知識庫 / Spring / Spring AI RSS 訂閱

現在我們已經實現了服務層，讓我們在之上暴露一個 REST API：

@PostMapping("/chat")
ResponseEntity<ChatResponse> chat(@RequestBody ChatRequest chatRequest) {
    String answer = chatbotService.chat(chatRequest.question());
    return ResponseEntity.ok(new ChatResponse(answer));
}

record ChatRequest(String question) {}

record ChatResponse(String answer) {}

我們稍後在教程中將使用上述 API 端點與我們的聊天機器人進行交互。

4. 創建自定義 MCP 服務器

除了使用預構建的 MCP 服務器外，我們可以創建自己的 MCP 服務器，以通過我們的業務邏輯擴展聊天機器人的功能。

讓我們探索如何使用 Spring AI 創建自定義 MCP 服務器。

在本節中，我們將創建一個新的 Spring Boot 應用程序。

4.1. 依賴項

首先，在我們的 pom.xml 文件中包含必要的依賴項：

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

我們導入了 Spring AI 的 MCP 服務器依賴項，它提供了創建支持基於 HTTP 的 SSE 傳輸的自定義 MCP 服務器所需的類。

4.2. 定義和暴露自定義工具

接下來，讓我們定義一些將暴露到我們的 MCP 服務器的自定義工具。

我們將創建一個 AuthorRepository 類，該類提供方法以檢索作者信息：

class AuthorRepository {
    @Tool(description = "Get Baeldung author details using an article title")
    Author getAuthorByArticleTitle(String articleTitle) {
        return new Author("John Doe", "[email protected]");
    }

    @Tool(description = "Get highest rated Baeldung authors")
    List<Author> getTopAuthors() {
        return List.of(
          new Author("John Doe", "[email protected]"),
          new Author("Jane Doe", "[email protected]")
        );
    }

    record Author(String name, String email) {
    }
}

為了演示，我們返回硬編碼的作者信息，但在實際應用中，工具通常會與數據庫或外部 API 交互。

我們對這兩個方法進行了 @Tool 註解，併為每個方法提供了一個簡短的 描述。 該 描述 幫助 AI 模型根據用户輸入決定何時以及何時調用工具，並將結果納入其響應中。

接下來，讓我們將作者工具註冊到 MCP 服務器上：

@Bean
ToolCallbackProvider authorTools() {
    return MethodToolCallbackProvider
      .builder()
      .toolObjects(new AuthorRepository())
      .build();
}

我們使用 MethodToolCallbackProvider 創建一個 ToolCallbackProvider Bean，該 Bean 來自我們 AuthorRepository 類中定義的工具。 帶有 @Tool 註解的方法會在應用程序啓動時作為 MCP 工具暴露。

或者，我們可以根據特定條件在運行時動態註冊工具：

@Bean
CommandLineRunner commandLineRunner(
    McpSyncServer mcpSyncServer,
    @Value("${com.baeldung.author-tools.enabled:false}") boolean authorToolsEnabled
) {
    return args -> {
        if (authorToolsEnabled) {
            ToolCallback[] toolCallbacks = ToolCallbacks.from(new AuthorRepository());
            List<SyncToolSpecification> tools = McpToolUtils.toSyncToolSpecifications(toolCallbacks);
            tools.forEach(tool -> {
                mcpSyncServer.addTool(tool);
                mcpSyncServer.notifyToolsListChanged();
            });
        }
    };
}

在這裏，我們注入了由 Spring AI 自動創建的 McpSyncServer Bean，用於根據配置屬性條件註冊我們的工具。 類似於 addTool() 方法，McpSyncServer 類也提供了 removeTool() 方法，用於移除某些工具。

為了演示目的，我們使用了 CommandLineRunner 接口；但是，當通過 REST API 調用或響應應用程序事件時，也可以添加/移除工具。 這對於根據用户權限、訂閲級別或其他業務邏輯啓用或禁用功能尤其 有用。

4.3. 為我們的自定義 MCP 服務器配置 MCP 客户端

要將我們的自定義 MCP 服務器集成到聊天機器人應用程序中，我們需要針對該服務器配置一個 MCP 客户端：

spring:
  ai:
    mcp:
      client:
        sse:
          connections:
            author-tools-server:
              url: http://localhost:8081

在 application.yaml 文件中，我們配置了一個新的客户端，用於連接我們的自定義 MCP 服務器。請注意，我們在這裏使用了 SSE 傳輸類型。

此配置假設 MCP 服務器正在運行在 http://localhost:8081。如果它運行在不同的主機或端口上，則需要確保更新 url。

此外，如果我們在運行時啓用了 MCP 服務器動態添加或刪除工具功能，我們可以註冊一個監聽器來檢測這些工具變更：

@Bean
McpSyncClientCustomizer mcpSyncClientCustomizer() {
    return (name, mcpClientSpec) -> {
        mcpClientSpec.toolsChangeConsumer(tools -> {
            logger.info("Detected tools changes.");
        });
    };
}

在這裏，我們定義了一個類型為 McpSyncClientCustomizer 的 Bean，並使用 toolsChangeConsumer() 方法註冊了一個監聽器。雖然這裏只是為了簡化目的而進行日誌記錄，但在實際應用中，我們可以刷新 ChatClient Bean 或通過編程方式重啓我們的應用程序。

採用這種配置，我們的 MCP 客户端現在可以調用我們自定義服務器提供的工具，以及 Brave Search 和 Filesystem MCP 服務器提供的工具。

5. 與我們的聊天機器人交互

現在我們已經構建了聊天機器人並將其集成到各種MCP服務器中，讓我們與它進行交互並對其進行測試。

我們將使用HTTPie CLI來調用聊天機器人的API端點：

http POST :8080/chat question="How much was Elon Musk's initial offer to buy OpenAI in 2025?"

在這裏，我們向聊天機器人發送一個關於在LLM的知識截止日期之後發生的事件的簡單問題。讓我們看看我們得到什麼樣的回覆：

Here, we send a simple question to the chatbot about an event that occurred after the LLM’s knowledge cut-off date. Let’s see what we get as a response:

{
    "answer": "Elon Musk's initial offer to buy OpenAI was $97.4 billion. [Source](https://www.reuters.com/technology/openai-board-rejects-musks-974-billion-offer-2025-02-14/)."
}

如我們所見，聊天機器人能夠使用配置好的 Brave Search MCP 服務器進行網頁搜索，並提供準確答案和來源。

接下來，讓我們驗證聊天機器人是否能夠使用 Filesystem MCP 服務器執行文件系統操作：

http POST :8080/chat question="Create a text file named 'mcp-demo.txt' with content 'This is awesome!'."

我們指示聊天機器人創建一個名為 mcp-demo.txt 的文件，其中包含特定內容。 讓我們看看它是否能夠滿足這個要求：

{
    "answer": "The text file named 'mcp-demo.txt' has been successfully created with the content you specified."
}

聊天機器人返回成功響應。我們可以驗證文件是否已在指定目錄中創建，具體配置在 application.yaml文件中。

最後，讓我們驗證聊天機器人是否可以調用我們自定義 MCP 服務器提供的工具。我們將通過提及文章標題來查詢作者信息：

http POST :8080/chat question="Who wrote the article 'Testing CORS in Spring Boot?' on Baeldung, and how can I contact them?"

讓我們調用API，看看聊天機器人響應中是否包含硬編碼的作者信息：

{
    "answer": "The article 'Testing CORS in Spring Boot' on Baeldung was written by John Doe. You can contact him via email at [[email protected]](mailto:[email protected])."
}

上述響應驗證了聊天機器人通過自定義 MCP 服務器提供的 getAuthorByArticleTitle() 工具來獲取作者信息的。

我們強烈建議您本地設置代碼庫並使用不同的提示與聊天機器人進行交互。

6. 結論

在本文中，我們探討了模型上下文協議（Model Context Protocol，簡稱MCP）並使用 Spring AI 實現了其客户端-服務器架構。

首先，我們使用 Anthropic 的 Claude 4 Opus 模型構建了一個簡單的聊天機器人，作為我們的 MCP 服務器。

然後，為了為聊天機器人提供網絡搜索能力並使其能夠執行文件系統操作，我們配置了 MCP 客户端，針對 Brave Search API 和 Filesystem 的預構建 MCP 服務器進行了配置。

最後，我們創建了一個自定義的 MCP 服務器，並在我們的 MCP 託管應用程序中配置了其對應的 MCP 客户端。