人工智能第九篇 Spring AI MCP客户端开发从零到一实战

时间：2026-05-28 17:17

上一篇我们完成了 MCP Server 的开发，本篇将聚焦于 MCP Client 端的实现与集成。 MCP Client 的核心职责非常明确：连接服务器、获取工具列表，并将这些工具信息交付给大模型，以便执行 function calling。整个流程看似简单，却需要两个 SDK 的协同配合——MC

上一篇我们完成了 MCP Server 的开发，本篇将聚焦于 MCP Client 端的实现与集成。

人工智能（九）- Spring AI MCP客户端开发

MCP Client 的核心职责非常明确：连接服务器、获取工具列表，并将这些工具信息交付给大模型，以便执行 function calling。整个流程看似简单，却需要两个 SDK 的协同配合——MCP SDK 负责与服务器通信，OpenAI SDK 负责与大模型交互。接下来，我们将一步步拆解这一过程。

一、MCP 客户端

步骤一：引入 pom 依赖

首先，在 pom.xml 中添加 MCP 客户端的 starter 依赖，Spring AI 会自动完成底层连接的装配。


    org.springframework.ai
    spring-ai-starter-mcp-client

步骤二：开发 McpClient

接下来编写一个同步客户端，核心逻辑包括：创建传输层、初始化连接、获取工具列表，并调用某个具体工具（此处以天气查询为例）。

package org.devpotato.client;

import io.modelcontextprotocol.client.McpClient;
import io.modelcontextprotocol.client.McpSyncClient;
import io.modelcontextprotocol.client.transport.HttpClientStreamableHttpTransport;
import io.modelcontextprotocol.spec.McpSchema;
import ja va.time.Duration;
import ja va.util.HashMap;

public class McpClient {
    public static void main(String[] args) {
        // 创建 Streamable HTTP Client
        McpSyncClient httpClient = createStreamableHttpClient();

        McpSchema.ListToolsResult toolsResult = httpClient.listTools();
        System.out.println("工具列表: " + toolsResult);

        McpSchema.CallToolRequest request = McpSchema.CallToolRequest.builder()
                .name("getWeather")
                .arguments(new HashMap<>() {{
                    put("city", "西安");
                }})
                .build();
        McpSchema.CallToolResult result = httpClient.callTool(request);
        System.out.println("工具列表调用结果: " + result);
    }

    /**
     * 创建 Streamable HTTP 类型的 Client
     */
    private static McpSyncClient createStreamableHttpClient() {
        HttpClientStreamableHttpTransport transport = HttpClientStreamableHttpTransport.builder("https://localhost:8080")
                .endpoint("/mcp")
                .build();

        McpSyncClient client = McpClient.sync(transport)
                .clientInfo(new McpSchema.Implementation("http-client", "1.0.0"))
                .requestTimeout(Duration.ofSeconds(60))
                .build();

        client.initialize();
        return client;
    }
}

运行后，控制台会输出工具调用的结果，例如返回西安地区的实时天气数据。

工具列表调用结果: CallToolResult[content=[TextContent[annotations=null, text="城市: 西安, 温度: 25°C, 天气: 晴", meta=null]], isError=false, structuredContent=null, meta=null]

二、MCP SDK 与 OpenAI SDK 协作流程

单独的 MCP Client 价值有限，真正的价值在于将其与大模型深度结合。整个协作流程可拆解为五步：

客户端通过 MCP SDK 连接服务器，获取工具列表。
客户端将用户输入与工具列表一并提交给 OpenAI SDK，发送至大模型。
大模型根据上下文判断是否需要调用工具。
若需要，客户端通过 MCP SDK 远程调用服务器端工具，获取执行结果。
最后将工具结果返回给大模型，生成最终回复。

如此一来，MCP 充当了工具层的统一协议，而 OpenAI SDK 则扮演大脑接口的角色，二者分工明确，协作顺畅。

随着 MCP 协议的普及，越来越多的 AI IDE 和平台原生支持作为 MCP 客户端。例如 Cursor、Claude Desktop、Windsurf、LibreChat、MCP Inspector 等，均能自动发现并调用 MCP 服务器上的工具。不同工具适用于不同的团队协作场景，但本质上都在降低工具集成的门槛。可以预见，未来支持 MCP 的 AI 平台将持续增加，工具生态也将日益繁荣。

来源：https://juejin.cn/post/7629254332879831103

人工智能