Spring?AI使用tool?Calling和MCP的示例詳解

更新時間：2025年07月26日 10:30:48 作者：_沉浮_

SpringAI1.0.0.M6引入ToolCalling與MCP協(xié)議,提升AI與工具交互的擴展性與標準化,支持信息檢索、行動執(zhí)行等場景,通過統(tǒng)一接口降低開發(fā)成本,實現(xiàn)如星座運勢等復雜功能的靈活集成,本文給大家介紹Spring?AI使用tool?Calling和MCP的示例,感興趣的朋友一起看看吧

深入探索 Spring AI

Spring AI版本1.0.0.M6

在人工智能與軟件開發(fā)深度融合的時代，Spring AI 作為一個強大的框架，持續(xù)為開發(fā)者提供著高效且便捷的工具，以實現(xiàn)與大語言模型（LLM）的無縫交互。Spring AI 的最新版本引入了一系列令人矚目的特性，其中 Function Calling 到 Tool Calling 的轉(zhuǎn)換以及模型上下文協(xié)議（MCP）的應(yīng)用，標志著該框架在 AI 集成領(lǐng)域的又一次重大飛躍。

聊天接口示例

在今天的內(nèi)容之前我們回憶下如何使用SpringAI實現(xiàn)一個簡單的聊天接口，使用千問API實現(xiàn)聊天功能：

添加依賴

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter</artifactId>
</dependency>

配置

spring:
  ai:
    ## Alibaba
    dashscope:
      api-key: ${DASH_SCOPE_API_KEY}
      chat:
        enable: true
        options:
          model: qwen-max

實現(xiàn)

@Bean
public ChatClient chatClient(ChatClient.Builder chatClientBuilder) throws IOException {
    var chatClient = chatClientBuilder
            .defaultSystem("You are a helpful assistant.")
            .defaultAdvisors(new SimpleLoggerAdvisor()) // LOG
            .build();
    return chatClient;
}
/**
 * 調(diào)用
 * @param message
 * @return
 */
public String completion(String message) {
    return chatClient
            .prompt().user(message)
            .call().content();
}

當進行下面的提問時：

現(xiàn)在北京時間幾點了？

很遺憾，我無法直接獲取實時的北京時間。你可以查看設(shè)備上的時間或者通過網(wǎng)絡(luò)搜索來獲取準確的北京時間。如果你使用的是電腦或手機，通常在屏幕的一角會顯示當前的時間。

Function Calling

在早期的 AI 交互中，F(xiàn)unction Calling 是一種常見的機制，允許模型在生成回復時調(diào)用外部函數(shù)以獲取額外信息。然而，這種方式在擴展性和靈活性上存在一定的局限性。而 Spring AI 最新版本引入的 Tool Calling 則是對 Function Calling 的進一步演進。Tool Calling 將函數(shù)調(diào)用抽象為工具調(diào)用，將工具視為可復用的資源，模型可以根據(jù)需求動態(tài)調(diào)用這些工具，以完成更復雜的任務(wù)。在新版本中已經(jīng)被改為Tool Calling。

工具主要用于：

信息檢索

此類工具可用于從外部來源（例如數(shù)據(jù)庫、Web 服務(wù)、文件系統(tǒng)或 Web
搜索引擎）檢索信息。其目標是增強模型的知識，使其能夠回答原本無法回答的問題。因此，它們可用于檢索增強生成 (RAG)
場景。例如，可以使用工具檢索給定位置的當前天氣、檢索最新新聞文章或查詢數(shù)據(jù)庫中的特定記錄。

采取行動

此類別中的工具可用于在軟件系統(tǒng)中采取行動，例如發(fā)送電子郵件、在數(shù)據(jù)庫中創(chuàng)建新記錄、提交表單或觸發(fā)工作流。其目標是自動化原本需要人工干預(yù)或明確編程的任務(wù)。例如，可以使用工具為與聊天機器人交互的客戶預(yù)訂航班、在網(wǎng)頁上填寫表單，或在代碼生成場景中基于自動化測試 (TDD) 實現(xiàn) Java 類。

盡管我們通常將工具調(diào)用稱為模型功能，但實際上工具調(diào)用邏輯是由客戶端應(yīng)用程序提供的。模型只能請求工具調(diào)用并提供輸入?yún)?shù)，而應(yīng)用程序負責根據(jù)輸入?yún)?shù)執(zhí)行工具調(diào)用并返回結(jié)果。

Spring AI 提供了便捷的 API 來定義工具、解析來自模型的工具調(diào)用請求以及執(zhí)行工具調(diào)用。

為了解決上面關(guān)于時間問題的解決方案，我們可以定義一個工具，并嵌入到模型中…

public class TimeTools {
    private static final Logger logger = LoggerFactory.getLogger(TimeTools.class);
    @Tool(description = "Get the time of a specified city.")
    public String getCityTimeMethod(@ToolParam(description = "Time zone id, such as Asia/Shanghai") String timeZoneId) {
        logger.info("The current time zone is {}", timeZoneId);
        return String.format("The current time zone is %s and the current time is " + "%s", timeZoneId, ZoneUtils.getTimeByZoneId(timeZoneId));
    }
}

public ChatClient chatClient(ChatClient.Builder chatClientBuilder) throws IOException {
    // ...
    chatClientBuilder.defaultTools(timeTool);
    // ...
}

Function Calling實現(xiàn)了大語言模型（LLM）與外部函數(shù)或工具進行交互的能力。這一機制賦予了 AI 系統(tǒng)更強大的功能和靈活性，使其能夠處理更加復雜和動態(tài)的任務(wù)。

注意不是所有模型都支持FunctionCalling

MCP

MCP（Model Context Protocol，模型上下文協(xié)議）是的一種開放協(xié)議，旨在統(tǒng)一大語言模型（LLM）與外部數(shù)據(jù)源、工具和服務(wù)之間的交互標準，推動 AI 應(yīng)用的標準化和去中心化發(fā)展。
MCP 提供了一種統(tǒng)一的接口，使得不同的工具和服務(wù)可以以標準化的方式與模型進行交互。

核心功能

標準化交互
MCP 提供了一套通用的通信協(xié)議、數(shù)據(jù)格式和規(guī)則，使 LLM 能夠以統(tǒng)一的方式與外部資源（如數(shù)據(jù)庫、API、文件系統(tǒng)等）進行交互，無需為每個工具單獨開發(fā)適配接口。
增強模型能力
通過 MCP，LLM 可以動態(tài)調(diào)用外部工具或數(shù)據(jù)源，例如實時獲取天氣信息、查詢數(shù)據(jù)庫、調(diào)用第三方服務(wù)等，從而擴展模型的功能邊界。
安全與合規(guī)
MCP 內(nèi)置了安全機制，確保數(shù)據(jù)傳輸?shù)陌踩裕⒅С旨毩６鹊臋?quán)限控制，避免數(shù)據(jù)泄露和濫用。
降低開發(fā)成本
開發(fā)者無需重復造輪子，可直接基于 MCP 協(xié)議構(gòu)建 AI 應(yīng)用，顯著減少開發(fā)時間和成本。

在1.0.0-M6版本中引入了MCP，使得可以基于Spring AI實現(xiàn)各種擴展

此時聊天應(yīng)用作MCP服務(wù)的調(diào)用者，也就是客戶端，需要調(diào)用外部的MCP服務(wù)，首先對聊天服務(wù)改造：

添加必要的依賴：

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

通過配置ChatClient完成集成：

    @Bean
    public ChatClient chatClient(ToolCallbackProvider toolsProvider) throws IOException {
        var chatClient = chatClientBuilder
                // ...
                .defaultTools( toolsProvider.getToolCallbacks() ) //mcp
                // ...
                .build();
        return chatClient;
    }

SpringAI中，MCP 客戶端支持兩種傳輸方式：STDIO 和 SSE。
標準啟動器通過STDIO（進程內(nèi)）和/或SSE（遠程）傳輸同時連接到一個或多個 MCP 服務(wù)器。SSE 連接使用基于 HttpClient 的傳輸實現(xiàn)。每個與 MCP 服務(wù)器的連接都會創(chuàng)建一個新的 MCP 客戶端實例。

STDIO

其實就是通過本地命令進行調(diào)用的實現(xiàn)，需要注意的是，返回的數(shù)據(jù)結(jié)果必須遵循MCP規(guī)范，我們可以基于Spring開發(fā)一個可執(zhí)行的jar程序包，然后由客戶端調(diào)用。

添加依賴

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

實現(xiàn)Tool并注冊

@Service
public class TranslationService {
    @Tool(description = "將內(nèi)容翻譯成英文")
    public String translate(String content) {
        return "hello";
    }
}
@Bean
public ToolCallbackProvider weatherTools(TranslationService translationService) {
   return MethodToolCallbackProvider.builder().toolObjects(translationService).build();
}

添加配置，注意這里要關(guān)掉所有日志相關(guān)的輸出

spring:
   main:
      web-application-type: none
      banner-mode: off
   ai:
      mcp:
         server:
            name: translation-server
            version: 0.0.1
logging:
   level:
      root: off

打包，記得使用spring-boot-maven-plugin插件打包，下面的mcpServers引用的就是這里的jar
修改聊天應(yīng)用配置，并且重啟

spring:
  ai:
    mcp:
      client:
        type: SYNC
        stdio:
          servers-configuration: classpath:mcp-stdio-servers.json

mcp-stdio-servers.json

{
   "mcpServers": {
      "weather": {
         "command": "java",
         "args": [
            "-Dspring.ai.mcp.server.stdio=true",
            "-Dspring.main.web-application-type=none",
            "-Dlogging.pattern.console=",
            "-jar",
            "your_jar_path/mcp-stdio-server-1.0.1-SNAPSHOT.jar"
         ],
         "env": {}
      }
   }
}

提問: 翻譯單詞運勢

回答：看起來在處理您的請求時發(fā)生了一些混淆。單詞"運勢"的正確英文翻譯應(yīng)為 “fortune” 而非 “hello”。如果您需要關(guān)于星座運勢的信息，請告訴我您的星座名稱。如果是其他類型的運勢，請?zhí)峁└嗟募毠?jié)。

因為我沒有實現(xiàn)，全部返回的是hello，看樣子模型對我們的結(jié)果進一步做了處理

SSE

這里提供一個簡單的示例，主要實現(xiàn)星座運勢獲取的Mcp，這是一個單獨的基于Spring開發(fā)的應(yīng)用，與上面的聊天應(yīng)用隔離：

引入相關(guān)依賴

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

定義Tool實現(xiàn)

@Service
public class HoroscopeService {
    private String url = "https://apis.tianapi.com/star/index?key=%s&astro=%s";
    private String key = "xx";
    private RestTemplate restTemplate = new RestTemplate();
    private ObjectMapper objectMapper = new ObjectMapper();
    @Tool(description = "Get constellation fortune by consName")
    public String getFortune(String consName) {
        Map map = restTemplate.getForObject(String.format(url, key, consName), Map.class);
        try {
            return objectMapper.writeValueAsString(map.get("result"));
        } catch (JsonProcessingException e) {
            e.printStackTrace();
            return "獲取失?。?+ e.getMessage();
        }
    }
}

配置文件

spring:
   ai:
      mcp:
         server:
            name: webmvc-mcp-server
            version: 1.0.0
            type: SYNC
            sse-message-endpoint: /mcp/messages
server:
   port: 8081
   servlet:
      encoding:
         charset: utf-8
         enabled: true
         force: true

啟動應(yīng)用，訪問：http://localhost:8081
修改聊天應(yīng)用配置，并且重啟

spring:
  ai:
    mcp:
      client:
        type: SYNC
        sse:
           connections:
              constellation:
                 url: http://localhost:8081

提問: 白羊座的運勢

回答：今天白羊座的運勢如下： - 綜合指數(shù)：80% - 愛情指數(shù)：70% - 工作指數(shù)：55% - 財運指數(shù)：65% - 健康指數(shù)：80% - 幸運顏色：藍色 - 幸運數(shù)字：5 - 貴人星座：射手座今日概述：今天你可能會忍不住向另一半抱怨工作上遇到的問題，但這樣也會給對方帶來困擾。在感情中，要注意不要過多地向?qū)Ψ桨l(fā)泄負面情緒，而應(yīng)該把溫暖和幸福帶給他們。

結(jié)束語

現(xiàn)階段的AI技術(shù)，恰似一臺功能強大卻需精心調(diào)校的計算機系統(tǒng)。它并非“即插即用”的萬能工具，而是需要開發(fā)者如同配置硬件般，根據(jù)特定業(yè)務(wù)場景的需求，按需增加“認知模塊”與“計算資源”。這種靈活擴展的能力，與模塊化計算平臺（MCP，Modular Computing Platform）的設(shè)計理念不謀而合——通過標準化接口與可組合架構(gòu)，讓AI系統(tǒng)既能像積木般自由拼接算法能力，又能像云計算般彈性調(diào)度算力資源。開發(fā)者需像搭建樂高城堡般，將自然語言處理、視覺識別、決策推理等模塊按需組合，再通過數(shù)據(jù)管道與反饋機制持續(xù)優(yōu)化，最終讓AI在醫(yī)療診斷、智能制造、智慧城市等垂直領(lǐng)域中，展現(xiàn)出接近專家水平的場景化智能

到此這篇關(guān)于Spring AI使用tool Calling和MCP的示例詳解的文章就介紹到這了,更多相關(guān)spring ai tool calling和mcp內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: