Model Context Protocol (MCP) 模型上下文协议

一、引言

在当今生成式 AI 快速发展的时代，大型语言模型（LLM）如 GPT、Claude 等已经在自然语言理解、文本生成和对话交互等方面展现了惊人的能力。然而，LLM 本身只能依赖于训练数据和提示（Prompt）来生成回答，无法直接访问或操作外部系统、数据库、文件、第三方 API 等资源。为了让 LLM 能够在必要时获取更准确、更实时、更专业的上下文信息，并执行实际操作，Anthropic 提出了**模型上下文协议（Model Context Protocol，简称 MCP）**这一开放标准，用以规范 LLM 与各种数据源和工具的交互方式。MCP 的目标是为 AI 应用提供一个类似“USB-C 接口”的统一协议，让开发者只需一次集成，便可轻松连接到任意 MCP 服务器，从而让 AI 模型访问多种数据源与功能。

本篇博客将深入探讨 MCP 的设计初衷、核心概念、技术架构，以及在 Java/Spring 生态中如何通过 Spring AI MCP 客户端与服务端实现对 MCP 的集成与应用。我们将通过多个案例演示如何快速搭建 MCP 客户端与 MCP 服务端，包括本地文件系统、SQLite 数据库、天气查询等场景，并讨论安全性、可扩展性与最佳实践。最后，展望 MCP 在未来生成式 AI 生态中的发展趋势与挑战。

二、为什么需要模型上下文协议

弥补 LLM 的固有局限
LLM 虽然在通用语言任务上表现卓越，但其内部参数仅包含训练时所见的数据，无法实时访问新的信息或执行精确计算。传统做法需要在 Prompt 中硬编码外部调用逻辑，既繁琐又难以维护。MCP 提供了一种标准化的调用机制，让模型在需要时通过协议获取外部上下文或触发操作，从而提升回答的准确性与实用性。
简化多源集成成本
在没有统一协议前，不同的数据源和工具通常需要各自的 SDK 或 API 进行集成，导致接入成本高、维护复杂。MCP 定义了通用的 JSON-RPC 2.0 消息格式和能力协商机制，使得开发者只需实现符合 MCP 规范的服务器或客户端，就能与任意 MCP 生态中的其他组件互通。
支持复杂智能体与工作流
随着 Agent 式 AI 的兴起，智能体往往需要在对话中结合多种能力：查询数据库、检索文档、调用业务系统、发送邮件等。MCP 通过定义工具（Tools）、资源（Resources）和提示（Prompts）等概念，为构建多步骤、跨系统的复杂工作流提供了坚实的协议基础。

三、MCP 的核心概念与架构

3.1 协议规范（Protocol Specification）

MCP 基于 JSON-RPC 2.0，定义了客户端（MCP Client）与服务器（MCP Server）之间的消息格式、请求/响应结构以及错误处理机制。它通过状态化连接，允许在同一会话中进行多次请求和响应，并支持能力协商（Capability Negotiation），以确保客户端和服务器都能了解对方支持的功能版本。

3.2 核心角色

MCP Client：在 AI 应用端（通常嵌入在 LLM 服务或 Agent 框架中）的实现，负责根据用户请求或模型指令构建 JSON-RPC 调用，并将其发送给 MCP Server。Anthropic 提供了多种语言的 SDK（Python、TypeScript、Java 等），简化客户端开发。
MCP Server：在外部系统端的实现，接收并解析客户端请求，与实际的数据源或工具交互，将结果封装为符合 MCP 协议的 JSON 响应返回给客户端。MCP Server 可以访问本地文件、数据库、Web API 或其他服务。
Transport Layer：MCP 支持多种传输方式，目前主要有基于 stdio 的进程间通信和基于 SSE（Server-Sent Events）的 HTTP 长连接。stdio 方式适用于本地嵌入式部署，SSE 方式则支持跨网络、分布式调用。

3.3 功能模块

工具（Tools）：客户端可调用的函数或方法，例如查询天气、执行数据库查询、文件读写等。
资源（Resources）：结构化的数据集合，模型可用于检索或过滤，如文档库、知识图谱等。
提示（Prompts）：可复用的消息模板，帮助构建对话上下文或工作流步骤。

这些模块通过 MCP 协议进行描述与发现，客户端在初始化时可查询服务器提供的工具列表，并在对话中根据需要发起相应调用。

四、Spring AI MCP 集成概览

为了让 Java/Spring 开发者能够快速使用 MCP，Spring AI 提供了 spring-ai-mcp 工件，支持在 Spring Boot 应用中以最少的配置完成 MCP Client 和 MCP Server 的集成。

4.1 引入依赖

在 Maven 项目中添加：

<dependency>
  <groupId>org.springframework.experimental</groupId>
  <artifactId>spring-ai-mcp</artifactId>
  <version>0.2.0</version>
</dependency>

同时由于该工件位于 Spring Milestone 仓库，需要在 pom.xml 中添加：

<repositories>
  <repository>
    <id>spring-milestones</id>
    <name>Spring Milestones</name>
    <url>https://repo.spring.io/libs-milestone-local</url>
    <snapshots><enabled>false</enabled></snapshots>
  </repository>
</repositories>

对于 Gradle 项目，则在 build.gradle 中加入：

dependencies {
  implementation 'org.springframework.experimental:spring-ai-mcp:0.2.0'
}

4.2 MCP Client 初始化

Spring AI MCP 提供 McpClient 用于与 MCP Server 建立连接并发起调用。以下示例展示了如何通过 stdio 方式启动 Brave Search MCP 服务，并将其注册为 Spring AI ChatClient 的工具：

// 配置启动参数：使用 npx 启动 @modelcontextprotocol/server-brave-search
var stdioParams = ServerParameters.builder("npx")
        .args("-y", "@modelcontextprotocol/server-brave-search")
        .addEnvVar("BRAVE_API_KEY", System.getenv("BRAVE_API_KEY"))
        .build();

// 创建同步 MCP 客户端
var mcpClient = McpClient.using(new StdioClientTransport(stdioParams)).sync();

// 初始化连接
var init = mcpClient.initialize();
System.out.println("MCP Initialized: " + init);

// 将 MCP 工具转换为 Spring AI Function
var functionCallbacks = mcpClient.listTools(null)
        .tools()
        .stream()
        .map(tool -> new McpFunctionCallback(mcpClient, tool))
        .toArray(McpFunctionCallback[]::new);

// 构建 ChatClient 并注入 MCP 工具
var chatClient = chatClientBuilder
        .defaultFunctions(functionCallbacks)
        .build();

// 与模型交互示例
String response = chatClient
        .prompt("Does Spring AI support the Model Context Protocol? Please provide some references.")
        .call()
        .content();

System.out.println("Assistant: " + response);

以上代码演示了如何在 Spring Boot 应用中，通过 MCP 客户端与外部 MCP Server 建立连接，并将其作为函数回调（Function Callback）注册到 ChatClient，使得 LLM 在对话中能够动态调用 Brave Search 服务获取搜索结果。

五、案例 1：通过 MCP 访问本地文件系统

在许多场景下，我们需要让智能体能够查询或修改本地文件，以便利用文件内容作为对话上下文或存储模型生成的结果。以下示例展示了如何使用 MCP 将本地文件系统作为 MCP Server 暴露给 LLM：

5.1 环境准备

安装 npx：确保本地安装了 npm。
```
npm install -g npx
```

下载示例源码：

git clone https://github.com/springaialibaba/spring-ai-alibaba-examples.git
cd spring-ai-alibaba-examples/spring-ai-alibaba-mcp-example/filesystem

设置环境变量：

export AI_DASHSCOPE_API_KEY=<your-api-key>

构建并运行示例：

./mvnw clean install
./mvnw spring-boot:run

5.2 示例架构

MCP Server（filesystem）：通过 @modelcontextprotocol/server-filesystem 包，将本地目录作为文件系统服务端。客户端通过 stdio 与之通信。
MCP Client：在 Spring Boot 应用中，使用 StdioClientTransport 与 McpClient 建立连接，并将文件系统工具注册到 ChatClient。
ChatClient：将 MCP 工具注入后，与 LLM 交互时，模型可调用 readFile、writeFile 等方法操作文件。

5.3 关键代码

// MCP 客户端 Bean
@Bean(destroyMethod = "close")
public McpSyncClient mcpClient() {
    var stdioParams = ServerParameters.builder("npx")
            .args("-y", "@modelcontextprotocol/server-filesystem", "./data")
            .build();
    var mcpClient = McpClient.sync(new StdioServerTransport(stdioParams),
            Duration.ofSeconds(10), new ObjectMapper());
    var init = mcpClient.initialize();
    System.out.println("Filesystem MCP Initialized: " + init);
    return mcpClient;
}

// Function Callbacks Bean
@Bean
public List<McpFunctionCallback> functionCallbacks(McpSyncClient mcpClient) {
    return mcpClient.listTools(null)
            .tools()
            .stream()
            .map(tool -> new McpFunctionCallback(mcpClient, tool))
            .toList();
}

// ChatClient Bean 注入 MCP 工具
@Bean
public ChatClient chatClient(ChatClient.Builder builder, List<McpFunctionCallback> callbacks) {
    return builder.defaultFunctions(callbacks.toArray(new McpFunctionCallback[0]))
                  .build();
}

在上述配置完成后，当用户在对话中询问“请读取 data 目录下的 config.json 并告诉我其中的配置项”时，LLM 会自动发起对 readFile 工具的调用，MCP Server 返回文件内容，最终模型给出具体的配置解析。

六、案例 2：通过 MCP 访问 SQLite 数据库

除了文件系统，数据库也是常见的数据源。我们可以使用 MCP 将 SQLite 数据库暴露为 MCP Server，让 LLM 以自然语言查询数据库。

6.1 环境准备

安装 UVX 通用包管理工具，运行 uvx install mcp-server-sqlite。
下载示例源码并设置 API Key，同上。

构建并运行：

./mvnw clean install
./mvnw spring-boot:run

6.2 MCP Server 配置

使用 uvx 启动 mcp-server-sqlite：

uvx run mcp-server-sqlite --db-path=./data/shop.db

服务启动后，会监听 stdio，等待 MCP Client 请求。

6.3 MCP Client Bean

@Bean(destroyMethod = "close")
public McpSyncClient mcpClient() {
    var stdioParams = ServerParameters.builder("uvx")
            .args("run", "mcp-server-sqlite", "--db-path=./data/shop.db")
            .build();
    var mcpClient = McpClient.sync(new StdioServerTransport(stdioParams),
            Duration.ofSeconds(10), new ObjectMapper());
    var init = mcpClient.initialize();
    System.out.println("SQLite MCP Initialized: " + init);
    return mcpClient;
}

6.4 自然语言查询示例

用户：所有商品的价格总和是多少？
Assistant：LLM 自动调用 aggregate 工具执行 SELECT SUM(price) FROM products; 并返回 1642.8，最后生成回答：“所有商品的价格总和是 1642.8 元。”
用户：告诉我价格高于平均值的商品。
Assistant：LLM 调用 query 工具执行两步操作：先查询平均价格，再查询高于平均的商品列表，最终以自然语言返回结果列表。

七、Spring AI MCP Server 端实现

除了客户端，Spring AI 也提供了 MCP Server Starter，使得在 Spring Boot 应用中快速暴露工具变得极为简单。

7.1 基于 stdio 的 MCP 服务端

依赖

<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
</dependency>

配置（application.yml）

spring:
  main:
    web-application-type: none
  ai:
    mcp:
      server:
        stdio: true
        name: my-filesystem-server
        version: 0.1.0

实现工具类

@Service
public class FileSystemService {

    @Tool(description = "读取指定路径的文件内容")
    public String readFile(
            @ToolParameter(description = "文件路径，例如: data/config.json") String path) {
        try {
            return Files.readString(Paths.get(path));
        } catch (IOException e) {
            return "Error: " + e.getMessage();
        }
    }

    @Tool(description = "将内容写入指定路径的文件")
    public String writeFile(
            @ToolParameter(description = "文件路径，例如: data/output.txt") String path,
            @ToolParameter(description = "要写入的内容") String content) {
        try {
            Files.writeString(Paths.get(path), content);
            return "Write successful";
        } catch (IOException e) {
            return "Error: " + e.getMessage();
        }
    }
}

注册工具

@SpringBootApplication
public class McpServerApplication {
    public static void main(String[] args) {
        SpringApplication.run(McpServerApplication.class, args);
    }

    @Bean
    public ToolCallbackProvider fileSystemTools(FileSystemService service) {
        return MethodToolCallbackProvider.builder()
                .toolObjects(service)
                .build();
    }
}

运行后，Spring Boot 应用将作为 MCP Server 进程，通过 stdio 与 MCP Client 通信，实现对文件系统工具的调用。

7.2 基于 SSE 的 MCP 服务端

依赖

<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-mcp-server-webflux-spring-boot-starter</artifactId>
</dependency>
<dependency>
   <groupId>org.springframework.boot</groupId>
   <artifactId>spring-boot-starter-webflux</artifactId>
</dependency>

配置（application.yml）

server:
  port: 8080
spring:
  ai:
    mcp:
      server:
        name: my-sse-filesystem-server
        version: 0.1.0

工具实现与注册

与 stdio 方式相同，只需同时提供 WebClient.Builder Bean：

@Bean
public WebClient.Builder webClientBuilder() {
    return WebClient.builder();
}

运行后，MCP Server 将监听 HTTP 连接，支持多个客户端通过 SSE 长连接进行调用。

八、安全、性能与最佳实践

安全性：对敏感工具（如文件写入、数据库写入、外部 API 调用）需进行鉴权和审计；对客户端输入参数做严格校验；在 SSE 模式下，使用 HTTPS 并启用身份验证与授权。
性能：对耗时操作（大文件读写、复杂查询）可采用异步处理；合理设置超时时间；对于高并发场景，可水平扩展 MCP Server 实例。
版本管理：在协议升级或工具更新时，通过能力协商机制让客户端和服务器平滑过渡；在工具描述中添加 version 字段，便于模型和客户端了解工具版本。
监控与日志：记录 MCP 请求与响应日志；监控调用延迟和错误率；对于 stdio 模式，可将 stderr 重定向到集中式日志系统。
工具设计：每个工具方法应职责单一、参数明确；为参数添加详细描述，帮助模型正确生成调用；避免“万能”接口，防止模型生成复杂、错误的调用。

九、MCP 生态与未来展望

自 Anthropic 于 2024 年 11 月发布 MCP 以来，已有包括 Replit、Codeium、Sourcegraph 等多家厂商和开源社区项目接入 MCP 生态，构建了代码搜索、文档检索、知识库、开发者助手等多种 Agent 应用。

未来，随着更多语言的 SDK 发布、标准规范的完善以及社区最佳实践的沉淀，MCP 有望成为生成式 AI 应用的事实标准，助力开发者更高效地构建智能体、工作流和交互式应用。同时，安全、可扩展性、可组合性等方面也将成为生态发展的重点研究方向。

十、总结

模型上下文协议（MCP）为 LLM 应用提供了一个统一、标准化的接口，使其能够在对话或工作流中随时访问和操作外部数据源与工具。通过 JSON-RPC 2.0 协议、能力协商机制和多种传输层实现，MCP 打破了不同系统间的集成壁垒，简化了多源集成成本。

在 Java/Spring 生态中，借助 Spring AI MCP，我们可以轻松地将本地文件系统、数据库、第三方 API 等资源暴露给 LLM，并在 ChatClient 中将其注册为函数回调，实现“智能体”式的交互与自动化操作。

随着 MCP 生态的不断壮大与成熟，未来生成式 AI 应用将在多领域多场景中得到更广泛的应用，推动智能体技术向更高的可用性、可靠性和安全性发展。希望本文能帮助读者全面了解 MCP 的原理、实现和最佳实践，快速上手并在实际项目中落地应用。

本文部分示例改编自 Anthropic 官方博客、Model Context Protocol 官网及社区文章。

一、引言

二、为什么需要模型上下文协议

三、MCP 的核心概念与架构

3.1 协议规范（Protocol Specification）

3.2 核心角色

3.3 功能模块

四、Spring AI MCP 集成概览

4.1 引入依赖

4.2 MCP Client 初始化

五、案例 1：通过 MCP 访问本地文件系统

5.1 环境准备

5.2 示例架构

5.3 关键代码

六、案例 2：通过 MCP 访问 SQLite 数据库

6.1 环境准备

6.2 MCP Server 配置

6.3 MCP Client Bean

6.4 自然语言查询示例

七、Spring AI MCP Server 端实现

7.1 基于 stdio 的 MCP 服务端

依赖

配置（application.yml）

实现工具类

注册工具

7.2 基于 SSE 的 MCP 服务端

依赖

配置（application.yml）

工具实现与注册

八、安全、性能与最佳实践

九、MCP 生态与未来展望

十、总结

猜你喜欢

目录

热门文章