MCP新版实现

🖥️ 基于 Spring AI 的本地与在线 MCP 客户端接入实战

Spring AI 支持本地与在线模型的统一封装调用，结合 MCP（Model Context Protocol）协议，可实现 AI 与文件系统交互、自动生成文件等强大能力。

本文将分别介绍：

✅ 基于 本地 Ollama + Qwen3 模型实现文件操作
✅ 基于 ZhiPu AI 在线模型 实现远程工具调用

🚀 本地 Ollama + Qwen3 模型接入 MCP 实践

Spring AI

✅ 推荐模型：Qwen3

使用 Qwen3 模型，原因如下：

✅ 支持 MCP 工具调用
🚫 其他模型（如 deepseek）当前不支持 MCP 工具

1️⃣ 引入依赖

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

2️⃣ 配置 `application.yml`

spring:
  ai:
    ollama:
      base-url: http://172.26.37.0:11434
      embedding:
        enabled: true
        model: nomic-embed-text
        options:
          num-batch: 512
    mcp:
      client:
        stdio:
          servers-configuration: classpath:config/mcp-servers.json

3️⃣ MCP 工具配置 `mcp-servers.json`

在不使用本地服务的情况下，你也可以接入以下 云端托管的 MCP Server：

🔗 Smithery AI MCP 服务
🔗 Glama MCP 服务

它们支持通过浏览器接入标准 MCP 工具链，适合快速接入和调试。

🖥️ 本地文件操作：server-filesystem 模式

若使用 server-filesystem 工具运行在本地环境，可实现如下能力：

📂 读取 / 写入 / 删除本地文件
📁 操作指定目录下的文件结构
✅ 完整支持 MCP 文件类工具接口

但需注意以下前提条件：

本地需安装好 Node.js 和 npm
全局安装或通过 npx 调用 @modelcontextprotocol/server-filesystem

示例启动命令配置如下：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx.cmd",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:\\Users\\flycode\\Desktop\\temp"
      ]
    }
  }
}

📌 配置说明：

MCP 工具将操作 C:\\Users\\flycode\\Desktop\\temp 目录
可通过 Ollama 实现 AI 与文件系统的交互

4️⃣ Spring Bean 配置

@Configuration
public class OllamaConfig {
    @Bean
    public ChatClient.Builder ollamaChatClientBuilder(OllamaChatModel ollamaChatModel) {
        return new DefaultChatClientBuilder(
            ollamaChatModel,
            ObservationRegistry.NOOP,
            (ChatClientObservationConvention) null
        );
    }
}

5️⃣ 调用测试：生成本地文件

@Resource
private ToolCallbackProvider toolCallback;
@Resource
private ChatClient.Builder ollamaChatClientBuilder;

@Test
public void makeNewText() {
    String prompt = "帮我生成一个测试.txt文件到C:\\Users\\flycode\\Desktop\\temp位置，并且内容是测试xxxx";

    String text = ollamaChatClientBuilder
        .defaultTools(toolCallback)
        .build()
        .prompt(new Prompt(prompt, OllamaOptions.builder().model("qwen3:latest").build()))
        .call()
        .chatResponse()
        .getResult()
        .getOutput()
        .getText();

    log.info(text);
}

✅ 实际效果

📂 本地文件已自动创建：

☁️ 使用 ZhiPu AI 在线模型调用 MCP 工具

ZhiPu AI

本地模型速度较慢？可以切换到 智谱 AI 在线模型，实现远程文件管理。

📌 注意：

仅智谱 API 支持 MCP 工具协议（国内支持最完善）
调用将消耗较多 Token，按需使用

1️⃣ 引入依赖

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

2️⃣ 配置 `application.yml`

spring:
  ai:
    zhipuai:
      api-key: xxxxxx  # 请替换为你的真实密钥
      chat:
        options:
          model: glm-4-plus
      base-url: https://open.bigmodel.cn/api/paas/
    mcp:
      client:
        stdio:
          servers-configuration: classpath:config/mcp-servers.json

3️⃣ 配置 Bean

@Configuration
public class ZhipuConfig {

    @Bean
    public ZhiPuAiApi zhiPuAiApi(@Value("${spring.ai.zhipuai.base-url}") String baseUrl,
                                  @Value("${spring.ai.zhipuai.api-key}") String apiKey) {
        return new ZhiPuAiApi(baseUrl, apiKey);
    }

    @Bean
    public ChatClient.Builder zhipuChatClientBuilder(ZhiPuAiChatModel zhipuChatModel) {
        return new DefaultChatClientBuilder(
            zhipuChatModel,
            ObservationRegistry.NOOP,
            (ChatClientObservationConvention) null
        );
    }
}

4️⃣ 测试 MCP 工具能力

@Resource
private ToolCallbackProvider toolCallback;
@Resource
private ChatClient.Builder zhipuChatClientBuilder;

@Test
public void test2() {
    String res = zhipuChatClientBuilder
        .defaultTools(toolCallback)
        .build()
        .prompt("当前有哪些工具可用")
        .call()
        .chatResponse()
        .getResult()
        .getOutput()
        .getText();

    log.info(res);
}

✅ 效果展示

✨ 可用 MCP 工具一览（自动返回）：

🔚 总结

项目	Ollama 本地模型	智谱 AI 在线模型
速度	较慢	快速
支持模型	Qwen3（MCP支持）	GLM 系列（MCP支持）
调用成本	免费，需本地资源	收费，需 API Token
推荐用途	本地开发、私有部署	云端调用、便捷测试

自定义 MCP 服务开发指南

为了实现更灵活的 AI 工具接入能力，我们可以自定义一个 MCP 服务模块，用于提供本地能力（例如系统信息、文件操作等）供 AI 调用。

官方文档参考：Spring AI - MCP Server Starter

1️⃣ 引入核心依赖

在新建的 Spring Boot 模块中添加以下依赖：

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

2️⃣ 实现自定义工具类（以获取电脑配置信息为例）

@Service
@Slf4j
public class ComputerService {
    @Tool(description = "获取电脑配置信息")
    public String getComputerInfo(@ToolParam(description = "电脑名称") String computerName) {
        log.info("获取电脑配置信息" + computerName);

        // 操作系统名称
        String osName = System.getProperty("os.name");
        // 操作系统版本
        String osVersion = System.getProperty("os.version");
        // 操作系统架构
        String osArch = System.getProperty("os.arch");
        // 用户的账户名称（注意：Java 本身没有直接获取用户名的方法）
        String userName = System.getProperty("user.name");
        // 用户的主目录
        String userHome = System.getProperty("user.home");
        // 用户的当前工作目录
        String currentDir = System.getProperty("user.dir");
        // Java 运行时环境版本
        String javaVersion = System.getProperty("java.version");
        StringBuilder res = new StringBuilder();
        return res.append("Operating System: ").append(osName).append("\n")
                .append("OS Version: ").append(osVersion).append("\n")
                .append("OS Architecture: ").append(osArch).append("\n")
                .append("User Name: ").append(userName).append("\n")
                .append("User Home: ").append(userHome).append("\n")
                .append("Current Directory: ").append(currentDir).append("\n")
                .append("Java Version: ").append(javaVersion).append("\n").toString();
    }
}

3️⃣ 配置 application.yml

目前提供的标准 MCP 服务类型有以下几种：

WebMVC Server Transport：支持传统的 WebMVC 传输模式，适用于常规 Web 应用。
WebMVC Server Transport：Full MCP Server：支持完整的 MCP 服务功能，集成 SSE（Server-Sent Events）传输模式，基于 Spring WebFlux 实现，可以高效地处理实时流数据。
WebMVC Server Transport with STDIO：在此模式下，MCP 服务通过标准输入输出（STDIO）方式进行通信，适合命令行工具或无需 Web 服务的场景。

在以下部分，我们将详细说明如何配置和使用 STDIO 模式的 MCP 服务，它适用于命令行操作、无界面的后台服务等场景。

为了避免 web 控制台输出，推荐使用 web-application-type: none，适合 CLI 工具服务：

spring:
  application:
    name: mcp-server-computer

  ai:
    mcp:
      server:
        name: ${spring.application.name}
        version: 1.0.0

  main:
    banner-mode: off
    web-application-type: none

logging:
  file:
    name: ${spring.application.name}.log

server:
  servlet:
    encoding:
      charset: UTF-8
      force: true

4️⃣ 启动类与工具注册

@SpringBootApplication
@Slf4j
public class ComputerApplication implements CommandLineRunner {

    public static void main(String[] args) {
        SpringApplication.run(ComputerApplication.class, args);
    }

    @Override
    public void run(String... args) throws Exception {
        log.info("Computer service started");
    }
    // 将当前MCP工具注册到ToolBackProvider中
    @Bean
    public ToolCallbackProvider computerTool(ComputerService computerService) {
        return MethodToolCallbackProvider.builder().toolObjects(computerService).build();
    }
}

5️⃣ 打包服务 Jar 供调用

将该模块 打包为可执行 Jar，记录生成的路径（例如：ai-mcp-server-computer-1.0-SNAPSHOT.jar）：

🧭 例如：D:\myprojects\Konwledge\xxx\target\ai-mcp-server-computer-1.0-SNAPSHOT.jar

6️⃣ 配置调用方 JSON 文件

在客户端（如 Zhipu AI）中的 mcp-servers.json 配置文件中添加如下内容：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx.cmd",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:\\Users\\flycode\\Desktop\\temp"
      ]
    },
    "mcp-server-computer": {
      "command": "java",
      "args": [
        "-jar",
        "D:\\myprojects\\Konwledge\\xxx\\target\\ai-mcp-server-computer-1.0-SNAPSHOT.jar"
      ]
    }
  }
}

7️⃣ 调用测试

使用 ChatClient 发起测试请求，查看工具是否注册成功：

@Resource
private ChatClient.Builder zhipuChatClientBuilder;

@Test
public void testToolAvailability() {
    String res = zhipuChatClientBuilder
                    .defaultTools(toolCallback)
                    .build()
                    .prompt("当前有哪些工具可用")
                    .call()
                    .chatResponse()
                    .getResult()
                    .getOutput()
                    .getText();
    log.info(res);
}

📸 测试效果如下图所示：

8️⃣ AI 问答调用效果

示例 prompt：调用工具生成电脑配置文件

@Test
public void testComputerTool() {
    String prompt = "获取我的电脑配置信息，帮我生成一个电脑配置.txt文件到C:\\Users\\flycode\\Desktop\\temp位置，并且内容是电脑配置信息";
    String text = zhipuChatClientBuilder
                    .defaultTools(toolCallback)
                    .build()
                    .prompt(new Prompt(prompt))
                    .call()
                    .chatResponse()
                    .getResult()
                    .getOutput()
                    .getText();
    log.info(text);
}

最终 AI 成功读取配置信息并创建文件：

✅ 小结

通过自定义 MCP Server 模块，你可以让 AI 工具访问本地服务、操作本地资源，支持场景包括但不限于：

系统信息读取
本地文件生成 / 编辑
接入私有 API 或数据库查询

可以将多个服务模块整合，统一注册为 MCP 工具链，提高 AI 调度的灵活性。

🖥️ 基于 Spring AI 的本地与在线 MCP 客户端接入实战

🚀 本地 Ollama + Qwen3 模型接入 MCP 实践

✅ 推荐模型：Qwen3

1️⃣ 引入依赖

2️⃣ 配置 `application.yml`

3️⃣ MCP 工具配置 `mcp-servers.json`

🖥️ 本地文件操作：server-filesystem 模式

4️⃣ Spring Bean 配置

5️⃣ 调用测试：生成本地文件

✅ 实际效果

☁️ 使用 ZhiPu AI 在线模型调用 MCP 工具

1️⃣ 引入依赖

2️⃣ 配置 `application.yml`

3️⃣ 配置 Bean

4️⃣ 测试 MCP 工具能力

✅ 效果展示

🔚 总结

自定义 MCP 服务开发指南

1️⃣ 引入核心依赖

2️⃣ 实现自定义工具类（以获取电脑配置信息为例）

3️⃣ 配置 application.yml

4️⃣ 启动类与工具注册

5️⃣ 打包服务 Jar 供调用

6️⃣ 配置调用方 JSON 文件

7️⃣ 调用测试

8️⃣ AI 问答调用效果

✅ 小结

评论

站内搜索

🖥️ 基于 Spring AI 的本地与在线 MCP 客户端接入实战

🚀 本地 Ollama + Qwen3 模型接入 MCP 实践

✅ 推荐模型：Qwen3

1️⃣ 引入依赖

2️⃣ 配置 application.yml

3️⃣ MCP 工具配置 mcp-servers.json

🖥️ 本地文件操作：server-filesystem 模式

4️⃣ Spring Bean 配置

5️⃣ 调用测试：生成本地文件

✅ 实际效果

☁️ 使用 ZhiPu AI 在线模型调用 MCP 工具

1️⃣ 引入依赖

2️⃣ 配置 application.yml

3️⃣ 配置 Bean

4️⃣ 测试 MCP 工具能力

✅ 效果展示

🔚 总结

自定义 MCP 服务开发指南

1️⃣ 引入核心依赖

2️⃣ 实现自定义工具类（以获取电脑配置信息为例）

3️⃣ 配置 application.yml

4️⃣ 启动类与工具注册

5️⃣ 打包服务 Jar 供调用

6️⃣ 配置调用方 JSON 文件

7️⃣ 调用测试

8️⃣ AI 问答调用效果

✅ 小结

评论

2️⃣ 配置 `application.yml`

3️⃣ MCP 工具配置 `mcp-servers.json`

2️⃣ 配置 `application.yml`