王炸！MCP 架构设计深度剖析 & 使用 Spring AI + MCP 四步教你实现 Agent 智能体开发

最新推荐文章于 2025-05-11 12:03:40 发布

musicml

最新推荐文章于 2025-05-11 12:03:40 发布

阅读量1.4k

点赞数 6

文章标签：人工智能 spring java 后端

本文链接：https://blog.csdn.net/musicml/article/details/147018776

版权

大家好，我是玄姐。

Model Context Protocol（MCP）模型上下文协议是一种标准化协议，它让大模型能够更便捷地与外部数据、工具相连。你可以把 MCP 想象成一个通用的插头或接口，就像 USB-C 一样，不管是什么设备，只要插上这个接口，就能和电脑、充电器等连接起来。只不过，MCP 连接的不是物理设备，而是 AI 大模型与外部的数据源、工具等。

有了 MCP，AI 大模型就能更轻松地获取外部信息，完成更多任务。比如，通过 MCP，AI 大模型可以操作电脑读写文件，或者模拟浏览器操作等。

—1—

MCP 架构设计剖析

第一、MCP 架构设计

MCP 包含三大核心模块：MCP Hosts、MCP Clients、MCP Servers。

MCP Hosts：像 Claude Desktop、Cursor 这样的应用程序，它们通过 MCP Client 访问数据。
MCP Clients：与 MCP Server 服务器保持 1:1 连接的协议客户端。
MCP Servers：轻量级程序，每个 AI 程序都通过标准化的模型上下文协议公开特定功能。

第二、Java MCP 架构设计案例

结合 AI 大模型，以一个 Java AI 应用（比如：AI Agent 智能体）为例，Java MCP 架构设计如下所示：

可以看到 Java MCP 架构设计的传输层有两类：Stdio Transport、HTTP SSE，如下图所示：

第三、MCP 架构设计的工作模式

MCP Server 可以以工具（Tools）的形式配置到 MCP Client 中。当我们向 MCP Host 发送执行指令时，MCP Host 会携带这些工具信息，一起发送给 AI 大模型。随后，AI 大模型会进行意图识别和语义分析，并调用 MCP 来执行具体的业务需求，处理逻辑时序图如下图所示：

上图大致的处理逻辑，总结如下6步：

1、读取配置文件，运行所有 MCP Servers，获取可用的 Tools；

2、用户与 LLM 对话（附带所有 Tools 名称描述，参数定义）；

3、LLM 识别到要执行某个Tool，返回名称和参数；

4、找到对应 MCP Server 的 Tool，调用执行，返回结果；

5、把工具执行结果提交给 LLM；

6、LLM 返回分析结果给用户。

你可以把 MCP 想象成你雇来的得力助手，你只需要告诉他你的想法，他就会负责跑腿和执行具体任务，而你只需负责下达指令和验收最终结果。

以下使用 Spring AI + MCP 四步教你实现 Agent 智能体开发。

—2—

MCP Server 开发步骤

本节手把手教您搭建一个基于 Spring AI MCP 的 Java MCP Server，让您能够在各类客户端轻松调用企业级 AI 服务。借助这一方案，您可以将业务逻辑与工具无缝融入 AI 交互流程，为用户提供更智能、更贴合业务场景的体验。

第一、准备环境

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

第二、业务逻辑实现

@ServicepublicclassMeilisearchService {    @Tool(description = "PIG ISSUE 知识库检索，解决用户技术问题 ")    public String queryQuestion(@ToolParam(description = "用户的技术问题描述 ") String question) {        Clientclient=newClient(newConfig()));        SearchResultresults= client.index("pigx-doc")            .search(newSearchRequest(question)                .setShowMatchesPosition(true)                .setSort(newString[]{"lvl2:desc"})                .setLimit(1));        return results.getHits().stream()            .map(hit -> "【"+hit.get("lvl0")+"】"+hit.get("text"))            .collect(Collectors.joining("\n\n"));    }}

第三、服务注册

@Configuration    public class McpConfig {       @Bean            public ToolCallbackProvider documentTools(MeilisearchService searchService) {                   return MethodToolCallbackProvider.builder()                          .toolObjects(searchService)                          .build();       }}

—3—

MCP Client 配置

第一、MCP Clent 通用配置

{  "mcpServers":{    "pig-issue":{      "isActive":true,      "command":"java",      "args":[        "-Dspring.ai.mcp.server.stdio=true",        "-jar",        "/Users/lengleng/env/repository/io/github/pig-mesh/pig-issue-query-mcp/0.0.1-SNAPSHOT/pig-issue-query-mcp-0.0.1-SNAPSHOT.jar"      ]    }}}

第二、图形化配置

1、Cherry 客户端配置界面

2、客户端配置界面

第三、效果展示

—4—

MCP 架构设计总结

总体而言，MCP 解决了 Client 和 Server 之间的数据交互问题，但在 LLM 到 Tool 的对接上仍有不足：不同模型对 Function Call 的支持程度参差不齐，例如 DeepSeek R1 就不支持，这就导致了工具路由的问题。

第一、不足之处

1、开源时间较短：目前还不够完善，语言支持有限，示例代码也不够丰富。

2、MCP Server 质量参差不齐：缺乏统一的质量保障体系和包管理工具，许多 MCP Server 无法正常运行，或者频繁崩溃。

3、本地 MCP Server 依赖特定环境：本地 MCP Server 仍依赖 Node.js 或 Python 环境，而远程 MCP Server 的支持较少。

第二、未来展望

如果未来更多 AI 应用开始接入 MCP 协议，生态逐渐完善，其能力将非常强大。随着使用人数的增加，会有更多 AI 应用愿意对接，真正实现一套代码在所有地方运行。

个人认为，MCP 仍有很大的发展潜力，未来可期！

PS：

推荐大家加入《3天基于 MCP 的 Agent 项目实战直播训练营》，为了帮助大家快速和低成本掌握 AI Agent 智能体技术，我和团队落地大模型项目3年，帮助60多家企业落地近100个项目，根据我们企业级实战的项目经验，打造基于 MCP、Manus、DeepSeek 的 AI Agent 项目实战直播训练营，截至今天已经报名2万名学员，如此火爆！原价199元，为了回馈粉丝的支持，价格直接降到 19元，点击以下报名。

—5—

3天 Agent 智能体项目实战直播课

3天的直播课，带你快速掌握基于 MCP、Manus、DeepSeek 的AI Agent 智能体核心技术和企业级项目实践经验。

模块一：AI Agent 智能体技术原理篇

全面拆解 AI Agent 智能体技术原理，深度掌握基于 MCP、Manus、DeepSeek 的 AI Agent 智能体三大能力及其运行机制。

模块二：AI Agent 智能体应用开发实战篇

深度讲解基于 MCP、Manus、DeepSeek 的 AI Agent 智能体技术选型及开发实践，学会开发 AI Agent 智能体核心技术能力。

模块三：AI Agent 智能体企业级案例实战篇

基于 MCP、Manus、DeepSeek，从需求分析、架构设计、架构技术选型、硬件资料规划、核心代码落地、服务治理等全流程实践，深度学习企业级 AI Agent 智能体项目全流程重点难点问题解决。