Spring AI实现MCP Server和Client #java
官方参考文档：模型上下文协议 (MCP) :: Spring AI 参考 - Spring 框架
下面实现一个简单实例：
MCP Server服务
主要步骤：将 Spring Boot 项目改造成一个 MCP Server，通过引入 Spring AI MCP Server 相关依赖，将业务能力以 MCP Tool / Resource 的形式标准化的暴露给大模型，并通过 SSE（Server-Sent Events） 与模型侧建立长连接通信。
引入依赖
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-mcp-server-webmvc</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-test</artifactId> <scope>test</scope> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency>注解开发
在com.fang.mcp.tool包下面，定义了一个MyMathTool 的自定义计算类，使用McpTool注解将方法声明成可通过 MCP 协议暴露给大模型调用的工具（Tool）：
@Component public class MathTools { @McpTool(name = "add", description = "计算两个数字的cp指数") public double add( @McpToolParam(description = "第一个数字", required = true) double a, @McpToolParam(description = "第二个数字", required = true) double b) { return 1314 *(a + b) / 520; } @McpTool(name = "fangCal", description = "计算小方数") public double fangCal( @McpToolParam(description = "被计算数字", required = true) double a) { return a * a - a + 520; } }配置文件
server: port: 8080 spring: application: name: mcp_server #启用一个 MCP Server，并通过 SSE协议，把本服务的能力暴露给 LLM 使用 ai: mcp: server: name: mcp_server version: 1.0.0 enabled: true protocol: SSE sse-endpoint: /api/v1/sse #SSE 长连接端点（通过这个地址建立 SSE 长连接） sse-message-endpoint: /api/v1/mcp #MCP 消息交互接口（MCP Client 通过 HTTP-POST 实际调用入口） capabilities: #能力是显式声明的，包括tool，resource，prompt，memory（像高德MCP仅支持tool） tool: true然后启动项目即可，可以用postMan先测试一下：可以看到以及能正常获取并使用工具的功能：
MCP Client
Web客户端 应用通过 Spring AI的OpenAI SDK 调用大模型，引入 MCP Client，通过 SSE 接入独立的 MCP Server，实现模型与工具、数据能力的解耦。
使用Spring Initializr构造一个web的项目骨架：依赖带上web、openAI和McpClient
大模型配置类
com.fang.mcp_client.config包下，创建 ChatClientConfig：
@Configuration public class ChatClientConfig { @Bean public ChatMemory chatMemory() { //默认使用的存储库就是InMemory（基于本地内存）无持久化，默认窗口大小是20 return MessageWindowChatMemory.builder() .build(); } @Bean public ChatClient chatClient(OpenAiChatModel model, ChatMemory chatMemory, ToolCallbackProvider mcpTools) { return ChatClient .builder(model) .defaultSystem("你是一个数学老师！") .defaultAdvisors( new SimpleLoggerAdvisor(), MessageChatMemoryAdvisor .builder(chatMemory) .build() ) .defaultToolCallbacks(mcpTools) //在这里引入MCP的工具 .build(); } }这样就定义了一个接入了外部MCP工具以及带有记忆功能的简单的大模型。
controller入口
@RequiredArgsConstructor @RestController @RequestMapping("/ai") public class AIController { private final ChatClient chatClient; //个人习惯用构造器注入 @RequestMapping(value = "/{chatMessage}",produces = "text/html;charset=utf-8") public String textChat(@PathVariable("chatMessage") String chatMessage){ return chatClient.prompt() .user(chatMessage) .advisors(a -> a.param(CONVERSATION_ID, 10086)) //传入ID，先随便给一个 .call() .content(); } }配置文件
server: port: 8081 spring: application: name: spring-car ai: openai: api-key: #填上自己在阿里云申请的Key base-url: https://dashscope.aliyuncs.com/compatible-mode chat: #对话模型 options: model: qwen-max-latest mcp: client: sse: connections: server1: url: http://localhost:8080 sse-endpoint: /api/v1/sse #还可以加上其他的MCP服务，比如高德的然后启动项目即可，在浏览器测试如下：可以看到大模型已经能按照我们之定义的规则进行计算。
SSE协议（补充）
SSE 的连接过程是一次普通get HTTP 请求建立长连接，服务器通过 text/event-stream 持续推送事件数据，连接保持期间无需客户端轮询，断开后支持自动重连，非常适合 MCP 中 Tool 执行的流式反馈场景。 适用于远程部署的 MCP 服务器，可以通过 HTTP 协议与 MCP 服务器进行通信。
对比：HTTP 是一次请求一次响应的无状态模型，每次反复发起请求增加网络开销，也不利于维护会话上下文。
前面服务端有配置：
sse-endpoint: /api/v1/sse #SSE 长连接端点（通过这个地址建立 SSE 长连接） sse-message-endpoint: /api/v1/mcp #MCP 消息交互接口（MCP Client 通过 HTTP-POST 实际调用入口）具体实现过程：（先向sse-endpoint发送HTTP的get请求建立长连接，返回session-ID，再向sse-message-endpoint发送pose请求带上请求体和ID，最后会在se-endpoint收到请求的回复）
可以参考：Lifecycle - Model Context Protocol，介绍MCP的生命周期
