1. 简介

模型上下文协议（Model Context Protocol，MCP）是 Spring AI 中的一个强大功能，它使 AI 模型能够通过标准化接口访问外部工具和资源。MCP 的一个有趣特性是它能够在运行时动态更新可用工具。

理解模型上下文协议（Model Context Protocol）

模型上下文协议（MCP）是一种标准化接口，它允许人工智能（AI）应用程序和智能体（Agents）能够：访问外部工具、获取资源、使用提示模板。

MCP 遵循client - server架构：MCP 服务器负责暴露工具、资源和提示；MCP 客户端连接到服务器并使用其功能；AI 模型则通过这些客户端与外部世界进行交互。

Spring AI 提供了 MCP 的全面实现，包含客户端和服务器组件，从而能够轻松地将 AI 功能集成到 Spring 应用程序中。

动态工具更新功能

MCP 的一项强大功能在于其能够在运行时动态更新可用工具。这意味着：

• MCP 服务器无需重启即可添加或移除工具

• MCP 客户端能够检测到这些变更

• AI 模型可以立即使用新的功能

接下来，我们将通过实例讲解MCP工具动态更新功能。

2.实战案例

2.1 环境准备

首先，引入如下依赖：

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

最后，配置文件application.yml：

spring:  ai:    mcp:      server:        enabled: true        name: ai_mcp_server        version: 1.0.0        type: SYNC

2.2 编写工具

首先，我们提供默认的工具：​​​​​​​

@Componentpublic class WeatherService {
  @Tool(description = "获取当前天气预报")  WeatherResponse getCurrentWeather(WeatherRequest request) {    // ...  }
  @Tool(description = "获取IP地址详细信息")  String getIpAddressInfo(String ip) {    // ...  }}

接下来，我们再编写一个工具，该工具是需要我们动态管理的（添加 / 删除）。​​​​​​​

@Servicepublic class MathService {  @Tool(name = "sum", description = "计算2个数的和")  public int sum(int a, int b) {    return a + b + 1000;  }  @Tool(name = "sub", description = "计算2个数的差值")  public int sub(int a, int b) {    return a - b - 1000;  }}

最后，注册WeatherService工具：​​​​​​​

@Configurationpublic class McpToolConfig {  @Bean  ToolCallbackProvider weatherTools(WeatherService weatherService) {    return MethodToolCallbackProvider.builder()        .toolObjects(weatherService)        .build() ;  }}

总结：WeatherService工具系统启动会自动的注册；MathService工具则将会在下面的实现中进行手动添加/删除管理。

2.3 动态添加 / 删除工具​​​​​​​

@RequestMapping("/mcp")public class McpToolController {  private final McpSyncServer mcpSyncServer ;  private final MathService mathService ;  public McpToolController(McpSyncServer mcpSyncServer, MathService mathService) {    this.mcpSyncServer = mcpSyncServer ;    this.mathService = mathService;  }  @GetMapping("/add")  public ResponseEntity<?> addTool() {    List<SyncToolSpecification> newTools = McpToolUtils        .toSyncToolSpecifications(ToolCallbacks.from(this.mathService));
    for (SyncToolSpecification newTool : newTools) {      this.mcpSyncServer.addTool(newTool);    }    return ResponseEntity.ok("添加成功") ;  }
  @GetMapping("/remove")  public ResponseEntity<?> removeTool(String toolName) {    this.mcpSyncServer.removeTool(toolName) ;    return ResponseEntity.ok("删除工具【" + toolName + "】成功") ;  }}

上面的addTool / removeTool方法执行后都会自动的进行通知客户端（MCP Client）。我们可以通过如下配置进行更改默认行为：​​​​​​​

spring:  ai:    mcp:      server:        tool-change-notification: false | true

2.4 使用Cline测试

关于VS中Cline的大模型配置这里就不赘述，不晓得的可以咨询度娘。

Cline配置MCP Server：

默认发现了WeatherService中定义的2个工具。

接下来，我们访问上面的Controller接口添加MathService工具。

刷新Cline MCP服务：

成功添加了2个工具。下面删除sum工具：

再次刷出Cline MCP服务：

进行大模型对话，查看我们的工具是否可用：

成功调用我们的工具。

2.5 使用MCP Client验证

引入依赖​​​​​​​

<dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-starter-mcp-client</artifactId>  <version>1.0.0-M7</version></dependency><dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-starter-mcp-client-webflux</artifactId>  <version>1.0.0-M7</version></dependency><dependency>  <groupId>com.alibaba.cloud.ai</groupId>  <artifactId>spring-ai-alibaba-starter</artifactId>  <version>1.0.0-M6.1</version></dependency>

注意：MCP Client用的版本是M7（Server用的是1.0.0），由于我们使用的阿里大模型与当前的1.0.0不兼容。

配置文件​​​​​​​

spring:  ai:    mcp:      client:        name: ai-mcp-client        initialized: true        type: ASYNC        sse:          connections:            server1:              url: http://localhost:8888

启动Client后，默认将发现如下的工具：

调用MCP Server中的添加工具接口后，该Client自动更新工具：

测试接口​​​​​​​

@RestController@RequestMapping("/tools")public class ToolController {  private final ChatClient chatClient;  public ToolController(ChatClient.Builder aiClientBuilder, ToolCallbackProvider mcpTools) {    this.chatClient = aiClientBuilder.defaultTools(mcpTools).build();  }  @GetMapping("/sum")  public ResponseEntity<String> calcSum(String prompt) {    String response = this.chatClient.prompt(prompt).call().content();    return ResponseEntity.ok(response);  }}

成功！！！

 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】