导读：本文介绍了大模型LLM+MCP的调用过程，以及实现如下2个小案例。

示例1：写一个数字计算方法并包装成mcp工具

示例2：将远程的http或者scf接口包装成mcp工具

什么是MCP？

MCP 是 2024 年底由 Anthropic 提出来的一个通信协议，目的是让大语言模型（LLM）能更顺畅地跟外部数据和工具对接，让AI应用有了链接万物的能力。

简单来说，MCP就像一个“万能插座”，

让各种功能都能通过标准化的接口和大模型对接，实现“即插即用”。

工作原理

MCP Server，负责处理来自MCP Client的请求，并调用各种资源，返回相应的结果或数据。MCP Client，是大模型与MCP Server之间的桥梁；Host，内置了MCP Client的应用程序，可以是APP、Agent、Web应用、桌面应用等形态；

传输方式

MCP 采用  JSON-RPC 2.0 协议 来传输数据，并且支持两种传输模式：

基于 stdio 的进程间通信传输，以独立的进程运行在 AI 应用本地，适用于比较轻量级的工具。基于 SSE（Server-Sent Events） 进行远程服务访问，需要将服务单独部署，客户端通过服务端的 URL 进行远程访问，适用于比较重量级的工具。

在新版本中，MCP引入了新的Streamable HTTP远程传输机制来代替之前的HTTP+SSE的远程传输模式（stdio的本地模式不变）。

SSE传输模式

客户端首先发送HTTP Get请求到服务端/sse端点  服务端进行响应，建立SSE长连接，并返回后续请求的URI（默认/messages）  客户端使用此URI与服务端交互，发送请求  服务端则通过SSE连接发送响应消息或通知信息给客户端

核心概念

工具 (Tools): 由 MCP 服务器暴露的可执行功能，AI 客户端可以请求使用。资源 (Resources): 由 MCP 服务器暴露的数据和内容，可以作为 AI 的上下文信息使用。

提示词 (Prompts): 由服务器定义的可重用提示模板，客户端可以使用。

Resources + Tools + Prompts = 完全体：Resources 提供数据原料，Tools 提供动手能力，Prompts 提供套路，三者一结合，LLM 就能从一个只会聊天的基础对话模型变成能干活的超级助手。

MCP实践

示例1：写一个数字计算方法并包装成mcp工具

示例2：将远程的http或者scf接口包装成mcp工具

maven依赖

<dependency>   <groupId>io.modelcontextprotocol.sdk</groupId>   <artifactId>mcp-bom</artifactId>   <version>0.8.1</version></dependency>
<dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-bom</artifactId>  <version>1.0.0-M7</version></dependency>

jdk版本：java17 + 

MCP Server

将本地接口转换为MCP工具

实现 MCP 工具

使用springai注解（@Tool、@ToolParam）​​​​​​​

package com.example.mcp.service;
import org.slf4j.Logger;import org.slf4j.LoggerFactory;import org.springframework.ai.tool.annotation.Tool;import org.springframework.ai.tool.annotation.ToolParam;import org.springframework.stereotype.Service;
@Servicepublic class ToolService {
    private static final Logger log = LoggerFactory.getLogger(ToolService.class);
    @Tool(name = "calculator", description = "数字计算器")    public String calculator(            @ToolParam(description = "第一个数字") Double a,            @ToolParam(description = "第二个数字") Double b,            @ToolParam(description = "运算符(+ - * /)") String operation) {        log.info("请求参数: a:{},b:{},operation:{}", a, b, operation);        double result = switch (operation) {            case "+" -> a + b;            case "-" -> a - b;            case "*" -> a * b;            case "/" -> a / b;            default -> throw new IllegalArgumentException("未知操作");        };        return String.format("""                MCP计算结果                %s %s %s = %s                """, a, operation, b, result);    }}

注册 MCP 工具​​​​​​​

@Beanpublic ToolCallbackProvider serverTools(ToolService toolService) {  return MethodToolCallbackProvider.builder().toolObjects(toolService).build();}

使用Cherry Studio验证

将远程http接口转换为MCP工具

定义ToolDTO对象，用于描述http接口​​​​​​​

{    "name": "getHouseInfo",    "description": "查询房源信息",    "url": "http://10.253.18.45:8080/house/getHouseInfo",    "method": "GET",    "toolParam": [        {            "name": "houseId",            "description": "房源ID",            "required": 1        }    ]}

自定义ToolCallback实现，包含ToolDTO属性，实现call方法（mcp工具调用入口）​​​​​​​

package com.example.mcp.tool;
import cn.hutool.core.util.StrUtil;import cn.hutool.http.HttpUtil;import cn.hutool.json.JSONObject;import cn.hutool.json.JSONUtil;import com.example.mcp.dto.ToolDTO;import lombok.Builder;import org.springframework.ai.chat.model.ToolContext;import org.springframework.ai.tool.ToolCallback;import org.springframework.ai.tool.definition.ToolDefinition;import org.springframework.ai.tool.metadata.ToolMetadata;import org.springframework.http.HttpMethod;
import java.util.Map;
@Builderpublic class RemoteMcpToolCallback implements ToolCallback {
    private ToolDefinition toolDefinition;
    private ToolMetadata toolMetadata;
    private ToolDTO toolDTO;
    @Override    public ToolDefinition getToolDefinition() {        return toolDefinition;    }
    @Override    public ToolMetadata getToolMetadata() {        return toolMetadata;    }
    @Override    public String call(String toolInput) {        JSONObject entries = JSONUtil.parseObj(toolInput);        if (StrUtil.equals(HttpMethod.GET.name(), toolDTO.getMethod())) {            StringBuilder url = new StringBuilder(toolDTO.getUrl());            if (!entries.isEmpty()) {                url.append("?");                for (Map.Entry entry : entries.entrySet()) {                    url.append(entry.getKey()).append("=").append(entry.getValue()).append("&");                }                url = new StringBuilder(url.substring(0, url.length() - 1));            }            return HttpUtil.get(url.toString());        } else {            return HttpUtil.post(toolDTO.getUrl(), entries.toString());        }    }
    @Override    public String call(String toolInput, ToolContext tooContext) {        return call(toolInput);    }}

初始化McpAsyncServer​​​​​​​

@Beanpublic McpAsyncServer mcpServer(McpServerTransportProvider transportProvider, ToolService toolService) {  var capabilities = McpSchema.ServerCapabilities.builder()    .tools(true)//工具变化通知    .logging()    .build();  return McpServer.async(transportProvider)    .serverInfo("my-mcp-server", "1.0.0")    .capabilities(capabilities)    .tools(McpToolUtils.toAsyncToolSpecifications(ToolCallbacks.from(toolService)))    .tools()    .build();}

动态新增mcp工具

由于springai没有封装动态添加mcp工具的能力，这里采用原生mcp方式实现。​​​​​​​

package com.example.mcp.controller;
import com.example.mcp.dto.ToolDTO;import com.example.mcp.tool.RemoteMcpToolCallback;import com.example.mcp.tool.RemoteMcpUtil;import io.modelcontextprotocol.server.McpAsyncServer;import io.modelcontextprotocol.server.McpServerFeatures;import jakarta.annotation.Resource;import lombok.extern.slf4j.Slf4j;import org.springframework.ai.mcp.McpToolUtils;import org.springframework.web.bind.annotation.PostMapping;import org.springframework.web.bind.annotation.RequestBody;import org.springframework.web.bind.annotation.RestController;
@Slf4j@RestControllerpublic class McpServerController {
    @Resource    private McpAsyncServer mcpAsyncServer;
    @PostMapping("/server/save")    public String save(@RequestBody ToolDTO tool) {        RemoteMcpToolCallback mcpToolCallback = RemoteMcpUtil.convertToolCallback(tool);        McpServerFeatures.AsyncToolSpecification toolSpecification = McpToolUtils.toAsyncToolSpecification(mcpToolCallback);        mcpAsyncServer.addTool(toolSpecification).subscribe(v -> log.info("addTool tool success {}", toolSpecification.tool().name()));        return "OK";    }
}

MCP CLient

结合大模型应用

配置大模型（deepseek）和mcp server相关信息​​​​​​​

spring:  ai:    openai:      api-key: sk-19c6656c1afc4b448b44abb6980ac29c      base-url: https://api.deepseek.com      chat:        options:          model: deepseek-chat    mcp:      client:        enabled: true        name: demo        version: 1.0.0        type: ASYNC        request-timeout: 20s        toolcallback:          enabled: true        sse:          connections:            server1:              url: http://localhost:8002

初始化ChatClient，并且设置mcp工具​​​​​​​

@Beanpublic ChatClient initChatClient(ChatClient.Builder chatClientBuilder,                                 AsyncMcpToolCallbackProvider toolCallbackProvider) {  return chatClientBuilder.defaultTools(toolCallbackProvider.getToolCallbacks()).build();}

实现AI问答接口​​​​​​​

package com.example.mcp.controller;
import com.example.mcp.dto.AskRequest;import jakarta.annotation.Resource;import org.springframework.ai.chat.client.ChatClient;import org.springframework.http.MediaType;import org.springframework.web.bind.annotation.PostMapping;import org.springframework.web.bind.annotation.RequestBody;import org.springframework.web.bind.annotation.RestController;import reactor.core.publisher.Flux;
@RestControllerpublic class McpClientController {
    @Resource    private ChatClient chatClient;
    @PostMapping(value = "/ai/answer")    public String generate(@RequestBody AskRequest request) {        return chatClient.prompt()                .user(request.getContent())                .call()                .content();    }
    @PostMapping(value = "/ai/answer/sse", produces = MediaType.TEXT_EVENT_STREAM_VALUE)    public Flux<String> generateStreamAsString(@RequestBody AskRequest request) {        Flux<String> content = chatClient.prompt()                .user(request.getContent())                .stream()                .content();        return content                .concatWith(Flux.just("[complete]"));
    }}

效果测试

监听mcp工具变化

通过实现McpSyncClientCustomizer可监听到mcp工具变化​​​​​​​

package com.example.mcp.config;
import io.modelcontextprotocol.client.McpClient;import io.modelcontextprotocol.spec.McpSchema;import org.slf4j.Logger;import org.slf4j.LoggerFactory;import org.springframework.ai.mcp.customizer.McpSyncClientCustomizer;import org.springframework.stereotype.Component;
@Componentpublic class CustomMcpSyncClientCustomizer implements McpSyncClientCustomizer {    private static final Logger logger = LoggerFactory.getLogger(CustomMcpSyncClientCustomizer.class);
    @Override    public void customize(String name, McpClient.SyncSpec spec) {        spec.toolsChangeConsumer(tools -> {            for (McpSchema.Tool tool : tools) {                logger.info("mcp工具变更：tool name: {}, tool desc: {}", tool.name(), tool.description());            }        });    }}

以上，是完整的基于MCP的实践小案例，代码均已调试通过，如有需要，可留言获取或交流。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】