Spring AI Alibaba 正式上线 MCP 市场：https://java2ai.com/mcp/。

开发者可以在这里搜索市面上可用的 MCP Server 服务，了解每个服务的实现与接入方法。

本文作者：夏冬，Spring AI Alibaba Contributor。

1. MCP 基础与快速体验（熟悉的读者可以跳过此部分）

2. 如何将自己开发的 Spring 应用发布为 MCP Server，验证使用 Claude 或 Spring 应用作为客户端接入自己发布的 Java MCP Server。

• 发布 stdio 模式的 MCP Server
• 发布 SSE 模式的 MCP Server
• 开发另一个 Spring 应用作为 MCP Client 调用 MCP Server 服务
• 使用 Claude 桌面应用接入我们的 Java MCP Server

3. 如何使用自己开发的 Spring 应用调用 MCP Server，包括调用自己发布的 Java MCP Server，也包括市面上其他通用 MCP Server。

• 配置并调用 stdio 模式的 MCP Server
• 配置并调用 SSE 模式的 MCP Server

4. 如何在 Spring AI Alibaba OpemManus Agent 框架中使用 MCP Server

MCP官方文档：https://modelcontextprotocol.io/introduction

java版的MCP源码：https://github.com/modelcontextprotocol/java-sdk

• 本版源码解析，取自mcp/java-sdk（20250322），等正式发版后会再度更新

Tool工具允许模型与一组API或工具进行交互，增强模型功能，主要用于：

• 信息检索：从外部数据源检索信息，如数据库、Web服务、文件系统或Web搜索引擎等
• 采取行动：可用于在软件系统中执行特定操作，如发送电子邮件、在数据库中创建新记录、触发工作流等

此次官方发布的 Spring AI Alibaba OpenManus 实现，包含完整的多智能体任务规划、思考与执行流程，可以让开发者体验 Java 版本的多智能体效果。它能够根据用户的问题进行分析，操作浏览器，执行代码等来完成复杂任务等。

Spring AI 实现了模块化 RAG 架构，架构的灵感来自于论文“模块化 RAG：将 RAG 系统转变为类似乐高的可重构框架”中详述的模块化概念。

本文介绍如何使用 Spring AI Alibaba 构建大模型联网搜索应用结合模块化 RAG（Module RAG）和信息检索服务（IQS）赋能大模型。

概述​

随着 LLM（大语言模型）基础技术的不断成熟和应用领域的广泛挖掘，越来越多的企业和开发者开始将 LLM 技术集成到自己的互联网服务架构中，市场上涌现出了一大批基于 LLM 技术搭建的爆款应用。Python 语言受益于其丰富的框架和社区生态，成为了众多开发者搭建这些 AI 应用时的第一选择。但随着 AI 应用架构日益成熟，吞吐量、访问性能、可扩展性、微服务生态等重要指标也成为众多开发者和运维人员关注的焦点。恰好，经历了互联网时代考验的 Java 语言在这些方面已经有了很成熟的解决方案和生态。那么，使用 Java 语言能否也像 Python 一样快速搭建出来 AI 应用呢？

RAG 应用架构概述​

核心组件​

• Spring AI：Spring 生态的 Java AI 开发框架，提供统一 API 接入大模型、向量数据库等 AI 基础设施。
• Ollama：本地大模型运行引擎（类似于 Docker），支持快速部署开源模型。
• Spring AI Alibaba：对 Spring AI 的增强，集成 DashScope 模型平台。
• Elasticsearch：向量数据库，存储文本向量化数据，支撑语义检索。

Spring AI Alibaba RAG Example 示例项目源码地址：https://github.com/springaialibaba/spring-ai-alibaba-examples/tree/main/spring-ai-alibaba-rag-example

在 AI 智能体（AI Agent）开发的过程中，RAG（Retrieval-Augmented Generation） 和 Tool Calling 已经成为两种至关重要的模式。RAG 通过结合检索技术和生成模型的强大能力，使智能体能够实时从外部数据源获取信息，并在生成过程中增强其知识深度和推理能力。通过这种方式，智能体不仅能依赖于模型的预训练知识，还能动态访问和处理更加广泛、详细的外部数据，从而显著提升其在复杂任务中的表现。