net中Interlocked类实现原子操作加减计算,涵盖状态切换、计数控制等常见场景

C#vb.net中Interlocked类实现原子操作加减计算,涵盖状态切换、计数控制等常见场景

以下是 C# 中使用 int 类型结合 Interlocked 类实现原子操作的完整示例&#xff0c;涵盖状态切换、计数控制等常见场景&#xff1a; 完整代码示例csharp using System; using System.Threading;/// <summary> /// 基于整数类型的原子操作工具类&#xff08;线程安全&am…
阅读更多...
RCL 2025 | LLM采样机制的新视角：来自处方性偏移的解释

RCL 2025 | LLM采样机制的新视角：来自处方性偏移的解释

1. 导读 大型语言模型&#xff08;Large Language Models, LLMs&#xff09;在自主决策场景中的应用日益广泛&#xff0c;它们需要在庞大的行动空间中进行响应采样&#xff08;response sampling&#xff09;。然而&#xff0c;驱动这一采样过程的启发式机制仍缺乏深入研究。本…
阅读更多...
08 ABP Framework Blazor UI

08 ABP Framework Blazor UI

ABP Framework Blazor UI 架构 overview ABP Blazor UI 系统构建在 Blazorise 组件库之上&#xff0c;为构建数据驱动应用提供结构化方法&#xff0c;包含 CRUD 操作、主题和本地化的一致模式。 #mermaid-svg-QAvWlELsLhZgYXHu {font-family:"trebuchet ms",verdana,…
阅读更多...
JUC学习笔记-----LinkedBlockingQueueConcurrentLinkedQueueCopyOnWriteArrayList

JUC学习笔记-----LinkedBlockingQueueConcurrentLinkedQueueCopyOnWriteArrayList

LinkedBlockingQueue基本的入队出队初始化public class LinkedBlockingQueue<E> extends AbstractQueue<E>implements BlockingQueue<E>, java.io.Serializable {// 静态内部类 Node&#xff0c;用于存储队列元素及维护节点间关系static class Node<E>…
阅读更多...
小杰python高级（six day）——pandas库

小杰python高级（six day）——pandas库

1.数据可视化用于绘制 DataFrame 数据图形&#xff0c;它允许用户直接从 DataFrame 创建各种类型的图表&#xff0c;而不需要使用其他绘图库&#xff08;底层实际上使用了 Matplotlib&#xff09;。&#xff08;1&#xff09;plotDataFrame.plot(*args, **kwargs)功能&#xff…
阅读更多...
第十六届蓝桥杯青少组C++省赛[2025.8.9]第二部分编程题（1 、庆典队列）

第十六届蓝桥杯青少组C++省赛[2025.8.9]第二部分编程题（1 、庆典队列）

参考程序&#xff1a;#include <iostream> using namespace std;int main() {int n, A;cin >> n >> A; // 输入&#xff1a;n 和 A&#xff0c;用空格隔开cout << n / A; // 整数相除&#xff0c;自动向下取整return 0; }
阅读更多...
C++进阶：智能指针

C++进阶：智能指针

目录1. RAII与智能指针2. C库中的智能指针2.1 智能指针auto_ptr2.2 智能指针unique_ptr2.3 智能指针shared_ptr3. shared_ptr的循环引用4. 智能指针的定值删除器1. RAII与智能指针 上一篇文章学习了异常相关的知识&#xff0c;其中遗留了一个异常安全相关的问题。那就是异常的抛…
阅读更多...
Tkinter 实现按钮鼠标悬浮提示：两种方案（继承Frame与不继承）

Tkinter 实现按钮鼠标悬浮提示：两种方案（继承Frame与不继承）

在 Tkinter 桌面应用开发中&#xff0c;为按钮添加“鼠标悬浮提示”是提升用户体验的常用功能——无需点击&#xff0c;只需将鼠标挪到按钮上方&#xff0c;就能自动显示按钮功能说明。本文将详细介绍两种实现方案&#xff1a;不继承 Frame 类&#xff08;快速简洁版&#xff0…
阅读更多...
20250814 最小生成树总结

20250814 最小生成树总结

引子 啊啊额&#xff0c;从一张图里抽出几条边&#xff0c;组成一棵树&#xff0c;无环n−1n-1n−1条边&#xff0c;就是生成树。那么边权和最小的生成树就叫最小生成树&#xff0c;最大生成树同理。 kruskal最小生成树 要求kruskal最小生成树&#xff0c;我们首先用结构体数组…
阅读更多...
数据大集网：实体店获客引流的数字化引擎，解锁精准拓客新密码​

数据大集网：实体店获客引流的数字化引擎，解锁精准拓客新密码​

​在实体店面临流量焦虑、获客成本攀升的当下&#xff0c;实体店获客引流工具的重要性愈发凸显。如何在激烈的市场竞争中精准触达目标客户、构建可持续的客流增长模式&#xff1f;数据大集网凭借其创新的智能获客体系与全链路服务能力&#xff0c;正成为万千实体店突破增长瓶颈…
阅读更多...
nginx --ssl证书生成mkcert

nginx --ssl证书生成mkcert

github https://github.com/FiloSottile/mkcert/releases网盘下载地址 https://pan.baidu.com/s/1XI0879pqu7HXZMnmQ9ztaw 提取码: 1111windows使用示例
阅读更多...
守拙以致远：个人IP的长青之道|创客匠人

守拙以致远：个人IP的长青之道|创客匠人

2025年被认为是AI应用全面爆发的一年。各种人工智能工具在写作、制图、剪辑等领域广泛使用&#xff0c;大大提升了个人和团队的工作效率。对于个人IP而言&#xff0c;这类工具的出现确实带来了新的机会&#xff0c;但也伴随着一种现象——一些人开始过度依赖甚至神化AI&#xf…
阅读更多...
USB 3.0 LTSSM 状态机

USB 3.0 LTSSM 状态机

USB2.0在电源供应后&#xff0c;通过Pull Up D-来决定枚举LS&#xff0c;Pull Up D有一个USB高速握手过程&#xff0c;来决定HS FS。USB3.0则会通过链路训练&#xff08;Link Training&#xff09;&#xff0c;来准备USB3.0通信。每当我们插上USB线的时候&#xff0c;对于3.0的…
阅读更多...
MySQL窗口函数与PyMySQL以及SQL注入

MySQL窗口函数与PyMySQL以及SQL注入

MySQL窗口函数与PyMySQL实战指南&#xff1a;从基础到安全编程 引言 在数据处理和分析领域&#xff0c;MySQL作为最流行的关系型数据库之一&#xff0c;其窗口函数功能为数据分析提供了强大的支持。同时&#xff0c;Python作为数据分析的主要语言&#xff0c;通过PyMySQL库与My…
阅读更多...
最新文章

Copyright @ 2022~2023