Java开发基于Spring AI Alibaba玩转MCP：从发布、调用到 Claude 集成
发布时间 2025-04-02
本文作者：夏冬，Spring AI Alibaba Contributor。
0、文章摘要
- MCP 基础与快速体验（熟悉的读者可以跳过此部分）
- 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
- 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
- 如何在 Spring AI Alibaba OpemManus 实现中使用 MCP 服务。
1、模型上下文协议（Model Context Protocol）入门
2024 年 11 月，Anthropic 公司搞了个挺有意思的新玩意 - Model Context Protocol（模型上下文协议）简称为 MCP 协议。简单来说，它就是给 AI 和各类工具数据之间搭了个标准化的”桥梁”，让开发者不用再为对接问题头疼了。大模型应用可以使用别人分享的 MCP 服务来完成各种各样的工作内容，你可以从这些地方获取 MCP 服务：
- awesome-mcp-servers
- mcp.so
MCP 协议在实际的应用场景上非常广泛，列举一些比较常见的应用场景：
- 使用百度/高德地图分析旅线计算时间
- 接 Puppeteer 自动操作网页
- 使用 Github/Gitlab 让大模型接管代码仓库
- 使用数据库组件完成对 Mysql、ES、Redis 等数据库的操作
- 使用搜索组件扩展大模型的数据搜索能力
1.1 在 Claude Desktop 中体验 MCP
接下来我们使用 Claude 快速接入 Github 服务（提前申请 token），编辑一下 Claude Desktop 的配置文件：
- macOS:
~/Library/Application Support/Claude/claude_desktop_config.json - Windows:
%APPDATA%\Claude\claude_desktop_config.json
添加如下内容，注意把<YOUR_TOKEN>替换成你自己申请的 token：
{ "mcpServers": { "github": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-github" ], "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "`" } } }}重启Claude之后，可以看到已经加载了MCP对应的工具：
点开之后可以看到具体的工具内容：
此时我们就可以享受 Github 服务提供的操作仓库的能力：
从图上可以看到，通过创建仓库test-mcp这样的提示词，Claude 的大模型自行判断需要使用 mcp 中提供的create_repository能力，从而完成了仓库的创建，接下来我们打开 Github 也确实发现了这个已经创建的仓库。
通过这种方式，大模型就可以利用MCP接入各式各样的能力，完成各种更为复杂的工作。
1.2 MCP 的架构
MCP 主要分为MCP服务和MCP客户端：
- 客户端：一般指的是大模型应用，比如 Claude、通过 Spring AI Alibaba、Langchain 等框架开发的 AI 应用
- 服务端：连接各种数据源的服务和工具
整体架构如下：
整体的工作流程是这样的：AI 应用中集成MCP客户端，通过MCP协议向MCP服务端发起请求，MCP 服务端可以连接本地/远程的数据源，或者通过 API 访问其他服务，从而完成数据的获取，返回给 AI 应用去使用。
2、在 Spring AI 中使用 Mcp Server
2.1 Spring AI MCP 的介绍
Spring AI MCP 为模型上下文协议提供 Java 和 Spring 框架集成。它使 Spring AI 应用程序能够通过标准化的接口与不同的数据源和工具进行交互，支持同步和异步通信模式。整体架构如下：
Spring AI MCP 采用模块化架构，包括以下组件：
- Spring AI 应用程序：使用 Spring AI 框架构建想要通过 MCP 访问数据的生成式 AI 应用程序
- Spring MCP 客户端：MCP 协议的 Spring AI 实现，与服务器保持 1:1 连接
通过 Spring AI MCP，可以快速搭建 MCP 客户端和服务端程序。
2.2 使用 Spring AI MCP 快速搭建 MCP Server
Spring AI 提供了两种机制快速搭建 MCP Server，通过这两种方式开发者可以快速向 AI 应用开放自身的能力，这两种机制如下：
- 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。
接下来逐一介绍一下这两种方式的实现，示例代码可以通过如下链接获取：https://github.com/springaialibaba/spring-ai-alibaba-examples/tree/main/spring-ai-alibaba-mcp-example/starter-example/server
2.2.1 基于 stdio 的 MCP 服务端实现
基于 stdio 的 MCP 服务端通过标准输入输出流与客户端通信，适用于作为子进程被客户端启动和管理的场景。
添加依赖
首先，在项目中添加 Spring AI MCP Server Starter 依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId></dependency>配置 MCP 服务端
在application.yml中配置 MCP 服务端，这次要实现的是一个天气服务：
spring: main: web-application-type: none # 必须禁用web应用类型 banner-mode: off # 禁用banner ai: mcp: server: stdio: true # 启用stdio模式 name: my-weather-server # 服务器名称 version: 0.0.1 # 服务器版本实现 MCP 工具
使用@Tool注解标记方法，使其可以被 MCP 客户端发现和调用，通过@ToolParameter注解工具的具体参数：
@Servicepublic class OpenMeteoService {
private final WebClient webClient;
public OpenMeteoService(WebClient.Builder webClientBuilder) { this.webClient = webClientBuilder .baseUrl("https://api.open-meteo.com/v1") .build(); }
@Tool(description = "根据经纬度获取天气预报") public String getWeatherForecastByLocation( @ToolParameter(description = "纬度，例如：39.9042") String latitude, @ToolParameter(description = "经度，例如：116.4074") String longitude) {
try { String response = webClient.get() .uri(uriBuilder -> uriBuilder .path("/forecast") .queryParam("latitude", latitude) .queryParam("longitude", longitude) .queryParam("current", "temperature_2m,wind_speed_10m") .queryParam("timezone", "auto") .build()) .retrieve() .bodyToMono(String.class) .block();
// 解析响应并返回格式化的天气信息 // 这里简化处理，实际应用中应该解析JSON return "当前位置（纬度：" + latitude + "，经度：" + longitude + "）的天气信息：\n" + response; } catch (Exception e) { return "获取天气信息失败：" + e.getMessage(); } }
@Tool(description = "根据经纬度获取空气质量信息") public String getAirQuality( @ToolParameter(description = "纬度，例如：39.9042") String latitude, @ToolParameter(description = "经度，例如：116.4074") String longitude) {
// 模拟数据，实际应用中应调用真实API return "当前位置（纬度：" + latitude + "，经度：" + longitude + "）的空气质量：\n" + "- PM2.5: 15 μg/m³ (优)\n" + "- PM10: 28 μg/m³ (良)\n" + "- 空气质量指数(AQI): 42 (优)\n" + "- 主要污染物: 无"; }}这里使用了OpenMeteo， OpenMeteo是一个开源的天气 API，为非商业用途提供免费访问，无需 API 密钥。
注册 MCP 工具
在应用程序入口类中注册工具：
@SpringBootApplicationpublic class McpServerApplication {
public static void main(String[] args) { SpringApplication.run(McpServerApplication.class, args); }
@Bean public ToolCallbackProvider weatherTools(OpenMeteoService openMeteoService) { return MethodToolCallbackProvider.builder() .toolObjects(openMeteoService) .build(); }}运行服务端
在控制台中执行如下命令，编译并打包应用：
mvn clean package -DskipTests2.2.2 基于 SSE 的 MCP 服务端实现
基于 SSE 的 MCP 服务端通过 HTTP 协议与客户端通信，适用于作为独立服务部署的场景，可以被多个客户端远程调用，具体做法与 stdio 非常类似。
添加依赖
首先，在您的项目中添加依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-server-webflux-spring-boot-starter</artifactId></dependency>配置 MCP 服务端
在application.yml中配置 MCP 服务端：
server: port: 8080 # 服务器端口配置
spring: ai: mcp: server: name: my-weather-server # MCP服务器名称 version: 0.0.1 # 服务器版本号实现 MCP 工具
与基于 stdio 的实现完全相同：
@Servicepublic class OpenMeteoService {
private final WebClient webClient;
public OpenMeteoService(WebClient.Builder webClientBuilder) { this.webClient = webClientBuilder .baseUrl("https://api.open-meteo.com/v1") .build(); }
@Tool(description = "根据经纬度获取天气预报") public String getWeatherForecastByLocation( @ToolParameter(description = "纬度，例如：39.9042") String latitude, @ToolParameter(description = "经度，例如：116.4074") String longitude) {
try { String response = webClient.get() .uri(uriBuilder -> uriBuilder .path("/forecast") .queryParam("latitude", latitude) .queryParam("longitude", longitude) .queryParam("current", "temperature_2m,wind_speed_10m") .queryParam("timezone", "auto") .build()) .retrieve() .bodyToMono(String.class) .block();
// 解析响应并返回格式化的天气信息 return "当前位置（纬度：" + latitude + "，经度：" + longitude + "）的天气信息：\n" + response; } catch (Exception e) { return "获取天气信息失败：" + e.getMessage(); } }
@Tool(description = "根据经纬度获取空气质量信息") public String getAirQuality( @ToolParameter(description = "纬度，例如：39.9042") String latitude, @ToolParameter(description = "经度，例如：116.4074") String longitude) {
// 模拟数据，实际应用中应调用真实API return "当前位置（纬度：" + latitude + "，经度：" + longitude + "）的空气质量：\n" + "- PM2.5: 15 μg/m³ (优)\n" + "- PM10: 28 μg/m³ (良)\n" + "- 空气质量指数(AQI): 42 (优)\n" + "- 主要污染物: 无"; }}注册 MCP 工具
在应用程序入口类中注册工具：
@SpringBootApplicationpublic class McpServerApplication {
public static void main(String[] args) { SpringApplication.run(McpServerApplication.class, args); }
@Bean public ToolCallbackProvider weatherTools(OpenMeteoService openMeteoService) { return MethodToolCallbackProvider.builder() .toolObjects(openMeteoService) .build(); }
@Bean public WebClient.Builder webClientBuilder() { return WebClient.builder(); }}运行服务端
在控制台中输入命令，运行服务端：
mvn spring-boot:run服务端将在 http://localhost:8080 启动。
2.3 在 Claude 中测试 mcp 服务
在上一小节中我们编写完了 MCP 服务，这些服务到底是否能正常运行呢？在 Claude Desktop 中可以测试一下。
修改配置文件，添加weather的配置，一定要注意 jar 包的路径必须是全路径：
{ "mcpServers": { "github": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-github" ], "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": your token } }, "weather": { "command": "java", "args": [ "-Dspring.ai.mcp.server.stdio=true", "-Dspring.main.web-application-type=none", "-Dlogging.pattern.console=", "-jar", "<修改为stdio编译之后的jar包全路径>" ], "env": {} } }}重启 Claude 之后看到，我们编写的两个 Tool 已经被加载进来了：
输入提示词，查询今天北京的空气质量：
Claude 触发了我们自己编写的天气服务，展示了完整的数据：
上面使用了 stdio 的方式在 Claude Desktop 中使用我们自己编写的 MCP 服务，但是很可惜 Claude Desktop 不支持直接通过 SSE 模式访问，必须使用 mcp-proxy 作为中介，所以这里我们不再演示 Claude Desktop 接入 SSE 模式的 MCP 服务。
3、在 Spring AI Alibaba 中集成 Mcp Client
对于客户端，Spring AI 同样提供了 stdio 和 SSE 两种机制快速集成 MCP Server，分别对应到 MCP Server 的 stdio 和 SSE 两种模式，参考代码如下：https://github.com/springaialibaba/spring-ai-alibaba-examples/tree/main/spring-ai-alibaba-mcp-example/starter-example/client
3.1 基于 stdio 的 MCP 客户端实现
基于 stdio 的实现是最常见的 MCP 客户端实现方式，它通过标准输入输出流与 MCP 服务器进行通信。这种方式适用于使用了 stdio 方式本地部署的 MCP 服务器，可以直接在同一台机器上启动 MCP 服务器进程。
添加依赖
首先，在项目中添加 Spring AI MCP starter 依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId></dependency><!-- 添加Spring AI MCP starter依赖 --><dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId></dependency>配置 MCP 服务器
在application.yml中配置 MCP 服务器：
spring: ai: dashscope: # 配置通义千问API密钥 api-key: ${DASH_SCOPE_API_KEY} mcp: client: stdio: # 指定MCP服务器配置文件路径（推荐） servers-configuration: classpath:/mcp-servers-config.json # 直接配置示例，和上边的配制二选一 # connections: # server1: # command: java # args: # - -jar # - /path/to/your/mcp-server.jar这个配置文件设置了 MCP 客户端的基本配置，包括 API 密钥和服务器配置文件的位置。你也可以选择直接在配置文件中定义服务器配置，但是还是建议使用json文件管理 mcp 配置。在resources目录下创建mcp-servers-config.json配置文件：
{ "mcpServers": { // 定义名为"weather"的MCP服务器 "weather": { // 指定启动命令为java "command": "java", // 定义启动参数 "args": [ "-Dspring.ai.mcp.server.stdio=true", "-Dspring.main.web-application-type=none", "-jar", "<修改为stdio编译之后的jar包全路径>" ], // 环境变量配置（可选） "env": {} } }}这个 JSON 配置文件定义了 MCP 服务器的详细配置，包括如何启动服务器进程、需要传递的参数以及环境变量设置，还是要注意引用的 jar 包必须是全路径的。
编写一个启动类进行测试：
@SpringBootApplicationpublic class Application {
public static void main(String[] args) { // 启动Spring Boot应用 SpringApplication.run(Application.class, args); }
@Bean public CommandLineRunner predefinedQuestions( ChatClient.Builder chatClientBuilder, ToolCallbackProvider tools, ConfigurableApplicationContext context) { return args -> { // 构建ChatClient并注入MCP工具 var chatClient = chatClientBuilder .defaultTools(tools) .build();
// 定义用户输入 String userInput = "北京的天气如何？"; // 打印问题 System.out.println("\n>>> QUESTION: " + userInput); // 调用LLM并打印响应 System.out.println("\n>>> ASSISTANT: " + chatClient.prompt(userInput).call().content());
// 关闭应用上下文 context.close(); }; }}这段代码展示了如何在 Spring Boot 应用中使用 MCP 客户端。它创建了一个命令行运行器，构建了 ChatClient 并注入了 MCP 工具，然后使用这个客户端发送查询并获取响应。在 Spring AI Alibaba 中使用 Mcp 工具非常简单，只需要把ToolCallbackProvider放到chatClientBuilder的defaultTools方法中，就可以自动的适配。
通过命令启动程序进行测试：
mvn spring-boot:run启动之后显示结果为，从日志可以看到我们自己编写的 mcp server 被调用了，返回了数据：
>>> QUESTION: 北京的天气如何？2025-03-31T17:56:17.931+08:00 DEBUG 23455 --- [mcp] [pool-1-thread-1] io.modelcontextprotocol.spec.McpSchema : Received JSON message: {"jsonrpc":"2.0","id":"60209de5-3","result":{"content":[{"type":"text","text":"\"当前天气:\\n温度: 18.6°C (体感温度: 15.1°C)\\n天气: 多云\\n风向: 南风 (4.7 km/h)\\n湿度: 18%\\n降水量: 0.0 毫米\\n\\n未来天气预报:\\n2025-03-31 (周一):\\n温度: 2.4°C ~ 19.5°C\\n天气: 多云\\n风向: 南风 (8.4 km/h)\\n降水量: 0.0 毫米\\n\\n2025-04-01 (周二):\\n温度: 7.6°C ~ 20.6°C\\n天气: 多云\\n风向: 西北风 (19.1 km/h)\\n降水量: 0.0 毫米\\n\\n2025-04-02 (周三):\\n温度: 6.9°C ~ 18.4°C\\n天气: 晴朗\\n风向: 西北风 (12.8 km/h)\\n降水量: 0.0 毫米\\n\\n2025-04-03 (周四):\\n温度: 7.0°C ~ 19.8°C\\n天气: 多云\\n风向: 南风 (16.3 km/h)\\n降水量: 0.0 毫米\\n\\n2025-04-04 (周五):\\n温度: 7.5°C ~ 21.6°C\\n天气: 多云\\n风向: 西北风 (19.6 km/h)\\n降水量: 0.0 毫米\\n\\n2025-04-05 (周六):\\n温度: 5.6°C ~ 20.7°C\\n天气: 多云\\n风向: 西风 (16.5 km/h)\\n降水量: 0.0 毫米\\n\\n2025-04-06 (周日):\\n温度: 8.4°C ~ 22.3°C\\n天气: 晴朗\\n风向: 南风 (9.4 km/h)\\n降水量: 0.0 毫米\\n\\n\""}],"isError":false}}2025-03-31T17:56:17.932+08:00 DEBUG 23455 --- [mcp] [pool-1-thread-1] i.m.spec.McpClientSession : Received Response: JSONRPCResponse[jsonrpc=2.0, id=60209de5-3, result={content=[{type=text, text="当前天气:\n温度: 18.6°C (体感温度: 15.1°C)\n天气: 多云\n风向: 南风 (4.7 km/h)\n湿度: 18%\n降水量: 0.0 毫米\n\n未来天气预报:\n2025-03-31 (周一):\n温度: 2.4°C ~ 19.5°C\n天气: 多云\n风向: 南风 (8.4 km/h)\n降水量: 0.0 毫米\n\n2025-04-01 (周二):\n温度: 7.6°C ~ 20.6°C\n天气: 多云\n风向: 西北风 (19.1 km/h)\n降水量: 0.0 毫米\n\n2025-04-02 (周三):\n温度: 6.9°C ~ 18.4°C\n天气: 晴朗\n风向: 西北风 (12.8 km/h)\n降水量: 0.0 毫米\n\n2025-04-03 (周四):\n温度: 7.0°C ~ 19.8°C\n天气: 多云\n风向: 南风 (16.3 km/h)\n降水量: 0.0 毫米\n\n2025-04-04 (周五):\n温度: 7.5°C ~ 21.6°C\n天气: 多云\n风向: 西北风 (19.6 km/h)\n降水量: 0.0 毫米\n\n2025-04-05 (周六):\n温度: 5.6°C ~ 20.7°C\n天气: 多云\n风向: 西风 (16.5 km/h)\n降水量: 0.0 毫米\n\n2025-04-06 (周日):\n温度: 8.4°C ~ 22.3°C\n天气: 晴朗\n风向: 南风 (9.4 km/h)\n降水量: 0.0 毫米\n\n"}], isError=false}, error=null]3.2 基于 SSE 的 MCP 客户端实现
除了基于 stdio 的实现外，Spring AI Alibaba 还提供了基于 Server-Sent Events （SSE）的 MCP 客户端实现。这种方式适用于远程部署的 MCP 服务器，可以通过 HTTP 协议与 MCP 服务器进行通信。
添加依赖
首先，在您的项目中添加 Spring AI MCP starter 依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId></dependency>配置 MCP 服务器
在application.yml中配置 MCP 服务器，这里需要指定 SSE 启动的服务地址，之前我们在 8080 端口上启动了对应的服务：
spring: ai: dashscope: api-key: ${DASH_SCOPE_API_KEY} mcp: client: sse: connections: server1: url: http://localhost:8080 #服务地址使用 MCP 客户端
使用方式与基于 stdio 的实现相同，只需注入ToolCallbackProvider和ChatClient.Builder：
@SpringBootApplicationpublic class Application {
public static void main(String[] args) { SpringApplication.run(Application.class, args); }
@Bean public CommandLineRunner predefinedQuestions(ChatClient.Builder chatClientBuilder, ToolCallbackProvider tools, ConfigurableApplicationContext context) { return args -> { // 构建ChatClient并注入MCP工具 var chatClient = chatClientBuilder .defaultTools(tools) .build();
// 使用ChatClient与LLM交互 String userInput = "北京的天气如何？"; System.out.println("\n>>> QUESTION: " + userInput); System.out.println("\n>>> ASSISTANT: " + chatClient.prompt(userInput).call().content());
context.close(); }; }}通过命令启动程序进行测试：
mvn spring-boot:run启动之后会有报错：
Caused by: java.lang.IllegalStateException: Multiple tools with the same name (spring-ai-mcp-client-getWeatherForecastByLocation, spring-ai-mcp-client-getAirQuality) at org.springframework.ai.mcp.SyncMcpToolCallbackProvider.validateToolCallbacks(SyncMcpToolCallbackProvider.java:126) ~[spring-ai-mcp-1.0.0-20250325.064812-147.jar:1.0.0-SNAPSHOT] at org.springframework.ai.mcp.SyncMcpToolCallbackProvider.getToolCallbacks(SyncMcpToolCallbackProvider.java:110) ~[spring-ai-mcp-1.0.0-20250325.064812-147.jar:1.0.0-SNAPSHOT] at org.springframework.ai.autoconfigure.mcp.client.McpClientAutoConfiguration.toolCallbacksDeprecated(McpClientAutoConfiguration.java:196) ~[spring-ai-mcp-client-spring-boot-autoconfigure-1.0.0-M6.jar:1.0.0-M6] at java.base/jdk.internal.reflect.DirectMethodHandleAccessor.invoke(DirectMethodHandleAccessor.java:103) ~[na:na] at java.base/java.lang.reflect.Method.invoke(Method.java:580) ~[na:na] at org.springframework.beans.factory.support.SimpleInstantiationStrategy.lambda$instantiate$0(SimpleInstantiationStrategy.java:171) ~[spring-beans-6.2.0.jar:6.2.0] ... 23 common frames omitted从日志上分析，是因为注册了相同的服务名spring-ai-mcp-client-getWeatherForecastByLocation和spring-ai-mcp-client-getAirQuality，但是从代码上分析，这两个服务我们都只注册了一次，那为什么会报错呢？
其实这是 Spring AI 目前的一个 BUG，Spring AI 提供了两个自动配置类去生成客户端工具处理 MCP 服务中 Tool 的获取，分别是SseHttpClientTransportAutoConfiguration和SseWebFluxTransportAutoConfiguration。这两个自动配置类提供了同步和异步两种方式，本身应该是互斥的，但是 Spring AI 对于互斥的处理上出了问题，导致两个自动配置类都会加载。
SseWebFluxTransportAutoConfiguration的加载：
SseHttpClientTransportAutoConfiguration的加载：
两个自动配置类加载之后，就会向提供 SSE 服务的 MCP 服务申请 Tool，这样就导致同样的 Tool 被申请了两次，自然就会重复了。解决方案也非常简单，在启动类上排除SseHttpClientTransportAutoConfiguration实现就可以了。
@SpringBootApplication(exclude = { org.springframework.ai.autoconfigure.mcp.client.SseHttpClientTransportAutoConfiguration.class})public class Application {...再次通过命令启动程序进行测试：
mvn spring-boot:run这一次就输出了正确的结果：
4、在 Spring AI Alibaba 的 Open Manus 中体验 MCP
Spring AI Alibaba 中提供了 Open Manus 的实现，整体架构如下：
在执行阶段，会调用各种 Tool 来完成任务，如果我们能使用 MCP 增加 Tool 的能力，那势必能 Open Manus 如虎添翼，接下来我们就来看一下 Open Manus 中是如何去使用 MCP 的。
源代码如下：https://github.com/alibaba/spring-ai-alibaba/tree/main/community/openmanus
添加依赖
首先，在项目中添加 Spring AI MCP starter 依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId> <version>${spring-ai.version}</version></dependency>配置 MCP 服务器
在application.yml中已经配置了 MCP 服务器，设置客户端请求服务端的超时时间为 1 分钟：
添加mcp-servers-config.json，在 json 中配置了百度地图。百度地图核心 API 现已全面兼容 MCP 协议，是国内首家兼容 MCP 协议的地图服务商。百度地图已经完成了 8 个核心 API 接口和 MCP 协议的对接， 涵盖逆地理编码、地点检索、路线规划等。
使用百度地图的 MCP，需要申请ak：https://lbsyun.baidu.com/apiconsole/key。
{ "mcpServers": { "baidu-map": { "command": "npx", "args": [ "-y", "@baidumap/mcp-server-baidu-map" ], "env": { "BAIDU_MAP_API_KEY": "your_baidu_AK" } } }}将其中BAIDU_MAP_API_KEY修改为申请的ak。
使用 MCP 工具
修改LlmService的构造方法源码，在构造时直接通过 Spring 容器获取ToolCallbackProvider并加入到ChatClient.builder中：
public LlmService(ChatModel chatModel, ToolCallbackProvider toolCallbackProvider) { this.chatModel = chatModel;
this.planningChatClient = ChatClient.builder(chatModel) .defaultSystem(PLANNING_SYSTEM_PROMPT) .defaultAdvisors(new MessageChatMemoryAdvisor(planningMemory)) .defaultAdvisors(new SimpleLoggerAdvisor()) .defaultTools(ToolBuilder.getPlanningAgentToolCallbacks()) .defaultTools(toolCallbackProvider) .build();
this.chatClient = ChatClient.builder(chatModel) .defaultSystem(MANUS_SYSTEM_PROMPT) .defaultAdvisors(new MessageChatMemoryAdvisor(memory)) .defaultAdvisors(new SimpleLoggerAdvisor()) .defaultTools(ToolBuilder.getManusAgentToolCalls()) .defaultTools(toolCallbackProvider) .defaultOptions(OpenAiChatOptions.builder().internalToolExecutionEnabled(false).build()) .build();
this.finalizeChatClient = ChatClient.builder(chatModel) .defaultSystem(FINALIZE_SYSTEM_PROMPT) .defaultAdvisors(new MessageChatMemoryAdvisor(finalizeMemory)) .defaultAdvisors(new SimpleLoggerAdvisor()) .build();}通过defaultTools将 mcp 服务提供的 tool 交给ChatClient处理。
测试效果
启动 OpenManus，执行提示词： 规划下从上海到北京的路线。但是如果这样写，可能会触发google search，我们可以优化下提示词主动选择百度地图。
使用百度地图规划从北京市到上海市的路线
执行程序之后可以看到规划之后的计划：
Steps:0. [ ] [MANUS] 使用百度地图的地理编码服务获取北京市和上海市的经纬度坐标1. [ ] [MANUS] 使用百度地图的路线规划服务计算从北京市到上海市的驾车路线2. [ ] [MANUS] 分析并提供最终的路线信息，包括距离、预计耗时等很显然，这一次 OpenManus 选择了我们集成的百度地图 mcp server，我们来看一下结果。
获取到了北京市和上海市的经纬度坐标：
Here is a summary of what we accomplished in this step:- For Beijing, we received the coordinates: Longitude (lng): 116.4133836971231, Latitude (lat): 39.910924547299565.- For Shanghai, we received the coordinates: Longitude (lng): 121.48053886017651, Latitude (lat): 31.235929042252014.计算从北京市到上海市的驾车路线：
Distance: The total distance of the route is 1,223,200 meters (approximately 1,223 kilometers).Duration: The estimated travel time is 50,592 seconds (approximately 14 hours and 3 minutes).结果： 总距离：约1223公里 预计耗时：约12小时45分钟 主要途径：京沪高速公路（G2）
总结
作为 AI 开发领域的革命性突破，Model Context Protocol（MCP）重新定义了智能体与工具生态的交互范式。通过标准化协议打通地图服务、代码仓库、数据库等核心工具链，MCP 不仅解决了传统 AI 开发中跨平台对接的碎片化难题，更以”开箱即用”的轻量化集成模式，让开发者能够快速构建具备多模态能力的智能应用。
未来，随着更多工具接入 MCP 生态，开发者只需专注于业务逻辑创新，而复杂的工具链整合将真正成为”看不见的底层能力”——这或许正是 AI 普惠化进程中，最具实际意义的技术跃迁。