Tool Calling和本地MCP服务的调用

Tool Calling

我们在使用AI的时候有着一个联网搜索的按键，当我们需要进行网上的搜索的时候就需要借助Tool Calling，所以简单而言，Tool Calling是大模型使用的工具类。

ToolCalling也被称呼为Function Calling，它允许大模型与一组API或工具进行交互，将大模型的智能与外部工具或API进行无缝连接，增强大模型的功能，注意大模型是不直接调用工具的，它是让应用程序去执行大模型的工具，大模型等待程序返回结果，然后返回给用户。

所以我们是对大模型的调用功能进行打通，主要执行某种工具让大模型进行函数的调用。

如果我们不使用ToolCalling的话，我们的实时问题也就无法正常的解决，如下图

首先我们使用ChatModel进行工具的调用，当我们直接使用一个工具类进行返回的时候，根据官方的文档我们就可以看得到默认情况下是直接进行返回，我们可以使用returnDirect参数的定义来设置是否直接返回。

我们想要让大模型进行工具的使用，所以我们首先需要进行工具类的配置如下：

package ai.utils;
​
import org.springframework.ai.tool.annotation.Tool;
​
public class DataTimeTools {/** returnDirect=true的话，默认直接被大模型拿走* false的话将返回的结果进行修饰拼装再进行返回*/@Tool(description = "获取时间",returnDirect = false)public String getTime(){return "现在时间是：" + new java.util.Date();}
​
}

我们原先在帮助文档里面就可以看到，我们的大模型是否进行简单的处理就是需要returnDirect的参数控制。当我们配置类结束之后我们就可以控制台的编写，首先就是把工具放到工具类当中，然后使用ChatOptions让大模型了解到我们使用的工具类，然后将提示词进行编写入大模型，最后就可以得到结果。

package ai.controller;
​
import ai.utils.DataTimeTools;
import jakarta.annotation.Resource;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.model.tool.ToolCallingChatOptions;
import org.springframework.ai.support.ToolCallbacks;
import org.springframework.ai.tool.ToolCallback;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
​
@RestController
public class ToolCallingController {@Resource(name="qwen")private ChatModel chatModel;
​@GetMapping("/toolcall/call")public String chat(@RequestParam(name = "msg",defaultValue = "现在几点")String  msg) {// 创建工具,工具注册到工具集合中ToolCallback[] tools = ToolCallbacks.from(new DataTimeTools());// 将工具集配置进ChatOptions当中ToolCallingChatOptions build = ToolCallingChatOptions.builder().toolCallbacks(tools).build();
​Prompt prompt = new Prompt(msg, build);
​return chatModel.call(prompt).getResult().getOutput().getText();
​}
}

我们通过访问地址就可以得到经过大模型修饰过的返回结果：

如果我们使用的是ChatClient我们依旧可以正常使用和Chatmodel一样

@GetMapping("/toolcall/chatClient")
public Flux<String> stream(@RequestParam(name = "msg", defaultValue = "现在几点") String msg) {ToolCallback[] tools = ToolCallbacks.from(new DataTimeTools());// 将工具集配置进ChatOptions当中ToolCallingChatOptions build = ToolCallingChatOptions.builder().toolCallbacks(tools).build();Prompt prompt = new Prompt(msg, build);return qwenChatClient.prompt(prompt).stream().content();
}

MCP模型上下文协议

MCP是什么？

在早期Spring AI（1.0.0-M6）的版本的时候，FunctingCalling几乎要被MCP取代，因为简单来说Tool Calling的编写工具类并没有办法给多个微服务进行调用，同样如果我们想要多写几个工具包的话，我们同样也需要进行大量的代码编写，所以从多种的角度来说的话，如何进行二者的兼顾呢，为了解决这个问题，我们为了解决多个微服务之间的问题，我们就可以使用MCP协议，简单来说就是我们通过自己的服务去调用同一个大模型服务，通过遵守MCP协议这样我们就可以通过一套协议就可以使用多家的工具包，所以就出现了MCP，几乎可以取代Tool Calling。

理解MCP很简单，就是统一的Type-C协议，只要是这个接口就可以使用进行充电和传递数据，MCP就是可以这样。我们如果想使用MCP，我们有两种方式，SSE，STDIO这两种方式的区别在于STDIO支持标准输入和输出流进行通信，主要用于本地集成、命令行工具等场景，SSE支持使用 HTTP POST请求进行服务器到客户端流式处理，以实现客户端到服务器的通信。

MCP的官方网站：MCP Servers

本地MCP调用

首先我们先进行本地的MCP使用，也就是说我们自己进行撰写。

首先我们先引入依赖和修改yml文件

!--    <!– Web 启动器（Spring Boot Web 核心依赖） –>-->
<!--    <dependency>-->
<!--      <groupId>org.springframework.boot</groupId>-->
<!--      <artifactId>spring-boot-starter-web</artifactId>-->
<!--    </dependency>--><!--注意，spring-boot-starter-web和spring-ai-starter-mcp-server-webflux是不能够同时使用的，使用第一个就会直接使用内置的tomcat最终导致mcpservice失败。--><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter</artifactId></dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-mcp-server-webflux</artifactId></dependency>
​
spring.ai.mcp.server.type=async
spring.ai.mcp.server.name=custom-define-mcp-server
spring.ai.mcp.server.version=1.0.0
现在我们需要进行工具类的编写，这个时候就可以进行方法的使用了package ai.Service;
​
import org.springframework.ai.tool.annotation.Tool;
​
import java.util.Map;
​
public class WeatherService {@Tool(description = "获取天气信息")public String getWeather(String city){Map<String,String> map = Map.of("北京","晴天","上海","阴天","深圳","雷阵雨");return map.getOrDefault(city,"未知城市");}
}

我们还需要一个配置类，来进行表示MCP的服务

package ai.config;
​
import ai.Service.WeatherService;
import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.ai.tool.method.MethodToolCallbackProvider;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
​
@Configuration
public class McpServerConfig {@Beanpublic ToolCallbackProvider toolCallbackProvider(WeatherService weatherService) {return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();}
}

我们启动之后就会发现启动的就是Netty服务器

我们如果想要正常使用这个服务端的话，首先我们要进行依赖的导入，我们如果想要调用需要另一个微服务进行。

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

这个时候我们的配置文件就需要有这样的改动，注意端口号要是你服务端开启的端口进行调用。

spring.ai.mcp.server.type=async
spring.ai.mcp.server.url=http://localhost:8080
spring.ai.mcp.server.timeout=5000

然后重点在于Client配置的参数引入：

@Bean
public ChatClient chatClient(ChatModel chatModel, ToolCallbackProvider tools) {return ChatClient.builder(chatModel).defaultToolCallbacks(tools.getToolCallbacks()).build();        }

对于控制层的代码，我们就和正常调用是一样的