本文讲解如何使用 Spring AI 框架构建基于 MCP 协议的客户端/服务端应用，实现 AI 模型与本地数据的安全交互，突破数据孤岛。
原文标题：基于 Spring AI 的 MCP 客户端/服务端架构指南
原文作者：阿里云开发者
冷月清谈：
怜星夜思：
2、文章中提到 Spring AI 集成了 MCP 协议，简化了开发。但是，对于已经在使用其他 AI 框架（比如 TensorFlow 或者 PyTorch）的项目，如何平滑地迁移到 Spring AI + MCP 架构？有没有什么最佳实践或者需要特别注意的地方？
3、文章里说要禁用控制台输出，避免污染 stdio 输入流。这背后的原因是什么？如果不小心污染了 stdio，会导致什么问题？有什么好的调试方法吗？
原文内容
背景
随着人工智能技术的爆发式增长，企业级应用对AI大模型的分析、推理、生成等能力需求日益迫切。然而，传统模型面临“数据孤岛”困境：大量关键业务数据分散在本地系统、专有数据库或第三方服务中，难以通过简单的提示词直接注入模型，导致模型理解受限、决策质量不足。更严峻的是，对于涉及隐私或合规要求的数据（如企业财务信息、医疗记录等），直接暴露给云端模型存在显著安全风险。如何打破数据壁垒，同时确保敏感信息的安全可控，成为AI落地的核心挑战。
在此背景下，模型上下文协议（MCP）应运而生。这一由Anthropic开源的开放协议，为AI模型与外部数据/工具提供了“标准化桥梁”，通过统一的接口规范，使模型能够动态调用本地文件、数据库、API等资源，实现“上下文感知”的智能交互。MCP的核心价值在于：
-
标准化集成：告别“一对一”定制开发，通过协议对接即可连接任意兼容MCP的数据源或工具，大幅降低生态构建成本。
-
安全与灵活性：支持本地部署，数据无需离境，兼顾隐私合规与实时访问需求。
-
智能体赋能：为AI Agent提供“手脚”，使其能自主执行查询、分析、操作等复杂任务流。
而Spring AI作为Java生态中领先的AI开发框架，通过深度集成MCP协议，为开发者提供了企业级解决方案：其模块化架构、对同步/异步通信的支持、以及与Spring Boot的无缝融合，使得构建本地MCP客户端与服务端变得高效且可靠。无论是快速搭建文件系统的本地数据中台，还是构建与业务系统（如CRM、ERP）的实时联动，Spring AI的声明式配置、注解驱动开发模式极大降低了技术门槛。
本文将聚焦于“本地MCP服务建设”实战，详细讲解如何基于Spring AI框架，从零开始搭建MCP客户端与服务端，实现模型与本地资源的的安全交互。通过案例演示，读者将掌握如何通过标准化协议突破数据孤岛，构建既安全可控又具备动态扩展能力的AI应用，为业务智能化升级提供可落地的技术路径。
一、环境准备
1.1 基础环境要求
-
JDK：17+（推荐 JDK 21）
-
Spring Boot：3.4.5（3.x.x 系列）
-
Spring Framework：6.2.6（6.x.x 系列）
-
Spring AI：1.0.0-M7+（M6 之前版本存在已知问题）
二、模块架构
2.1 核心模块
三、代码实现
3.1 MCP 客户端
Maven 依赖配置
pom.xml
<dependencies>
<!-- Spring AI Starter -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-mcp-client-webflux</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>
<!-- WebFlux 支持 -->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-webflux</artifactId>
</dependency>
</dependencies>
<!-- 打包配置 -->
<build>
<finalName>${appname}</finalName>
<plugins>
<plugin>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-maven-plugin</artifactId>
<executions>
<execution>
<goals><goal>repackage</goal></goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
Controller示例
McpClientController.java
@RestController @RequestMapping("/service") publicclassMcpClientController { privatefinal ChatClient chatClient;publicMcpClientController(ChatClient.Builder builder, ToolCallbackProvider tools){
this.chatClient = builder.defaultToolCallbacks(tools).build();
}
@GetMapping(“/query/currentTime/{country}”)
Flux<String> queryCurrentTime(@PathVariable String country){
returnthis.chatClient
.prompt(new PromptTemplate(“调用本地工具查询国家{country}当前时间”)
.create(Map.of(“country”, country)))
.stream()
.content();
}
}
3.2 MCP 服务端
工具类实现
DateTimeTool.java
@Service publicclassDateTimeTool { privatestaticfinal Map<String, String> COUNTRY_MAP = Map.of( "c1", "2020-02-01 12:00:00", "c2", "2020-02-01 13:00:00" );
@Tool(description = “国家时间查询工具”)
public String getCurrentDateTimeByCountry(String country){
return COUNTRY_MAP.getOrDefault(country,
LocalDateTime.now().format(DateTimeFormatter.ISO_LOCAL_DATE_TIME));
}
}
服务配置
McpServerApplication.java
@SpringBootApplication publicclassMcpServerApplication { publicstaticvoidmain(String[] args){ SpringApplication.run(McpServerApplication.class, args); }
@Bean
public ToolCallbackProvider tools(DateTimeTool tool){
return MethodToolCallbackProvider.builder()
.toolObjects(tool)
.build();
}
}
四、关键配置
4.1 客户端配置（application.properties）
application.properties
# 日志调试 logging.level.org.springframework.ai=DEBUG logging.level.io.modelcontextprotocol=DEBUGOpenAI 配置
spring.ai.openai.base-url=${AI_BASE_URL}
spring.ai.openai.api-key=${API_KEY}
spring.ai.openai.chat.options.model=qwen-plusMCP 客户端配置
spring.ai.mcp.client.toolcallback.enabled=true
spring.ai.mcp.client.request-timeout=60s
spring.ai.mcp.client.root-change-notification=true
spring.ai.mcp.client.stdio.servers-configuration=classpath:mcp-service.json
4.2 服务端启动配置（mcp-service.json）
mcp-service.json
{
"mcpServers": {
"my-mcp-service": {
"command": "java",
"args": [
"-Dspring.ai.mcp.server.stdio=true",
"-Dspring.main.web-application-type=none",
"-Dspring.main.banner-mode=off",
"-Dlogging.pattern.console=",
"-jar",
"/home/admin/app/target/my-mcp-service.jar"
]
}
}
}
重要提示：必须禁用控制台输出，避免污染 stdio 输入流！
五、部署方案
5.1 打包配置（assembly.xml）
<assembly> <id>release</id> <formats><format>tar.gz</format></formats> <includeBaseDirectory>false</includeBaseDirectory> <fileSets> <!-- Client 打包 --> <fileSet> <directory>../mcp-client/target/</directory> <includes><include>*.jar</include></includes> </fileSet> <!-- Server 打包 --> <fileSet> <directory>../mcp-service/target/</directory> <includes><include>*.jar</include></includes> </fileSet> </fileSets> </assembly>
整合 client/server 生成统一部署jar包，支持通过docker进行标准化部署。
六、注意事项
1.构建要求：
-
Maven 版本需与构建环境匹配；
-
使用指定 JDK：
baseline.jdk=ajdk-21；
2.协议兼容：
-
确保 stdio 通道纯净，避免日志污染；
-
服务端需禁用 Web 上下文：
-Dspring.main.web-application-type=none；
3.异常处理：
-
关注 stdio 通道的异常日志；
-
建议超时设置 ≥60 秒：
spring.ai.mcp.client.request-timeout=60s。
一键训练大模型及部署GPU共享推理服务
通过创建ACK集群Pro版，使用云原生AI套件提交模型微调训练任务与部署GPU共享推理服务。
点击阅读原文查看详情。