Model Context Protocol（MCP）模型上下文協議是一種標準化協議，它讓大模型能夠更便捷地與外部數據、工具相連。你可以把 MCP 想象成一個通用的插頭或接口，就像 USB-C 一樣，不管是什么設備，只要插上這個接口，就能和電腦、充電器等連接起來。只不過，MCP 連接的不是物理設備，而是 AI 大模型與外部的數據源、工具等。

有了 MCP，AI 大模型就能更輕松地獲取外部信息，完成更多任務。比如，通過 MCP，AI 大模型可以操作電腦讀寫文件，或者模擬瀏覽器操作等。

1、MCP 架構設計剖析

第一、MCP 架構設計

MCP 包含三大核心模塊：MCP Hosts、MCP Clients、MCP Servers。

• MCP Hosts：像 Claude Desktop、Cursor 這樣的應用程序，它們通過 MCP Client 訪問數據。
  
  
• MCP Clients：與 MCP Server 服務器保持 1:1 連接的協議客戶端。
  
  
• MCP Servers：輕量級程序，每個 AI 程序都通過標準化的模型上下文協議公開特定功能。

第二、Java MCP 架構設計案例

結合 AI 大模型，以一個 Java AI 應用（比如：AI Agent 智能體）為例，Java MCP 架構設計如下所示：

可以看到 Java MCP 架構設計的傳輸層有兩類：Stdio Transport、HTTP SSE，如下圖所示：

第三、MCP 架構設計的工作模式

MCP Server 可以以工具（Tools）的形式配置到 MCP Client 中。當我們向 MCP Host 發送執行指令時，MCP Host 會攜帶這些工具信息，一起發送給 AI 大模型。隨后，AI 大模型會進行意圖識別和語義分析，并調用 MCP 來執行具體的業務需求，處理邏輯時序圖如下圖所示：

上圖大致的處理邏輯，總結如下6步：

1.讀取配置文件，運行所有 MCP Servers，獲取可用的 Tools；

2.用戶與 LLM 對話（附帶所有 Tools 名稱描述，參數定義）；

3.LLM 識別到要執行某個Tool，返回名稱和參數；

4.找到對應 MCP Server 的 Tool，調用執行，返回結果；

5.把工具執行結果提交給 LLM；

6.LLM 返回分析結果給用戶。

你可以把 MCP 想象成你雇來的得力助手，你只需要告訴他你的想法，他就會負責跑腿和執行具體任務，而你只需負責下達指令和驗收最終結果。

以下使用 Spring AI + MCP 四步教你實現 Agent 智能體開發。

2、MCP Server 開發步驟

本節手把手教您搭建一個基于 Spring AI MCP 的 Java MCP Server，讓您能夠在各類客戶端輕松調用企業級 AI 服務。借助這一方案，您可以將業務邏輯與工具無縫融入 AI 交互流程，為用戶提供更智能、更貼合業務場景的體驗。

第一、準備環境

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

第二、業務邏輯實現

@Service
publicclassMeilisearchService {
    @Tool(description = "PIG ISSUE 知識庫檢索，解決用戶技術問題 ")
    public String queryQuestion(@ToolParam(description = "用戶的技術問題描述 ") String question) {
        Clientclient=newClient(newConfig()
));
        SearchResultresults= client.index("pigx-doc")
            .search(newSearchRequest(question)
                .setShowMatchesPosition(true)
                .setSort(newString[]{"lvl2:desc"})
                .setLimit(1));
        return results.getHits().stream()
            .map(hit -> "【"+hit.get("lvl0")+"】"+hit.get("text"))
            .collect(Collectors.joining("\n\n"));
    }
}

第三、服務注冊

@Configuration
    public class McpConfig {   
    @Bean    
        public ToolCallbackProvider documentTools(MeilisearchService searchService) {        
           return MethodToolCallbackProvider.builder()               
           .toolObjects(searchService)               
           .build();   
    }
}

3、MCP Client 配置

第一、MCP Clent 通用配置

{
  "mcpServers":{
    "pig-issue":{
      "isActive":true,
      "command":"java",
      "args":[
        "-Dspring.ai.mcp.server.stdio=true",
        "-jar",
        "/Users/lengleng/env/repository/io/github/pig-mesh/pig-issue-query-mcp/0.0.1-SNAPSHOT/pig-issue-query-mcp-0.0.1-SNAPSHOT.jar"
      ]
    }
}
}

第二、圖形化配置

1.Cherry 客戶端配置界面

2.客戶端配置界面

第三、效果展示

4、MCP 架構設計總結

總體而言，MCP 解決了 Client 和 Server 之間的數據交互問題，但在 LLM 到 Tool 的對接上仍有不足：不同模型對 Function Call 的支持程度參差不齊，例如 DeepSeek R1 就不支持，這就導致了工具路由的問題。

第一、不足之處

1.開源時間較短：目前還不夠完善，語言支持有限，示例代碼也不夠豐富。

2.MCP Server 質量參差不齊：缺乏統一的質量保障體系和包管理工具，許多 MCP Server 無法正常運行，或者頻繁崩潰。

3.本地 MCP Server 依賴特定環境：本地 MCP Server 仍依賴 Node.js 或 Python 環境，而遠程 MCP Server 的支持較少。

第二、未來展望

如果未來更多 AI 應用開始接入 MCP 協議，生態逐漸完善，其能力將非常強大。隨著使用人數的增加，會有更多 AI 應用愿意對接，真正實現一套代碼在所有地方運行。

個人認為，MCP 仍有很大的發展潛力，未來可期！

本文轉載自公眾號玄姐聊AGI  作者：玄姐

原文鏈接：??https://mp.weixin.qq.com/s/M-33bqd5i_bpsSaQdiyglQ??