【保姆级图文详解】MCP架构（客户端-服务端）、三种方式使用MCP服务、Spring AI MCP客户端和服务端开发、MCP部署方案、MCP安全性

---

前言

若对您有帮助的话，请点赞收藏加关注哦，您的关注是我持续创作的动力！有问题请私信或联系邮箱：[e-mail]

一、MCP(model context protocol)

1.1、概念描述

• MCP（Model Context Protocol，模型上下文协议）是一种开放标准，目的是增强 AI 与外部系统的交互能力。它为 AI 提供了与外部工具、资源和服务交互的标准化方式，让 AI 能够访问最新数据、执行复杂操作，并与现有系统集成。
• 根据官方定义，MCP 是一种开放协议，它标准化了应用程序如何向大模型提供上下文的方式，可以将 MCP 想象成 AI 应用的 USB 接口，为 AI 模型连接不同的数据源和工具提供了标准化的方法。

• MCP 协议的 6 大核心概念：

  • Resources（资源）：服务端向客户端提供各种数据，如文本、文件、数据库记录、API 响应等，客户端可决定何时使用这些资源，使 AI 能够访问最新信息和外部知识，为模型提供更丰富的上下文。
  • Prompts（提示词）：服务端定义可复用的提示词模板和工作流，供客户端和用户直接使用，作用是标准化常见的 AI 交互模式，如作为 UI 元素（斜杠命令、快捷操作）呈现给用户，简化用户与 LLM 的交互过程。
  • Tools（工具）：MCP 中最实用的特性，服务端提供给客户端可调用的函数，使 AI 模型能够执行计算、查询信息或与外部系统交互，极大扩展了 AI 的能力范围。
  • Sampling（采样）：允许服务端通过客户端向大模型发送生成内容的请求（反向请求），使 MCP 服务能够实现复杂的智能代理行为，同时保持用户对整个过程的控制和数据隐私保护。
  • Roots（根目录）：MCP 协议的安全机制，定义了服务器可以访问的文件系统位置，限制访问范围，为 MCP 服务提供安全边界，防止恶意文件访问。
  • Transports（传输）：定义客户端和服务器间的通信方式，包括 Stdio（本地进程间通信）和 SSE（网络实时通信），确保不同环境下的可靠信息交换。
  • 开发 MCP 服务，根据MCP官方的描述，主要关注前 3 个概念，其中 Tools 工具是重中之重。

1.2、MCP作用与意义

• MCP 协议的作用和意义：
  • 增强 AI 能力：通过 MCP 协议，AI 应用能够轻松接入他人提供的服务，从而实现更多功能，比如搜索网页、查询数据库、调用第三方 API、执行计算等。
  • 作为协议或标准：MCP 本身并不提供具体服务，而是定义了一套规范，让服务提供者和使用者共同遵守。这类似于 HTTP 协议，能有效降低开发者的理解成本。
  • 标准化的好处：以增加 AI 查询地图能力为例，若没有标准化，不同项目或开发者可能会重复开发相关功能，且质量和效果参差不齐。而 MCP 标准化后，官方或第三方可以将查询地图能力做成服务，供需要的人直接接入，节省开发成本且效果一致。若更多人开放服务，还能打造服务市场，造福开发者。
  • 标准造就生态：这并非新现象，可类比前端的 NPM 包、后端的 Maven 仓库和 Docker 镜像源，以及手机应用市场，都是通过标准形成生态，促进资源共享和行业发展。mcp体验的网址。

1.3、MCP架构

• 宏观架构：MCP 的核心是 “客户端 - 服务器” 架构，MCP 客户端主机可以连接到多个服务器。客户端主机是指希望访问 MCP 服务的程序，例如 Claude Desktop、IDE、AI 工具或部署在服务器上的项目。

• MCP 客户端：MCP Client 是 MCP 架构中的关键组件，主要负责和 MCP 服务器建立连接并进行通信。它能自动匹配服务器的协议版本、确认可用功能、负责数据传输和 JSON-RPC 交互。此外，它还能发现和使用各种工具、管理资源、和提示词系统进行交互。除了核心功能，MCP 客户端还支持根管理、采样控制以及同步或异步操作等额外特性，并提供多种数据传输方式，包括适用于本地调用的 Stdio 标准输入 / 输出，以及适用于远程调用的基于 Java HttpClient 和 WebFlux 的 SSE 传输。客户端可以通过不同传输方式调用不同的 MCP 服务，既可以是本地的，也可以是远程的。

• MCP 服务端：MCP Server 也是整个 MCP 架构的关键组件，主要用来为客户端提供各种工具、资源和功能支持。它负责处理客户端的请求，包括解析协议、提供工具、管理资源以及处理各种交互信息。同时，它还能记录日志、发送通知，并且支持多个客户端同时连接，保证高效的通信和协作。和客户端一样，它也可以通过多种方式进行数据传输，比如 Stdio 标准输入 / 输出、基于 Servlet / WebFlux / WebMVC 的 SSE 传输，以满足不同应用场景。这种设计使得客户端和服务端完全解耦，任何语言开发的客户端都可以调用 MCP 服务。

二、使用MCP(model context protocol)

• 使用方式：本节将实战 3 种使用 MCP 的方式，分别是云平台使用 MCP、软件客户端使用 MCP 和程序中使用 MCP。无论哪种使用方式，原理类似，且有 2 种可选的使用模式，即本地下载 MCP 服务端代码并运行（类似引入 SDK），或者直接使用已部署的 MCP 服务（类似调用别人的 API）。
• MCP 服务获取：目前有很多 MCP 服务市场，开发者可以在这些平台上找到各种现成的 MCP 服务，例如：
  • MCP.so：较为主流，提供丰富的 MCP 服务目录。
  • GitHub Awesome MCP Servers：开源 MCP 服务集合。
  • 阿里云百炼 MCP 服务市场。
  • Spring AI Alibaba 的 MCP 服务市场。
  • Glama.ai MCP 服务。
• 其中，绝大多数 MCP 服务市场仅提供本地下载 MCP 服务端代码并运行的使用方式，因为部署 MCP 服务需要成本。不过，有些云服务平台提供了云端部署的 MCP 服务，比如阿里云百炼平台，在线填写配置后就能使用，可以轻松和平台上的 AI 应用集成，但一般局限性较大，不太能直接在自己的代码中使用。

2.1、云平台使用MCP

• 1、根据阿里云百炼平台的官方文档操作。

• 2、登录阿里云百炼平台。

• 3、使用高德地图的MCP服务，开通即可。

• 4、在应用管理添加智能体，进入智能体应用，添加MCP服务。

• 5、测试MCP服务。

2.2、软件客户端使用MCP

• 支持情况：不同的客户端软件对 MCP 的支持程度不同，可在官方文档中查看各客户端支持的特性。
• 以 Cursor 为例的演示：以主流 AI 客户端 Cursor 为例演示如何使用 MCP 服务，由于没有现成的部署了 MCP 服务的服务器，采用本地运行的方式。
• 环境准备：首先安装本地运行 MCP 服务需要用到的工具，具体安装什么工具取决于 MCP 服务的配置要求。

具体步骤如下：

• 1、MCP 市场找到高德地图 MCP，发现 Server Config 中定义了使用 npx 命令行工具来安装和运行服务端代码。

• 2、从配置中还发现，使用地图 MCP 需要 API Key，可以到地图开放平台创建应用并添加 API Key。
  

• 3、打开Cursor客户端的聊天的设置界面。
  

• 4、添加高德的MCP服务，输入申请的MCP的API，保存配置。

• 5、使用道德的MCP服务，测试验证。

2.3、Spring AI程序中使用MCP

• 目标与框架选择：利用 Spring AI 框架，在程序中使用 MCP 实现一个能够根据另一半的位置推荐约会地点的 AI 助手。类似的 Java MCP 开发框架还有 Solon AI MCP，但由于更多地使用 Spring 生态，所以推荐使用 Spring AI 框架。
• 学习文档建议：首先要了解 Spring AI MCP 客户端的基本使用方法，建议参考 Spring AI Alibaba 的文档，因为 Spring AI 官方文档更新太快，包的路径可能会变动。

• 1、在maven中央仓库引入依赖。

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency>

• 2、需要在resources目录下新建一个名为mcp-servers.json的配置文件，用于定义项目中需要用到的 MCP 服务。更改为自己的API_KAY。Windows 环境下的命令配置：在 Windows 环境下，命令配置需要添加.cmd后缀，例如npx.cmd，否则会出现找不到命令的错误。

• 3、Spring 配置文件修改：需要修改 Spring 配置文件，编写 MCP 客户端配置。由于是本地运行 MCP 服务，所以使用stdio模式，并且要指定 MCP 服务配置文件的位置，具体代码需后续给出。

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

• 4、编写测试代码。

 @Resourceprivate ToolCallbackProvider toolCallbackProvider;/*** AI 旅游报告功能（调用 MCP 服务）** @param message* @param chatId* @return*/public String doChatWithMcp(String message, String chatId) {ChatResponse chatResponse = chatClient.prompt().user(message).advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId).param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 20))// 开启日志，便于观察效果.advisors(new LoggerAdvisor()).tools(toolCallbackProvider).call().chatResponse();String content = chatResponse.getResult().getOutput().getText();log.info("content: {}", content);return content;}

• 通过自动注入的ToolCallbackProvider获取到配置中定义的 MCP 服务提供的所有工具，并提供给ChatClient，具体代码需后续给出。
• MCP 调用的本质，它类似工具调用，并非 AI 服务器主动调用 MCP 服务，而是告诉 AI “MCP 服务提供了哪些工具”，如果 AI 想要使用这些工具完成任务，就会告知后端程序，后端程序在执行工具后将结果返回给 AI，最后由 AI 总结并回复，后续会给出对应的流程图。

• 5、单元测试。

 @Testvoid doChatWithMcp() {String chatId = UUID.randomUUID().toString();// 测试地图 MCPString message = "帮我搜索成都武侯区的景点图片";String answer = TravelApp.doChatWithMcp(message, chatId);Assertions.assertNotNull(answer);}

• 6、测试验证。

三、Spring AI MCP(model context protocol)开发过程

3.1、MCP服务端开发

• 开发基础：服务端开发主要基于 Spring AI MCP Server Boot Starter，能够自动配置 MCP 服务端组件，使开发者能够轻松创建 MCP 服务，向 AI 客户端提供工具、资源和提示词模板，从而扩展 AI 模型的能力范围。
• 引入依赖：Spring AI 提供了 3 种 MCP 服务端 SDK，分别支持非响应式和响应式编程，可根据需要选择对应的依赖包：
  • spring-ai-starter-mcp-server：提供 stdio 传输支持，不需要额外的 web 依赖。
  • spring-ai-starter-mcp-server-webmvc：提供基于 Spring MVC 的 SSE 传输和可选的 stdio 传输（一般建议引入这个）。
  • spring-ai-starter-mcp-server-webflux：提供基于 Spring WebFlux 的响应式 SSE 传输和可选的 stdio 传输。

• 图片搜索的MCP服务自定义开发，步骤如下。

• 1、引入依赖并在 Pexels 网站生成 API Key，在项目根目录下新建 module（模块），名称未完整显示。注意建议在新项目中单独打开该模块，不要直接在原项目的子文件夹中操作，否则可能出现路径上的问题。引入必要的依赖，包括 Lombok、hutool 工具库和 Spring AI MCP 服务端依赖。

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-mcp-server-webmvc-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency>

• 2、撰写配置文件。 Stdio、WebMVC SSE 和 WebFlux SSE 三种服务端依赖可以选择，开发时只需要填写不同的配置，开发流程都一样，此处选择引入 WebMVC。

spring:ai:mcp:server:name: MCP-Serverversion: 0.0.1type: SYNC# stdiostdio: true# stdiomain:web-application-type: nonebanner-mode: off

spring:ai:mcp:server:name: MCP-Serverversion: 0.0.1type: SYNC# stdiostdio: false# stdio

spring:application:name: search-mcp-serverprofiles:active: stdio
server:port: 8127

• 3、开发MCP服务。无论采用哪种传输方式，开发 MCP 服务的过程都类似，和开发工具调用一样，直接使用@Tool注解标记服务类中的方法。注册 Bean：然后在 Spring Boot 项目启动时注册一个ToolCallbackProvider Bean 。

package com.funian.mcpserver.tools;/*** @Auther FuNian* @Major Computer Software*/
import cn.hutool.core.util.StrUtil;
import cn.hutool.http.HttpUtil;
import cn.hutool.json.JSONObject;
import cn.hutool.json.JSONUtil;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.stereotype.Service;import java.util.HashMap;
import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;@Service
public class ImageSearchTool {// 替换为你的 Pexels API 密钥（需从官网申请）private static final String API_KEY = "自己的API";// Pexels 常规搜索接口（请以文档为准）private static final String API_URL = "https://api.pexels.com/v1/search";@Tool(description = "search image from web")public String searchImage(@ToolParam(description = "Search query keyword") String query) {try {return String.join(",", searchMediumImages(query));} catch (Exception e) {return "Error search image: " + e.getMessage();}}/*** 搜索中等尺寸的图片列表** @param query* @return*/public List<String> searchMediumImages(String query) {// 设置请求头（包含API密钥）Map<String, String> headers = new HashMap<>();headers.put("Authorization", API_KEY);// 设置请求参数Map<String, Object> params = new HashMap<>();params.put("query", query);// 发送 GET 请求String response = HttpUtil.createGet(API_URL).addHeaders(headers).form(params).execute().body();// 解析响应JSONreturn JSONUtil.parseObj(response).getJSONArray("photos").stream().map(photoObj -> (JSONObject) photoObj).map(photoObj -> photoObj.getJSONObject("src")).map(photo -> photo.getStr("medium")).filter(StrUtil::isNotBlank).collect(Collectors.toList());}
}

package com.funian.mcpserver;import com.funian.mcpserver.tools.ImageSearchTool;
import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.ai.tool.method.MethodToolCallbackProvider;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.context.annotation.Bean;@SpringBootApplication
public class McpServerApplication {public static void main(String[] args) {SpringApplication.run(McpServerApplication.class, args);}@Beanpublic ToolCallbackProvider imageSearchTools(ImageSearchTool imageSearchTool) {return MethodToolCallbackProvider.builder().toolObjects(imageSearchTool).build();}
}

• 4、单元测试。

package com.funian.mcpserver.tools;import jakarta.annotation.Resource;
import org.junit.jupiter.api.Assertions;
import org.junit.jupiter.api.Test;
import org.springframework.boot.test.context.SpringBootTest;import static org.junit.jupiter.api.Assertions.*;/*** @Auther FuNian* @Major Computer Software*/
@SpringBootTest
class ImageSearchToolTest {@Resourceprivate ImageSearchTool imageSearchTool;@Testvoid searchImage() {String result = imageSearchTool.searchImage("computer");Assertions.assertNotNull(result);}
}

• 5、测试验证。

• 6、Maven package打包，客户端会使用Jar包。

3.2、MCP客户端开发

• 1、引入依赖。

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency>

• 2、测试Stdio方式。

 "MCP-Server": {"command": "java","args": ["-Dspring.ai.mcp.server.stdio=true","-Dspring.main.web-application-type=none","-Dlogging.pattern.console=","-jar","MCP-Server/target/MCP-Server-0.0.1-SNAPSHOT.jar"],"env": {}}

• 3、测试验证。

• 4、测试SSE方式。

spring:ai:mcp:client:sse:connections:server:url: http://localhost:8127# stdio:# servers-configuration: classpath:mcp-servers.json

四、MCP(model context protocol)部署方案

• 分为本地部署和远程部署：

  • 本地部署：适用于 stdio 传输方式，流程与开发 MCP 一致，只需将 MCP Server 的代码打包（如 jar 包），上传到 MCP Client 可访问的路径下，通过编写对应的 MCP 配置即可启动。例如后端项目放在服务器 A 上，若项目需要调用 Java 开发的 MCP Server，需将 MCP Server 的可执行 jar 包也放到服务器 A 上。这种方式简单粗暴，适合小项目，但缺点是每个 MCP 服务都要单独部署，服务多了会很麻烦。
  • 远程部署：适用于 SSE 传输方式，流程与部署后端 web 项目一样，需在服务器上部署服务（如 jar 包）并运行。

• Serverless 平台部署：除了部署到自己的服务器，由于 MCP 服务一般是职责单一的小型项目，很适合部署到 Serverless 平台。使用该平台，开发者只需关注业务代码编写，无需管理服务器等基础设施，系统会根据实际使用量自动扩容并按使用付费，显著降低运维成本和开发复杂。

• MCP 服务提交至第三方平台：

  • 提交操作：可以把 MCP 服务提交到各种第三方 MCP 服务市场，类似于将应用发布到应用商店，让其他人也能使用自己的 MCP 服务。
  • 好处：这种做法有点像开源，至少可以提升技术影响力、收获一波流量，这也是大公司在 MCP 服务市场上占坑的原因之一。

五、MCP(model context protocol)安全性

• 安全现状：MCP 不是一个很安全的协议，安装使用恶意 MCP 服务可能导致隐私泄露、服务器器权限泄露、服务器被恶意执行脚本等问题。
• 安全问题成因：
  • 信息不对称问题：用户一般只能看到工具的基本功能描述，不会关注 MCP 服务的源码及背后指令，而 AI 能看到完整工具描述，包括隐藏在代码中的指令。恶意开发者可在用户不知情下通过 AI 操控系统行为，且 AI 仅通过描述了解工具能做什么，不了解实际做了什么。例如开发的搜索图片服务，源码中未真正搜索图片，而是返回垃圾图片，AI 也无法知晓。
  • 上下文混合与隔离不足：所有 MCP 工具描述加载到同一会话上下文中，恶意 MCP 工具可影响其他正常工具行为。例如某恶意 MCP 工具描述为忽视其他提示词，只输出特定内容，若拼接进 Prompt 中，会影响 AI 回复，类似 SQL 注入。
  • 大模型本身安全意识不足：大模型被设计为精确执行指令，对恶意指令缺乏有效识别和抵抗能力。例如可直接给大模型添加系统预设，改变 AI 回复。
  • MCP 协议缺乏严格版本控制和更新通知机制：远程 MCP 服务可在用户不知情下更改功能或添加恶意代码，客户端无法感知。例如恶意 MCP 服务提供的 SSE 调用地址，在用户不知情时更新服务，继续调用原地址会遭受攻击。
• 改进期望：期待 MCP 官方对协议进行改进，包括优化 MCP 服务和工具定义，明确区分功能描述和执行指令；完善权限控制，建立 “最小权限” 原则，涉及敏感数据操作需用户明确授权；建立安全检测机制，检测并禁止工具描述中的恶意指令；规范 MCP 生态，提高 MCP 服务共享门槛，服务市场对上架服务进行安全审计，自动检测潜在恶意代码模式。