1. 项目概述为什么Spring AI 2.0.0-M3的MCP集成值得关注如果你最近在关注AI应用开发特别是基于Spring Boot构建AI驱动的服务那么Spring AI 2.0.0-M3这个里程碑版本绝对值得你花时间深入研究。这个版本的核心亮点无疑是引入了对MCPModel Context Protocol的原生支持。这听起来可能只是一个技术协议的集成但它的意义远不止于此。简单来说MCP的引入正在悄然改变我们构建AI应用时与外部工具、数据和系统交互的方式让AI从“一个聪明的聊天机器人”真正变成一个能替你“动手干活”的智能体。在过去无论是用LangChain还是早期的Spring AI我们想让大语言模型LLM去操作数据库、调用API或者读取文件通常需要写大量的胶水代码。你需要定义工具Tools的描述处理复杂的输入输出解析还要确保模型能正确理解在什么场景下该调用哪个工具。这个过程繁琐且容易出错尤其是在工具数量增多、参数变复杂的时候。MCP协议的出现就是为了标准化这个“让AI使用工具”的过程。它定义了一套服务端提供工具和数据与客户端通常是AI应用或AI Agent之间的通用通信规范。Spring AI 2.0.0-M3这次将MCP作为一等公民集成进来意味着你现在可以用一种声明式、标准化的方式为你的Spring AI应用注入强大的“动手能力”。你可以轻松连接到一个MCP服务器这个服务器可能提供了访问公司内部数据库的接口、一套内部API、甚至是控制智能家居设备的指令集。然后你的AI应用就能通过标准协议发现并使用这些工具无需为每个工具编写特定的集成代码。这极大地降低了构建复杂AI Agent的门槛也提升了系统的可维护性和可扩展性。对于正在探索AI应用落地的团队和个人开发者而言这个特性可能成为技术选型中的一个关键加分项。2. MCP协议深度解析它如何重塑AI与工具的交互范式要理解Spring AI这次集成的价值我们得先抛开代码看看MCP到底解决了什么根本问题。你可以把MCP想象成AI世界的“USB协议”。在USB协议出现之前每个外设鼠标、键盘、打印机都需要自己的专用接口和驱动混乱且不兼容。USB协议定义了一套标准让所有设备都能通过相同的物理接口和通信方式与电脑对话。MCP之于AI工具就扮演着类似的角色。2.1 MCP的核心组件与工作流程MCP协议的核心围绕着几个关键概念展开理解它们对后续的实操至关重要。首先是资源Resources。资源代表了MCP服务器能提供的数据或内容块。比如一个数据库MCP服务器可能将“用户表”定义为一个资源一个文件系统MCP服务器可能将“/docs/readme.md”文件定义为一个资源。客户端可以列出list和读取read这些资源。这解决了AI需要获取结构化或非结构化上下文信息的需求。其次是工具Tools。这是MCP的灵魂。工具代表了可执行的操作。每个工具都有明确的名称、描述和参数模式通常用JSON Schema定义。例如“执行SQL查询”、“发送邮件”、“生成图表”都可以是工具。当AI模型决定要执行某个动作时它会请求客户端调用对应的工具并传入参数。整个交互流程可以简化为以下几步连接与初始化Spring AI应用作为MCP客户端连接到MCP服务器例如一个本地运行的、提供了公司CRM API工具集的服务器。发现客户端向服务器请求可用的资源列表和工具列表。服务器返回这些对象的元数据包括详细的描述和输入规范。集成到AI上下文Spring AI框架将这些获取到的工具描述以一种模型能理解的方式通常是格式化的文本提示注入到每次与AI模型对话的上下文System Prompt或类似机制中。模型由此知道“我现在有哪些能力可以用”。调用与执行在对话过程中当模型判断需要执行某个操作如“帮我查一下上个月的销售额”它会输出一个结构化的请求指明要调用哪个工具以及参数是什么。Spring AI框架截获这个请求将其转换为对MCP服务器的标准调用。结果返回MCP服务器执行工具比如真的去查询了数据库将结果返回给客户端。客户端再将这个结果作为新的上下文信息反馈给AI模型让模型基于结果继续生成回答。这个流程的关键在于标准化和声明式。工具提供者MCP服务器只需要按照协议暴露接口工具使用者AI应用只需要按照协议去发现和调用双方不再需要紧密的代码耦合。2.2 与传统“工具调用”模式的对比在没有MCP的时代Spring AI或类似框架也有工具调用的能力但实现方式通常是“硬编码”或“紧耦合”的。你需要在应用代码中定义Java方法并用Tool之类的注解标记。为这个方法编写详细的描述字符串。框架在运行时通过反射收集这些工具并将描述拼接到提示词中。这种方式的问题在于灵活性差工具和业务代码绑定要新增或修改一个工具必须修改应用代码并重新部署。复用性低一套工具很难被另一个不同的AI项目直接使用。语言/生态绑定工具通常需要用框架支持的语言如Java编写无法直接集成用Python、Go等语言编写的现有服务。MCP通过将工具“服务化”和“协议化”完美解决了这些问题。工具逻辑可以独立部署在任何地方用任何语言编写只要它遵守MCP协议。你的Spring AI应用就像一个通用的工具调用器可以随时接入不同的工具服务器动态扩展其能力。这种架构非常符合云原生和微服务的设计理念。3. Spring AI 2.0.0-M3中MCP集成的实操详解理论讲清楚了我们来看在Spring AI 2.0.0-M3中具体如何用起来。目前MCP支持还处于早期阶段但核心的客户端功能已经可用让我们能快速搭建一个演示环境。3.1 环境准备与项目初始化首先你需要一个Spring Boot 3.x的项目。我推荐使用 start.spring.io 快速生成依赖选择上除了基础的Spring Web核心是Spring AI。由于M3是里程碑版本你可能需要配置Spring的里程碑仓库。在你的pom.xml中需要添加Spring AI的依赖和仓库配置!-- 在pom.xml中添加Spring Milestone仓库 -- repositories repository idspring-milestones/id nameSpring Milestones/name urlhttps://repo.spring.io/milestone/url snapshots enabledfalse/enabled /snapshots /repository /repositories dependencies !-- Spring Boot基础依赖 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency !-- Spring AI 核心依赖 -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-core/artifactId version2.0.0-M3/version /dependency !-- 你需要使用的具体AI模型连接器例如OpenAI -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-openai-spring-boot-starter/artifactId version2.0.0-M3/version /dependency !-- MCP 客户端依赖 -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-mcp-client/artifactId version2.0.0-M3/version /dependency /dependencies注意版本号2.0.0-M3表明这是第三个里程碑版本API可能仍有变动不建议直接用于生产环境但非常适合学习和原型验证。接下来你需要一个MCP服务器来连接。为了快速演示我们可以使用一个现成的、功能简单的MCP服务器。社区有一些开源示例比如一个提供“计算器”和“获取天气”等模拟工具的服务器。你可以用Node.js或Python快速启动一个。这里假设我们有一个运行在http://localhost:8081的MCP服务器。3.2 配置MCP客户端并注入工具Spring AI通过自动配置和ApplicationRunner让我们可以很方便地在应用启动后连接MCP服务器。核心的配置类叫做McpClientProperties我们可以在application.yml中配置# application.yml spring: ai: mcp: client: enabled: true # 启用MCP客户端 servers: my-mcp-server: # 自定义服务器名称 transport: sse # 传输协议支持SSE (Server-Sent Events) 或 stdio endpoint: http://localhost:8081/sse # MCP服务器的SSE端点 # 如果是stdio协议则需要配置command用于启动服务器进程 # command: [node, /path/to/mcp-server.js]然后我们需要创建一个配置类或组件在启动时获取MCP工具并注册到Spring AI的ToolCaller或ChatClient中。以下是一个典型的Component示例import jakarta.annotation.PostConstruct; import org.springframework.ai.mcp.client.McpClient; import org.springframework.ai.mcp.client.McpClientFactory; import org.springframework.ai.model.tool.ToolCallingUtils; import org.springframework.ai.service.AiService; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Component; import java.util.List; Component public class McpToolRegistrar { private final McpClientFactory mcpClientFactory; private final AiService aiService; // 或者注入 ChatClient Autowired public McpToolRegistrar(McpClientFactory mcpClientFactory, AiService aiService) { this.mcpClientFactory mcpClientFactory; this.aiService aiService; } PostConstruct public void registerMcpTools() { // 1. 获取配置的MCP客户端对应yml中的‘my-mcp-server’ McpClient mcpClient mcpClientFactory.getClient(my-mcp-server); // 2. 从MCP服务器获取所有可用工具的定义 ListToolSpecification toolSpecs mcpClient.listTools(); // 3. 将这些工具注册到AI服务上下文中 // 具体方法取决于你使用的AI服务抽象层 // 如果是直接使用 ChatClient可能需要通过 ChatOptions 注入 // 这里以假设的AiService接口为例 ToolCallingUtils.registerTools(aiService, toolSpecs); System.out.println(Registered toolSpecs.size() tools from MCP server.); } }这段代码的关键在于McpClient.listTools()它通过MCP协议与服务器通信获取到所有工具的元数据名称、描述、参数schema。注册成功后这些工具的描述就会被自动添加到后续每次与AI模型对话的系统指令中。3.3 编写一个简单的对话控制器进行测试现在我们可以创建一个REST端点来测试工具调用是否生效。我们创建一个简单的ChatControllerimport org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.model.ChatResponse; import org.springframework.ai.chat.prompt.Prompt; import org.springframework.ai.chat.prompt.SystemPromptTemplate; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; import java.util.Map; RestController public class ChatController { private final ChatClient chatClient; // ChatClient 应该已经被Spring AI自动配置并注入了我们从MCP获取的工具 public ChatController(ChatClient chatClient) { this.chatClient chatClient; } GetMapping(/chat) public String chat(RequestParam String message) { // 构建一个系统提示引导模型在需要时使用工具 String systemText 你是一个有帮助的AI助手。你可以使用以下工具来帮助用户 - 如果用户问及计算请使用计算器工具。 - 如果用户问及天气请使用天气查询工具。 请根据用户的问题判断是否需要以及使用哪个工具并给出最终答案。 ; Prompt prompt new Prompt( message, new SystemPromptTemplate(systemText).createMessage() ); ChatResponse response chatClient.call(prompt); return response.getResult().getOutput().getContent(); } }启动你的Spring Boot应用和MCP服务器。访问http://localhost:8080/chat?message请计算一下125乘以38等于多少。如果一切顺利会发生以下事情你的请求和系统提示被发送给AI模型如GPT-4。AI模型从上下文中知道有一个“计算器”工具可用并决定调用它。模型会输出一个结构化的工具调用请求。Spring AI框架拦截这个请求通过我们之前注册的MCP客户端将调用转发到http://localhost:8081的MCP服务器。MCP服务器执行计算逻辑返回结果“4750”。框架将结果“4750”作为新的上下文信息再次发送给AI模型。AI模型生成最终回答“125乘以38等于4750。”你会在应用日志中看到工具被调用和返回结果的详细过程。这个过程完全自动化你的业务代码里没有出现任何计算逻辑计算能力是通过协议从外部“注入”的。4. 重大升级特性盘点超越MCP的其他关键改进Spring AI 2.0.0-M3不仅仅只有MCP。作为一个大版本的主要里程碑它包含了一系列旨在提升开发者体验、稳定性和功能的重大改进。了解这些改进能帮助你在未来版本稳定后更好地规划升级。4.1 全新且更稳定的API设计Spring AI 1.x的API在快速迭代中经历了一些变化而2.0.0-M3标志着API开始走向稳定和成熟。一些关键的改进包括ChatClient成为核心交互入口与AI模型的交互被进一步抽象和统一到ChatClient接口下。这个接口提供了流式和非流式调用、函数工具调用集成、结构化输出等高级功能的统一访问方式减少了直接操作底层ChatModel的复杂度。强类型化的ChatOptions用于配置每次对话行为的选项如温度、top_p、工具定义等现在有了更清晰、类型安全的构建方式。例如添加工具不再需要拼接字符串而是通过ToolSpecification对象。更清晰的职责分离Prompt、Message、ChatResponse等核心概念的定义更加精确减少了歧义。例如SystemMessage、UserMessage、AssistantMessage和ToolMessage的区分使得对话历史的管理和工具调用结果的回传更加符合OpenAI等主流API的规范。这些API变化的目标是减少“魔法”让代码意图更清晰同时也为未来集成更多类型的模型和能力打下坚实基础。在从1.x迁移时你需要仔细阅读迁移指南但付出这份努力是值得的因为新的API更健壮也更面向未来。4.2 向量存储与检索增强检索RAG能力优化检索增强生成RAG是当前AI应用的主流模式之一Spring AI对其支持进行了显著增强。向量存储接口标准化与扩展对VectorStore接口进行了加固支持了更丰富的查询选项如元数据过滤filtering、混合搜索hybrid search结合关键词和向量相似度以及搜索结果的分数similarity score返回。这使得构建复杂的文档问答系统更加得心应手。文档加载与处理的流水线化新增或改进了许多DocumentReader和TextSplitter的实现。现在你可以更容易地构建一个从PDF、Word、HTML、Markdown等格式读取内容经过清洗、分块最后存入向量数据库的完整流水线。这个流水线可以与Spring Batch或Spring Integration更好地结合实现大规模文档的离线处理。更灵活的检索上下文构建在RAG流程中如何将检索到的文档片段组合成有效的上下文提示Prompt是关键。新版本提供了更多可配置的PromptTemplate和上下文组织策略让你可以轻松实现“多路召回、重排序、精炼合成”等高级RAG模式。4.3 模型供应商连接器的持续丰富与改进Spring AI的核心价值之一在于对多种AI模型供应商的统一抽象。在2.0.0-M3中各个连接器如OpenAI、Anthropic Claude、Azure OpenAI、Ollama、Vertex AI等都更新到了最新的供应商API版本并修复了大量已知问题。特别值得一提的是对本地模型支持的加强。通过Ollama连接器你可以非常方便地在本地运行Llama 3、Mistral、Gemma等开源模型并享受与商用API相同的编程接口。这对于开发测试、成本敏感场景或数据隐私要求高的项目来说是一个巨大的利好。配置简单到只需要在application.yml中设置spring.ai.ollama.base-urlhttp://localhost:11434然后就可以像调用GPT一样调用本地模型了。4.4 可观测性Observability与监控能力初现构建生产级AI应用可观测性必不可少。2.0.0-M3开始引入更完善的监控支持。与Micrometer深度集成关键操作如模型调用、令牌使用、耗时现在会自动生成Metrics指标你可以轻松地将这些指标导出到Prometheus、Datadog等监控系统从而跟踪AI调用的成本、延迟和成功率。结构化的日志输出工具调用、模型请求/响应等关键事件的日志格式更加结构化便于使用ELK或Loki等日志聚合工具进行分析和告警。初步的分布式追踪支持在微服务架构中一个用户请求可能触发多次AI调用和工具调用。新版本开始尝试与OpenTelemetry等追踪标准集成帮助你在复杂的调用链中定位性能瓶颈和故障点。虽然这部分功能还在演进中但方向很明确让AI应用的运维像运维普通微服务一样透明和可控。5. 实战中的挑战、注意事项与迁移建议拥抱新特性总是伴随着挑战。基于我对M3版本的初步探索这里分享一些实战中可能遇到的问题和我的建议。5.1 MCP集成的当前局限与应对策略首先必须明确Spring AI 2.0.0-M3中的MCP支持是客户端支持。这意味着Spring AI可以作为一个MCP客户端去连接和使用已有的MCP服务器。但是Spring AI目前没有提供开箱即用的、将你现有的Spring Boot服务快速暴露为MCP服务器的工具库或注解类似Tool的MCP服务器版。这是当前最大的一个“期望落差”。应对策略寻找现有的MCP服务器社区已经有一些优秀的MCP服务器实现例如mcp-server-sqlite提供SQLite数据库操作工具。mcp-server-filesystem提供文件系统访问工具。anthropic官方也维护了一些示例服务器。你可以从这些项目开始了解MCP服务器的构建方式。自行实现MCP服务器如果你需要将自定义业务能力暴露为工具目前需要参考MCP协议规范用其他语言如TypeScript/Python因为现有SDK丰富自行实现一个服务器。这是一个额外的开发成本但一旦实现它可以被任何兼容MCP的客户端不限于Spring AI使用长期看是值得的。期待社区发展随着MCP协议被更多项目采纳如Cursor IDE、Claude Desktop都已支持预计会有更多语言的服务器SDK出现也可能会有Spring Native的MCP服务器实现。5.2 从Spring AI 1.x迁移到2.0.0-M3的挑战API的演进意味着 breaking changes。如果你有基于1.x的项目升级到M3需要仔细调整。包名和类名变更一些核心类所在的包名和类名发生了变化。例如一些类可能从org.springframework.ai.chat下的子包移动到了更合理的位置。IDE的重构工具和查找替换功能会是你的好朋友。配置属性前缀变化application.yml中的配置项前缀可能从spring.ai.*的某些部分发生了调整。务必对照新版本的官方文档或配置元数据spring-configuration-metadata.json进行检查。ChatClient的广泛使用在1.x中你可能直接注入了ChatModel并调用其call方法。在2.0中更鼓励使用ChatClient作为主要接口。ChatClient提供了更流畅的APIFluent API虽然学习曲线略有增加但功能更强大。工具调用API重写如果你之前使用了Tool注解的方式定义工具这部分代码需要重写。你需要将工具逻辑迁移到一个独立的MCP服务器中或者等待Spring AI未来提供将Tool方法自动暴露为MCP端点的支持如果该特性被实现。建议对于现有项目不要急于升级到里程碑版本。可以先用一个全新的分支或小项目进行技术验证熟悉新的API和模式。等待2.0.0正式发布GA后再制定详细的迁移计划。5.3 生产环境使用的考量尽管M3版本带来了激动人心的特性但“M”代表里程碑并非稳定版。用于生产环境需要极度谨慎。API稳定性在正式版GA发布前API仍可能发生变动。这意味着你现在基于M3写的代码在未来可能需要修改。功能完整性一些高级特性如MCP服务器的Spring Boot集成、复杂工具调用的事务管理、更细粒度的安全控制哪些工具可以被哪些AI模型调用可能还不完善或处于规划中。社区与生态MCP是一个新兴协议其工具生态可用的公共MCP服务器和Spring AI对其的支持都处于早期阶段。你可能需要自己解决一些集成上的小问题。我的建议是将Spring AI 2.0.0-M3用于原型设计与验证快速验证AI应用创意特别是需要复杂工具调用的Agent类应用。技术选型评估深入理解MCP协议和Spring AI的新架构评估其是否适合解决你未来的业务问题。内部工具开发对于不直接面向外部用户、对稳定性要求相对较低的内部效率工具可以尝试使用。6. 展望MCP与Spring AI生态融合的未来想象Spring AI集成MCP不是一个孤立的功能更新它指向了一个更宏大的未来可组合的AI应用架构。我们可以做一些大胆且合理的想象。想象一企业内部AI能力市场。各个业务团队数据团队、运维团队、客服团队可以将自己的核心能力数据查询API、运维脚本、知识库封装成标准的MCP服务器。中央的AI应用平台基于Spring AI就像一个“AI能力交换机”可以根据需求动态接入这些服务器。想要构建一个跨部门的智能助手只需要在配置文件中添加几个MCP服务器地址这个助手就立刻拥有了调用全公司核心系统的能力。这极大地促进了AI能力的复用和跨团队协作。想象二AI应用开发范式的转变。未来的AI应用开发者可能只需要关注两件事1.Prompt工程与流程编排设计AI Agent的思考逻辑和任务流程。2.MCP工具集成通过配置或简单代码将所需的外部工具“插接”到Agent上。而具体的工具实现可以由更专业的后端团队用最合适的技术栈去完成。这种关注点分离能让AI应用开发更快、更专业。想象三动态、安全的工具治理。MCP协议本身可以扩展集成更丰富的元数据比如工具所需的权限级别、调用成本、性能SLA等。Spring AI未来可以在此基础上实现动态的工具路由和策略。例如对于同一个“查询数据库”的工具根据提问用户的权限Spring AI可以决定是连接到有数据脱敏规则的MCP服务器A还是连接到全量数据的服务器B。这为构建企业级、合规的AI应用提供了基础。Spring AI 2.0.0-M3通过拥抱MCP迈出了走向这个未来的坚实一步。它不再仅仅是一个连接大模型的客户端库而是正在演变成一个构建下一代、工具增强型AI应用的框架。对于开发者而言现在正是深入了解这些概念和技术的最佳时机。即使短期内不直接用于生产掌握这些范式也会让你在即将到来的AI应用开发浪潮中占据先机。 Spring AI 2.0.0-M3集成MCP协议：重塑AI应用与外部工具的交互范式
1. 项目概述为什么Spring AI 2.0.0-M3的MCP集成值得关注如果你最近在关注AI应用开发特别是基于Spring Boot构建AI驱动的服务那么Spring AI 2.0.0-M3这个里程碑版本绝对值得你花时间深入研究。这个版本的核心亮点无疑是引入了对MCPModel Context Protocol的原生支持。这听起来可能只是一个技术协议的集成但它的意义远不止于此。简单来说MCP的引入正在悄然改变我们构建AI应用时与外部工具、数据和系统交互的方式让AI从“一个聪明的聊天机器人”真正变成一个能替你“动手干活”的智能体。在过去无论是用LangChain还是早期的Spring AI我们想让大语言模型LLM去操作数据库、调用API或者读取文件通常需要写大量的胶水代码。你需要定义工具Tools的描述处理复杂的输入输出解析还要确保模型能正确理解在什么场景下该调用哪个工具。这个过程繁琐且容易出错尤其是在工具数量增多、参数变复杂的时候。MCP协议的出现就是为了标准化这个“让AI使用工具”的过程。它定义了一套服务端提供工具和数据与客户端通常是AI应用或AI Agent之间的通用通信规范。Spring AI 2.0.0-M3这次将MCP作为一等公民集成进来意味着你现在可以用一种声明式、标准化的方式为你的Spring AI应用注入强大的“动手能力”。你可以轻松连接到一个MCP服务器这个服务器可能提供了访问公司内部数据库的接口、一套内部API、甚至是控制智能家居设备的指令集。然后你的AI应用就能通过标准协议发现并使用这些工具无需为每个工具编写特定的集成代码。这极大地降低了构建复杂AI Agent的门槛也提升了系统的可维护性和可扩展性。对于正在探索AI应用落地的团队和个人开发者而言这个特性可能成为技术选型中的一个关键加分项。2. MCP协议深度解析它如何重塑AI与工具的交互范式要理解Spring AI这次集成的价值我们得先抛开代码看看MCP到底解决了什么根本问题。你可以把MCP想象成AI世界的“USB协议”。在USB协议出现之前每个外设鼠标、键盘、打印机都需要自己的专用接口和驱动混乱且不兼容。USB协议定义了一套标准让所有设备都能通过相同的物理接口和通信方式与电脑对话。MCP之于AI工具就扮演着类似的角色。2.1 MCP的核心组件与工作流程MCP协议的核心围绕着几个关键概念展开理解它们对后续的实操至关重要。首先是资源Resources。资源代表了MCP服务器能提供的数据或内容块。比如一个数据库MCP服务器可能将“用户表”定义为一个资源一个文件系统MCP服务器可能将“/docs/readme.md”文件定义为一个资源。客户端可以列出list和读取read这些资源。这解决了AI需要获取结构化或非结构化上下文信息的需求。其次是工具Tools。这是MCP的灵魂。工具代表了可执行的操作。每个工具都有明确的名称、描述和参数模式通常用JSON Schema定义。例如“执行SQL查询”、“发送邮件”、“生成图表”都可以是工具。当AI模型决定要执行某个动作时它会请求客户端调用对应的工具并传入参数。整个交互流程可以简化为以下几步连接与初始化Spring AI应用作为MCP客户端连接到MCP服务器例如一个本地运行的、提供了公司CRM API工具集的服务器。发现客户端向服务器请求可用的资源列表和工具列表。服务器返回这些对象的元数据包括详细的描述和输入规范。集成到AI上下文Spring AI框架将这些获取到的工具描述以一种模型能理解的方式通常是格式化的文本提示注入到每次与AI模型对话的上下文System Prompt或类似机制中。模型由此知道“我现在有哪些能力可以用”。调用与执行在对话过程中当模型判断需要执行某个操作如“帮我查一下上个月的销售额”它会输出一个结构化的请求指明要调用哪个工具以及参数是什么。Spring AI框架截获这个请求将其转换为对MCP服务器的标准调用。结果返回MCP服务器执行工具比如真的去查询了数据库将结果返回给客户端。客户端再将这个结果作为新的上下文信息反馈给AI模型让模型基于结果继续生成回答。这个流程的关键在于标准化和声明式。工具提供者MCP服务器只需要按照协议暴露接口工具使用者AI应用只需要按照协议去发现和调用双方不再需要紧密的代码耦合。2.2 与传统“工具调用”模式的对比在没有MCP的时代Spring AI或类似框架也有工具调用的能力但实现方式通常是“硬编码”或“紧耦合”的。你需要在应用代码中定义Java方法并用Tool之类的注解标记。为这个方法编写详细的描述字符串。框架在运行时通过反射收集这些工具并将描述拼接到提示词中。这种方式的问题在于灵活性差工具和业务代码绑定要新增或修改一个工具必须修改应用代码并重新部署。复用性低一套工具很难被另一个不同的AI项目直接使用。语言/生态绑定工具通常需要用框架支持的语言如Java编写无法直接集成用Python、Go等语言编写的现有服务。MCP通过将工具“服务化”和“协议化”完美解决了这些问题。工具逻辑可以独立部署在任何地方用任何语言编写只要它遵守MCP协议。你的Spring AI应用就像一个通用的工具调用器可以随时接入不同的工具服务器动态扩展其能力。这种架构非常符合云原生和微服务的设计理念。3. Spring AI 2.0.0-M3中MCP集成的实操详解理论讲清楚了我们来看在Spring AI 2.0.0-M3中具体如何用起来。目前MCP支持还处于早期阶段但核心的客户端功能已经可用让我们能快速搭建一个演示环境。3.1 环境准备与项目初始化首先你需要一个Spring Boot 3.x的项目。我推荐使用 start.spring.io 快速生成依赖选择上除了基础的Spring Web核心是Spring AI。由于M3是里程碑版本你可能需要配置Spring的里程碑仓库。在你的pom.xml中需要添加Spring AI的依赖和仓库配置!-- 在pom.xml中添加Spring Milestone仓库 -- repositories repository idspring-milestones/id nameSpring Milestones/name urlhttps://repo.spring.io/milestone/url snapshots enabledfalse/enabled /snapshots /repository /repositories dependencies !-- Spring Boot基础依赖 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency !-- Spring AI 核心依赖 -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-core/artifactId version2.0.0-M3/version /dependency !-- 你需要使用的具体AI模型连接器例如OpenAI -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-openai-spring-boot-starter/artifactId version2.0.0-M3/version /dependency !-- MCP 客户端依赖 -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-mcp-client/artifactId version2.0.0-M3/version /dependency /dependencies注意版本号2.0.0-M3表明这是第三个里程碑版本API可能仍有变动不建议直接用于生产环境但非常适合学习和原型验证。接下来你需要一个MCP服务器来连接。为了快速演示我们可以使用一个现成的、功能简单的MCP服务器。社区有一些开源示例比如一个提供“计算器”和“获取天气”等模拟工具的服务器。你可以用Node.js或Python快速启动一个。这里假设我们有一个运行在http://localhost:8081的MCP服务器。3.2 配置MCP客户端并注入工具Spring AI通过自动配置和ApplicationRunner让我们可以很方便地在应用启动后连接MCP服务器。核心的配置类叫做McpClientProperties我们可以在application.yml中配置# application.yml spring: ai: mcp: client: enabled: true # 启用MCP客户端 servers: my-mcp-server: # 自定义服务器名称 transport: sse # 传输协议支持SSE (Server-Sent Events) 或 stdio endpoint: http://localhost:8081/sse # MCP服务器的SSE端点 # 如果是stdio协议则需要配置command用于启动服务器进程 # command: [node, /path/to/mcp-server.js]然后我们需要创建一个配置类或组件在启动时获取MCP工具并注册到Spring AI的ToolCaller或ChatClient中。以下是一个典型的Component示例import jakarta.annotation.PostConstruct; import org.springframework.ai.mcp.client.McpClient; import org.springframework.ai.mcp.client.McpClientFactory; import org.springframework.ai.model.tool.ToolCallingUtils; import org.springframework.ai.service.AiService; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Component; import java.util.List; Component public class McpToolRegistrar { private final McpClientFactory mcpClientFactory; private final AiService aiService; // 或者注入 ChatClient Autowired public McpToolRegistrar(McpClientFactory mcpClientFactory, AiService aiService) { this.mcpClientFactory mcpClientFactory; this.aiService aiService; } PostConstruct public void registerMcpTools() { // 1. 获取配置的MCP客户端对应yml中的‘my-mcp-server’ McpClient mcpClient mcpClientFactory.getClient(my-mcp-server); // 2. 从MCP服务器获取所有可用工具的定义 ListToolSpecification toolSpecs mcpClient.listTools(); // 3. 将这些工具注册到AI服务上下文中 // 具体方法取决于你使用的AI服务抽象层 // 如果是直接使用 ChatClient可能需要通过 ChatOptions 注入 // 这里以假设的AiService接口为例 ToolCallingUtils.registerTools(aiService, toolSpecs); System.out.println(Registered toolSpecs.size() tools from MCP server.); } }这段代码的关键在于McpClient.listTools()它通过MCP协议与服务器通信获取到所有工具的元数据名称、描述、参数schema。注册成功后这些工具的描述就会被自动添加到后续每次与AI模型对话的系统指令中。3.3 编写一个简单的对话控制器进行测试现在我们可以创建一个REST端点来测试工具调用是否生效。我们创建一个简单的ChatControllerimport org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.model.ChatResponse; import org.springframework.ai.chat.prompt.Prompt; import org.springframework.ai.chat.prompt.SystemPromptTemplate; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; import java.util.Map; RestController public class ChatController { private final ChatClient chatClient; // ChatClient 应该已经被Spring AI自动配置并注入了我们从MCP获取的工具 public ChatController(ChatClient chatClient) { this.chatClient chatClient; } GetMapping(/chat) public String chat(RequestParam String message) { // 构建一个系统提示引导模型在需要时使用工具 String systemText 你是一个有帮助的AI助手。你可以使用以下工具来帮助用户 - 如果用户问及计算请使用计算器工具。 - 如果用户问及天气请使用天气查询工具。 请根据用户的问题判断是否需要以及使用哪个工具并给出最终答案。 ; Prompt prompt new Prompt( message, new SystemPromptTemplate(systemText).createMessage() ); ChatResponse response chatClient.call(prompt); return response.getResult().getOutput().getContent(); } }启动你的Spring Boot应用和MCP服务器。访问http://localhost:8080/chat?message请计算一下125乘以38等于多少。如果一切顺利会发生以下事情你的请求和系统提示被发送给AI模型如GPT-4。AI模型从上下文中知道有一个“计算器”工具可用并决定调用它。模型会输出一个结构化的工具调用请求。Spring AI框架拦截这个请求通过我们之前注册的MCP客户端将调用转发到http://localhost:8081的MCP服务器。MCP服务器执行计算逻辑返回结果“4750”。框架将结果“4750”作为新的上下文信息再次发送给AI模型。AI模型生成最终回答“125乘以38等于4750。”你会在应用日志中看到工具被调用和返回结果的详细过程。这个过程完全自动化你的业务代码里没有出现任何计算逻辑计算能力是通过协议从外部“注入”的。4. 重大升级特性盘点超越MCP的其他关键改进Spring AI 2.0.0-M3不仅仅只有MCP。作为一个大版本的主要里程碑它包含了一系列旨在提升开发者体验、稳定性和功能的重大改进。了解这些改进能帮助你在未来版本稳定后更好地规划升级。4.1 全新且更稳定的API设计Spring AI 1.x的API在快速迭代中经历了一些变化而2.0.0-M3标志着API开始走向稳定和成熟。一些关键的改进包括ChatClient成为核心交互入口与AI模型的交互被进一步抽象和统一到ChatClient接口下。这个接口提供了流式和非流式调用、函数工具调用集成、结构化输出等高级功能的统一访问方式减少了直接操作底层ChatModel的复杂度。强类型化的ChatOptions用于配置每次对话行为的选项如温度、top_p、工具定义等现在有了更清晰、类型安全的构建方式。例如添加工具不再需要拼接字符串而是通过ToolSpecification对象。更清晰的职责分离Prompt、Message、ChatResponse等核心概念的定义更加精确减少了歧义。例如SystemMessage、UserMessage、AssistantMessage和ToolMessage的区分使得对话历史的管理和工具调用结果的回传更加符合OpenAI等主流API的规范。这些API变化的目标是减少“魔法”让代码意图更清晰同时也为未来集成更多类型的模型和能力打下坚实基础。在从1.x迁移时你需要仔细阅读迁移指南但付出这份努力是值得的因为新的API更健壮也更面向未来。4.2 向量存储与检索增强检索RAG能力优化检索增强生成RAG是当前AI应用的主流模式之一Spring AI对其支持进行了显著增强。向量存储接口标准化与扩展对VectorStore接口进行了加固支持了更丰富的查询选项如元数据过滤filtering、混合搜索hybrid search结合关键词和向量相似度以及搜索结果的分数similarity score返回。这使得构建复杂的文档问答系统更加得心应手。文档加载与处理的流水线化新增或改进了许多DocumentReader和TextSplitter的实现。现在你可以更容易地构建一个从PDF、Word、HTML、Markdown等格式读取内容经过清洗、分块最后存入向量数据库的完整流水线。这个流水线可以与Spring Batch或Spring Integration更好地结合实现大规模文档的离线处理。更灵活的检索上下文构建在RAG流程中如何将检索到的文档片段组合成有效的上下文提示Prompt是关键。新版本提供了更多可配置的PromptTemplate和上下文组织策略让你可以轻松实现“多路召回、重排序、精炼合成”等高级RAG模式。4.3 模型供应商连接器的持续丰富与改进Spring AI的核心价值之一在于对多种AI模型供应商的统一抽象。在2.0.0-M3中各个连接器如OpenAI、Anthropic Claude、Azure OpenAI、Ollama、Vertex AI等都更新到了最新的供应商API版本并修复了大量已知问题。特别值得一提的是对本地模型支持的加强。通过Ollama连接器你可以非常方便地在本地运行Llama 3、Mistral、Gemma等开源模型并享受与商用API相同的编程接口。这对于开发测试、成本敏感场景或数据隐私要求高的项目来说是一个巨大的利好。配置简单到只需要在application.yml中设置spring.ai.ollama.base-urlhttp://localhost:11434然后就可以像调用GPT一样调用本地模型了。4.4 可观测性Observability与监控能力初现构建生产级AI应用可观测性必不可少。2.0.0-M3开始引入更完善的监控支持。与Micrometer深度集成关键操作如模型调用、令牌使用、耗时现在会自动生成Metrics指标你可以轻松地将这些指标导出到Prometheus、Datadog等监控系统从而跟踪AI调用的成本、延迟和成功率。结构化的日志输出工具调用、模型请求/响应等关键事件的日志格式更加结构化便于使用ELK或Loki等日志聚合工具进行分析和告警。初步的分布式追踪支持在微服务架构中一个用户请求可能触发多次AI调用和工具调用。新版本开始尝试与OpenTelemetry等追踪标准集成帮助你在复杂的调用链中定位性能瓶颈和故障点。虽然这部分功能还在演进中但方向很明确让AI应用的运维像运维普通微服务一样透明和可控。5. 实战中的挑战、注意事项与迁移建议拥抱新特性总是伴随着挑战。基于我对M3版本的初步探索这里分享一些实战中可能遇到的问题和我的建议。5.1 MCP集成的当前局限与应对策略首先必须明确Spring AI 2.0.0-M3中的MCP支持是客户端支持。这意味着Spring AI可以作为一个MCP客户端去连接和使用已有的MCP服务器。但是Spring AI目前没有提供开箱即用的、将你现有的Spring Boot服务快速暴露为MCP服务器的工具库或注解类似Tool的MCP服务器版。这是当前最大的一个“期望落差”。应对策略寻找现有的MCP服务器社区已经有一些优秀的MCP服务器实现例如mcp-server-sqlite提供SQLite数据库操作工具。mcp-server-filesystem提供文件系统访问工具。anthropic官方也维护了一些示例服务器。你可以从这些项目开始了解MCP服务器的构建方式。自行实现MCP服务器如果你需要将自定义业务能力暴露为工具目前需要参考MCP协议规范用其他语言如TypeScript/Python因为现有SDK丰富自行实现一个服务器。这是一个额外的开发成本但一旦实现它可以被任何兼容MCP的客户端不限于Spring AI使用长期看是值得的。期待社区发展随着MCP协议被更多项目采纳如Cursor IDE、Claude Desktop都已支持预计会有更多语言的服务器SDK出现也可能会有Spring Native的MCP服务器实现。5.2 从Spring AI 1.x迁移到2.0.0-M3的挑战API的演进意味着 breaking changes。如果你有基于1.x的项目升级到M3需要仔细调整。包名和类名变更一些核心类所在的包名和类名发生了变化。例如一些类可能从org.springframework.ai.chat下的子包移动到了更合理的位置。IDE的重构工具和查找替换功能会是你的好朋友。配置属性前缀变化application.yml中的配置项前缀可能从spring.ai.*的某些部分发生了调整。务必对照新版本的官方文档或配置元数据spring-configuration-metadata.json进行检查。ChatClient的广泛使用在1.x中你可能直接注入了ChatModel并调用其call方法。在2.0中更鼓励使用ChatClient作为主要接口。ChatClient提供了更流畅的APIFluent API虽然学习曲线略有增加但功能更强大。工具调用API重写如果你之前使用了Tool注解的方式定义工具这部分代码需要重写。你需要将工具逻辑迁移到一个独立的MCP服务器中或者等待Spring AI未来提供将Tool方法自动暴露为MCP端点的支持如果该特性被实现。建议对于现有项目不要急于升级到里程碑版本。可以先用一个全新的分支或小项目进行技术验证熟悉新的API和模式。等待2.0.0正式发布GA后再制定详细的迁移计划。5.3 生产环境使用的考量尽管M3版本带来了激动人心的特性但“M”代表里程碑并非稳定版。用于生产环境需要极度谨慎。API稳定性在正式版GA发布前API仍可能发生变动。这意味着你现在基于M3写的代码在未来可能需要修改。功能完整性一些高级特性如MCP服务器的Spring Boot集成、复杂工具调用的事务管理、更细粒度的安全控制哪些工具可以被哪些AI模型调用可能还不完善或处于规划中。社区与生态MCP是一个新兴协议其工具生态可用的公共MCP服务器和Spring AI对其的支持都处于早期阶段。你可能需要自己解决一些集成上的小问题。我的建议是将Spring AI 2.0.0-M3用于原型设计与验证快速验证AI应用创意特别是需要复杂工具调用的Agent类应用。技术选型评估深入理解MCP协议和Spring AI的新架构评估其是否适合解决你未来的业务问题。内部工具开发对于不直接面向外部用户、对稳定性要求相对较低的内部效率工具可以尝试使用。6. 展望MCP与Spring AI生态融合的未来想象Spring AI集成MCP不是一个孤立的功能更新它指向了一个更宏大的未来可组合的AI应用架构。我们可以做一些大胆且合理的想象。想象一企业内部AI能力市场。各个业务团队数据团队、运维团队、客服团队可以将自己的核心能力数据查询API、运维脚本、知识库封装成标准的MCP服务器。中央的AI应用平台基于Spring AI就像一个“AI能力交换机”可以根据需求动态接入这些服务器。想要构建一个跨部门的智能助手只需要在配置文件中添加几个MCP服务器地址这个助手就立刻拥有了调用全公司核心系统的能力。这极大地促进了AI能力的复用和跨团队协作。想象二AI应用开发范式的转变。未来的AI应用开发者可能只需要关注两件事1.Prompt工程与流程编排设计AI Agent的思考逻辑和任务流程。2.MCP工具集成通过配置或简单代码将所需的外部工具“插接”到Agent上。而具体的工具实现可以由更专业的后端团队用最合适的技术栈去完成。这种关注点分离能让AI应用开发更快、更专业。想象三动态、安全的工具治理。MCP协议本身可以扩展集成更丰富的元数据比如工具所需的权限级别、调用成本、性能SLA等。Spring AI未来可以在此基础上实现动态的工具路由和策略。例如对于同一个“查询数据库”的工具根据提问用户的权限Spring AI可以决定是连接到有数据脱敏规则的MCP服务器A还是连接到全量数据的服务器B。这为构建企业级、合规的AI应用提供了基础。Spring AI 2.0.0-M3通过拥抱MCP迈出了走向这个未来的坚实一步。它不再仅仅是一个连接大模型的客户端库而是正在演变成一个构建下一代、工具增强型AI应用的框架。对于开发者而言现在正是深入了解这些概念和技术的最佳时机。即使短期内不直接用于生产掌握这些范式也会让你在即将到来的AI应用开发浪潮中占据先机。