好的文化网站模板下载电影新网站如何做seo优化

1. 核心架构与抽象

Spring AI 的核心是提供一套统一的 API 来与各种 AI 模型和服务交互，其关键抽象是 ChatClient 和 PromptCallback 等。对于 MCP，它需要解决两个问题：

发现（Discovery）：如何连接到 MCP 服务器并获取其提供的所有工具（tools）和资源（resources）列表。

适配（Adaptation）：如何将这些远程的工具和资源转换成 Spring AI 能够理解和调用的格式，特别是如何将它们作为 FunctionCallback 集成到 AI 对话中。

SpringAiMcpClient 库完美地扮演了这个适配器的角色。

2. 实现原理与关键步骤

整个过程可以分解为以下几个关键步骤：

步骤一：建立连接与传输层

Spring AI MCP 客户端使用 SSE（Server-Sent Events） 或 Stdio 作为传输层与 MCP 服务器通信。你需要在配置中指定 MCP 服务器的地址（对于 SSE）或启动命令（对于 Stdio）。

application.yml

spring:ai:mcp:clients:my-mcp-server: # 自定义客户端实例名type: sseurl: http://localhost:8000/sse# 或者使用 stdio# type: stdio# command: "npx -y @modelcontextprotocol/server-example"

步骤二：初始化与服务器握手

应用启动时，SpringAiMcpClient 会自动执行 MCP 协议规定的初始化流程：

与服务器建立连接。

发送 initialize 请求，交换客户端和服务器的能力信息。

服务器回复 initialized 通知。

客户端发送 tools/list 请求，获取服务器提供的所有工具（函数）的列表及其 JSON Schema 定义。

客户端发送 resources/list 请求，获取服务器提供的所有资源的列表。

步骤三：动态注册为 Function Callback

这是最核心的一步。Spring AI 获取到工具列表后，会为每一个 MCP 工具动态地创建一个 FunctionCallback 实例。

函数定义（Function Definition）：使用从服务器获取的 JSON Schema 来构建 Function 对象，包含了函数名、描述和参数schema。

函数执行（Function Execution）：当 LLM 决定调用某个函数时，Spring AI 会找到对应的 FunctionCallback。这个回调函数内部会通过 MCP 协议向服务器发送 tools/call 请求，并将 LLM 生成的参数传递过去。

结果返回：MCP 服务器执行工具，返回结果。Spring AI 将该结果返回给 LLM，让 LLM 基于结果生成最终的回复给用户。

步骤四：集成到 AI 对话中

这些动态生成的 FunctionCallback 会被聚合到一个 FunctionCallbackRegistry 中。当你使用 ChatClient 并开启函数调用功能时，这些 MCP 工具就会自动成为可用的选项。

@Bean
public ChatClient chatClient(ChatModel chatModel, List<FunctionCallback> toolFunctionCallbacks) {// 所有 MCP 工具生成的 FunctionCallback 都会被自动注入到这里return ChatClient.builder(chatModel)// .defaultFunctions() // 也可以选择默认启用所有函数.build();
}

现在，当你发起一个对话时，如果用户的提问涉及到 MCP 工具（例如：“查看下本地的天气”），LLM 就会自主选择调用相应的 MCP 工具函数，完成服务调用。

3. 代码示例：调用多个服务

假设你的 MCP 服务器提供了两个工具：get_weather（获取天气）和 search_files（搜索文件）。

1. 配置 (application.yml)

yaml
spring:ai:mcp:clients:weather-server:type: sseurl: http://localhost:8000/ssefile-server:type: stdiocommand: "node /path/to/my-file-server.js"chat:model: openai:gpt-4o-mini

2. Java 代码使用

你不需要为每个工具手动编写代码。Spring AI 会自动完成所有繁重的工作。

@RestController
public class McpController {private final ChatClient chatClient;public McpController(ChatClient chatClient) {this.chatClient = chatClient;}@GetMapping("/ask")public String ask(@RequestParam String question) {// 用户的问题可能同时涉及天气和文件搜索// LLM 会自动决定是否需要调用函数，以及调用哪一个或哪几个Prompt prompt = new Prompt(new UserMessage(question));ChatResponse response = chatClient.call(prompt);return response.getResult().getOutput().getContent();}
}

交互流程示例：

用户输入: “我旧金山今天的天气怎么样？然后再帮我找个文件名包含‘季度报告’的文档。”

LLM 推理: 这个问题需要两个步骤：先查天气，再搜文件。

Action 1: LLM 决定调用 get_weather 函数，参数 {“location”: “San Francisco”}。

Spring AI 通过 MCP 调用天气服务器的工具。

天气服务器返回 JSON 格式的天气数据。

Action 2: LLM 收到天气结果后，决定调用 search_files 函数，参数 {“query”: “季度报告”}。

Spring AI 通过 MCP 调用文件服务器的工具。

文件服务器返回文件列表。

最终回复: LLM 综合天气结果和文件列表，生成一段连贯的自然语言回复给用户：“旧金山今天晴，气温22度。我找到了3个包含‘季度报告’的文件：…”

总结

Spring AI 实现 MCP 多服务调用的方式可以概括为：

协议层：基于 MCP 协议（SSE/Stdio）与一个或多个服务器通信。

适配层：在启动时自动发现所有远程工具和资源。

抽象层：将每个远程工具动态封装成一个 Spring AI FunctionCallback。

执行层：在 AI 对话过程中，由 LLM 驱动，通过对应的 FunctionCallback 透明地执行 MCP 函数调用，并将结果返回给 LLM。

多服务：通过配置多个客户端实例，轻松集成多个不同的 MCP 服务器，所有这些服务器的工具都会统一注册到 Spring AI 的上下文中，供 LLM 选择使用。

这种方式极大地简化了集成工作，开发者只需关注配置和业务逻辑，无需编写大量的胶水代码，真正实现了“开箱即用”的多工具AI应用开发。