思凡资源网

思凡资源网

基于 Spring AI 的 MCP 客户端/服务端架构指南

sifan10 0 2 次浏览 技术文章

背景

随着人工智能技术的爆发式增长，企业级应用对AI大模型的分析、推理、生成等能力需求日益迫切。然而，传统模型面临“数据孤岛”困境：大量关键业务数据分散在本地系统、专有数据库或第三方服务中，难以通过简单的提示词直接注入模型，导致模型理解受限、决策质量不足。更严峻的是，对于涉及隐私或合规要求的数据（如企业财务信息、医疗记录等），直接暴露给云端模型存在显著安全风险。如何打破数据壁垒，同时确保敏感信息的安全可控，成为AI落地的核心挑战。

在此背景下，模型上下文协议（MCP）应运而生。这一由Anthropic开源的开放协议，为AI模型与外部数据/工具提供了“标准化桥梁”，通过统一的接口规范，使模型能够动态调用本地文件、数据库、API等资源，实现“上下文感知”的智能交互。MCP的核心价值在于：

  • 标准化集成：告别“一对一”定制开发，通过协议对接即可连接任意兼容MCP的数据源或工具，大幅降低生态构建成本。
  • 安全与灵活性：支持本地部署，数据无需离境，兼顾隐私合规与实时访问需求。
  • 智能体赋能：为AI Agent提供“手脚”，使其能自主执行查询、分析、操作等复杂任务流。

而Spring AI作为Java生态中领先的AI开发框架，通过深度集成MCP协议，为开发者提供了企业级解决方案：其模块化架构、对同步/异步通信的支持、以及与Spring Boot的无缝融合，使得构建本地MCP客户端与服务端变得高效且可靠。无论是快速搭建文件系统的本地数据中台，还是构建与业务系统（如CRM、ERP）的实时联动，Spring AI的声明式配置、注解驱动开发模式极大降低了技术门槛。

本文将聚焦于“本地MCP服务建设”实战，详细讲解如何基于Spring AI框架，从零开始搭建MCP客户端与服务端，实现模型与本地资源的的安全交互。通过案例演示，读者将掌握如何通过标准化协议突破数据孤岛，构建既安全可控又具备动态扩展能力的AI应用，为业务智能化升级提供可落地的技术路径。


一、环境准备

1.1 基础环境要求

  • JDK：17+（推荐 JDK 21）
  • Spring Boot：3.4.5（3.x.x 系列）
  • Spring Framework：6.2.6（6.x.x 系列）
  • Spring AI：1.0.0-M7+（M6 之前版本存在已知问题）


二、模块架构

2.1 核心模块


三、代码实现

3.1 MCP 客户端

Maven 依赖配置

pom.xml

<dependencies>
    <!-- Spring AI Starter -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-mcp-client-webflux</artifactId>
    </dependency>
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-model-openai</artifactId>
    </dependency>
    
    <!-- WebFlux 支持 -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-webflux</artifactId>
    </dependency>
</dependencies>
<!-- 打包配置 -->
<build>
    <finalName>${appname}</finalName>
    <plugins>
        <plugin>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-maven-plugin</artifactId>
            <executions>
                <execution>
                    <goals><goal>repackage</goal></goals>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

Controller示例

McpClientController.java

@RestController
@RequestMapping("/service")
publicclassMcpClientController {
    privatefinal ChatClient chatClient;


    publicMcpClientController(ChatClient.Builder builder, ToolCallbackProvider tools){
        this.chatClient = builder.defaultToolCallbacks(tools).build();
    }


    @GetMapping("/query/currentTime/{country}")
    Flux<String> queryCurrentTime(@PathVariable String country){
        returnthis.chatClient
            .prompt(new PromptTemplate("调用本地工具查询国家{country}当前时间")
                .create(Map.of("country", country)))
            .stream()
            .content();
    }
}

3.2 MCP 服务端

工具类实现

DateTimeTool.java

@Service
publicclassDateTimeTool {
    privatestaticfinal Map<String, String> COUNTRY_MAP = Map.of(
        "c1", "2020-02-01 12:00:00",
        "c2", "2020-02-01 13:00:00"
    );


    @Tool(description = "国家时间查询工具")
    public String getCurrentDateTimeByCountry(String country){
        return COUNTRY_MAP.getOrDefault(country, 
            LocalDateTime.now().format(DateTimeFormatter.ISO_LOCAL_DATE_TIME));
    }
}

服务配置

McpServerApplication.java

@SpringBootApplication
publicclassMcpServerApplication {
    publicstaticvoidmain(String[] args){
        SpringApplication.run(McpServerApplication.class, args);
    }


    @Bean
    public ToolCallbackProvider tools(DateTimeTool tool){
        return MethodToolCallbackProvider.builder()
            .toolObjects(tool)
            .build();
    }
}


四、关键配置

4.1 客户端配置（application.properties）

application.properties

# 日志调试
logging.level.org.springframework.ai=DEBUG
logging.level.io.modelcontextprotocol=DEBUG


# OpenAI 配置
spring.ai.openai.base-url=${AI_BASE_URL}
spring.ai.openai.api-key=${API_KEY}
spring.ai.openai.chat.options.model=qwen-plus


# MCP 客户端配置
spring.ai.mcp.client.toolcallback.enabled=true
spring.ai.mcp.client.request-timeout=60s
spring.ai.mcp.client.root-change-notification=true
spring.ai.mcp.client.stdio.servers-configuration=classpath:mcp-service.json

4.2 服务端启动配置（mcp-service.json）

mcp-service.json

{
  "mcpServers": {
    "my-mcp-service": {
      "command": "java",
      "args": [
        "-Dspring.ai.mcp.server.stdio=true",
        "-Dspring.main.web-application-type=none",
        "-Dspring.main.banner-mode=off",
        "-Dlogging.pattern.console=",
        "-jar",
        "/home/admin/app/target/my-mcp-service.jar"
      ]
    }
  }
}

重要提示：必须禁用控制台输出，避免污染 stdio 输入流！


五、部署方案

5.1 打包配置（assembly.xml）

<assembly>
  <id>release</id>
  <formats><format>tar.gz</format></formats>
  <includeBaseDirectory>false</includeBaseDirectory>
  <fileSets>
    <!-- Client 打包 -->
    <fileSet>
      <directory>../mcp-client/target/</directory>
      <includes><include>*.jar</include></includes>
    </fileSet>
    
    <!-- Server 打包 -->
    <fileSet>
      <directory>../mcp-service/target/</directory>
      <includes><include>*.jar</include></includes>
    </fileSet>
  </fileSets>
</assembly>

整合 client/server 生成统一部署jar包，支持通过docker进行标准化部署。


六、注意事项

1.构建要求：

  • Maven 版本需与构建环境匹配；
  • 使用指定 JDK：baseline.jdk=ajdk-21；

2.协议兼容：

  • 确保 stdio 通道纯净，避免日志污染；
  • 服务端需禁用 Web 上下文：-Dspring.main.web-application-type=none；

3.异常处理：

  • 关注 stdio 通道的异常日志；
  • 建议超时设置 ≥60 秒：spring.ai.mcp.client.request-timeout=60s。


一键训练大模型及部署GPU共享推理服务

通过创建ACK集群Pro版，使用云原生AI套件提交模型微调训练任务与部署GPU共享推理服务。

点击一键训练模型及部署GPU共享推理服务-阿里云技术解决方案查看详情。

原文链接：，转发请注明来源！
思凡资源网 › 技术文章 › 基于 Spring AI 的 MCP 客户端/服务端架构指南