1. 简介

*1.1 什么是MCP*

Model Context Protocol（MCP）*模型上下文协议是一种标准化协议，它让大模型能够更容易地和外部的数据、工具连接起来。你可以把MCP想象成一个通用的插头或者接口，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。*

注意，它连接的不是物理设备，而是AI模型和外部的数据源、工具等。有了MCP，AI模型就能更方便地获取外部的信息，完成更多的任务。比如，通过MCP，AI模型可以操作电脑读写文件，或者模拟浏览器操作等。

*1.2 为什么需要MCP*

首先，MCP提供了一个标准化的接口，使得AI模型能够轻松地与各种外部工具和数据源进行交互，无需为每个工具或数据源单独开发集成代码。

其次，MCP还解决了数据孤岛问题，通过统一协议连接分散的数据源，使AI模型能够实时访问和利用最新的数据。

总的来说，MCP就像是一个桥梁，让AI模型与外部世界更好地连接起来，从而发挥出更大的价值和潜力。

*1.3 Java与MCP架构*

• 客户端/服务器层：McpClient负责处理客户端操作，而McpServer则管理服务器端协议操作。两者都利用McpSession来进行通信管理。

• 会话层（McpSession）：通过DefaultMcpSession实现来管理通信模式和状态。

• 传输层（McpTransport）：处理JSON-RPC消息的序列化和反序列化，并支持多种传输实现。

*MCP Client*

---

MCP客户端是模型上下文协议（MCP）架构中的关键组件，负责建立和管理与MCP服务器的连接。它实现了协议的客户端部分，如下图所示：

*MCP Server*

---

MCP服务器是模型上下文协议（MCP）架构中的基础组件，它为客户端提供工具、资源和功能。它实现了协议的服务器端部分，如下图所示：

Spring AI 提供了相对应的Spring Boot staters来非常方便的进行 MCP 的集成。接下来，我们将详细的完成一个完整的MCP应用案例。

*2. 实战案例*

*2.1 服务端开发*

我们将在 MCP 服务端提供2个外部功能：查询天气预报、获取IP地址详细信息。

引入依赖

<dependency>  <groupId>com.alibaba.cloud.ai</groupId>  <artifactId>spring-ai-alibaba-starter</artifactId>  <version>1.0.0-M6.1</version></dependency><dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId></dependency><dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-mcp-server-webflux-spring-boot-starter</artifactId></dependency>

说明：

• 引入alibaba-starter我们将使用阿里的大模型

• 引入mcp-server-webflux，以支持基于 Spring WebFlux 的 SSE（服务器发送事件）服务器传输

*配置文件*

spring:  ai:    dashscope:      api-key: sk-xxxooo      base-url: https://dashscope.aliyuncs.com/compatible-mode/v1      chat:        options:          stream: true          model: qwen-turbo---spring:  ai:    mcp:      server:        enabled: true        name: ai_mcp_server        version: 1.0.0        type: ASYNC        sse-message-endpoint: /mcp/message

以上我们就完成了基本的配置。接下来，我们需要提供2个外部工具。

工具编写

*获取天气预报*

public class CommonTool {    @Tool(description = "获取当前天气预报")  WeatherResponse getCurrentWeather(WeatherRequest request) {    System.err.printf("准备查询【%s】天气预报%n", request.city()) ;    RestClient client = RestClient.create(URI.create("https://api.vvhan.com")) ;    Map<?, ?> result = client.get()        .uri("/api/weather?city={0}", request.city())        .retrieve()        .body(Map.class) ;    try {      return new WeatherResponse(new ObjectMapper().writeValueAsString(result)) ;    } catch (JsonProcessingException e) {      throw new RuntimeException(e) ;    }  }    @Tool(description = "获取IP地址详细信息")  String getIpAddressInfo(String ip) {    System.err.printf("准备查询【%s】详细信息%n", ip) ;    RestClient client = RestClient.create(URI.create("https://api.vvhan.com")) ;    Map<?, ?> result = client.get()        .uri("/api/ipInfo?ip={0}", ip)        .retrieve()        .body(Map.class) ;    try {      return new ObjectMapper().writeValueAsString(result) ;    } catch (JsonProcessingException e) {      throw new RuntimeException(e) ;    }  }}

*注册工具*

@Configurationpublic class ToolsConfig {  @Bean  ToolCallbackProvider tools() {    ToolCallback[] toolCallbacks = ToolCallbacks.from(new CommonTool()) ;    return ToolCallbackProvider.from(toolCallbacks) ;  }}

如上所述，我们就成功构建了一个仅包含两个外部工具的MCP服务器。

*启动服务*

• 默认开启了一个/see端点（其实，还有一个消息传输的端点）

• 提示注册了2个工具（也不知道给个空格的）

接下来，我们进行客户端的开发。

*2.2 客户端开发*

引入依赖

<dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId></dependency><dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId></dependency><dependency>  <groupId>com.alibaba.cloud.ai</groupId>  <artifactId>spring-ai-alibaba-starter</artifactId>  <version>1.0.0-M6.1</version></dependency>

注意，这里引入的是mcp-client包。

配置文件

spring:  ai:    mcp:      client:        enable: true        name: ai-mcp-client        initialized: true        type: ASYNC        sse:          connections:            server1:              url: http://localhost:8888

我们配置了一个MCP服务端地址，你可以配置多个按照上面的方式。

完成以上的配置后，我们就可以配置ChatClient，然后进行接口的调用了。

@RestController@RequestMapping("/tools")public class ToolController {  private final ChatClient chatClient ;  public ToolController(ChatClient.Builder aiClientBuilder, ToolCallbackProvider mcpTools) {    this.chatClient = aiClientBuilder        .defaultTools(mcpTools)        .build() ;  }    @GetMapping("/weather")  public ResponseEntity<String> getCurrentWeather(String prompt) {    System.err.println(prompt) ;    String response = this.chatClient        .prompt(prompt)        .call().content() ;    return ResponseEntity.ok(response) ;  }    @GetMapping("/ip")  public ResponseEntity<String> getIpAddressInfo(String prompt) {    System.err.println(prompt) ;    String response = this.chatClient        .prompt(prompt)        .call().content() ;    return ResponseEntity.ok(response) ;  }}

在构造函数中，我们直接注入了ToolCallbackProvider，当我们系统启动时会自动的从配置的服务端进行查找有哪些可用的工具。

*启动服务*

控制台将输出如下从MCP Server获取的工具：

i.m.s.M Line:151 - Received JSON message: {  "jsonrpc": "2.0",  "id": "66d12dae-1",  "result": {    "tools": [      {        "name": "getCurrentWeather",        "description": "获取当前天气预报",         "inputSchema": {           "type": "object",           "properties": {             "request": {               "type": "object",               "properties": {                 "city": {                   "type": "string",                   "description": "城市"                 }               },               "required": ["city"]             }           },           "required": ["request"],           "additionalProperties": false         }       },       {         "name": "getIpAddressInfo",         "description": "获取IP地址详细信息",         "inputSchema": {           "type": "object",           "properties": {             "ip": {               "type": "string"             }           },           "required": ["ip"],           "additionalProperties": false         }       }    ]  }}

测试结果

成功！！！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】