深入探索 Spring AI 1.0.0-M6
在人工智能与软件开发深度融合的时代，Spring AI 作为一个强大的框架，持续为开发者提供着高效且便捷的工具，以实现与大语言模型（LLM）的无缝交互。Spring AI 的最新版本引入了一系列令人瞩目的特性，其中 Function Calling 到 Tool Calling 的转换以及模型上下文协议（MCP）的应用，标志着该框架在 AI 集成领域的又一次重大飞跃。
聊天接口示例
在今天的内容之前我们回一下如何使用SpringAI实现一个简单的聊天接口，使用千问API实现聊天功能：
- 添加依赖
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter</artifactId>
</dependency>- 配置
spring:
ai:
## Alibaba
dashscope:
api-key: ${DASH_SCOPE_API_KEY}
chat:
enable: true
options:
model: qwen-max- 实现
@Bean
public ChatClient chatClient(ChatClient.Builder chatClientBuilder) throws IOException {
var chatClient = chatClientBuilder
.defaultSystem("You are a helpful assistant.")
.defaultAdvisors(new SimpleLoggerAdvisor()) // LOG
.build();
return chatClient;
}
/**
* 调用
* @param message
* @return
*/
public String completion(String message) {
return chatClient
.prompt().user(message)
.call().content();
}当进行下面的提问时：
现在北京时间几点了？
[引用]
Function Calling
在早期的 AI 交互中，Function Calling 是一种常见的机制，允许模型在生成回复时调用外部函数以获取额外信息。然而，这种方式在扩展性和灵活性上存在一定的局限性。而 Spring AI 最新版本引入的 Tool Calling 则是对 Function Calling 的进一步演进。Tool Calling 将函数调用抽象为工具调用，将工具视为可复用的资源，模型可以根据需求动态调用这些工具，以完成更复杂的任务。在新版本中已经被改为Tool Calling。
工具主要用于：
信息检索
此类工具可用于从外部来源（例如数据库、Web 服务、文件系统或 Web 搜索引擎）检索信息。其目标是增强模型的知识，使其能够回答原本无法回答的问题。因此，它们可用于检索增强生成 (RAG) 场景。例如，可以使用工具检索给定位置的当前天气、检索最新新闻文章或查询数据库中的特定记录。
采取行动
此类别中的工具可用于在软件系统中采取行动，例如发送电子邮件、在数据库中创建新记录、提交表单或触发工作流。其目标是自动化原本需要人工干预或明确编程的任务。例如，可以使用工具为与聊天机器人交互的客户预订航班、在网页上填写表单，或在代码生成场景中基于自动化测试 (TDD) 实现 Java 类。
尽管我们通常将工具调用称为模型功能，但实际上工具调用逻辑是由客户端应用程序提供的。模型只能请求工具调用并提供输入参数，而应用程序负责根据输入参数执行工具调用并返回结果。
Spring AI 提供了便捷的 API 来定义工具、解析来自模型的工具调用请求以及执行工具调用。
为了解决上面关于时间问题的解决方案，我们可以定义一个工具，并嵌入到模型中...
复制public class TimeTools {
private static final Logger logger = LoggerFactory.getLogger(TimeTools.class);
@Tool(description = "Get the time of a specified city.")
public String getCityTimeMethod(@ToolParam(description = "Time zone id, such as Asia/Shanghai") String timeZoneId) {
logger.info("The current time zone is {}", timeZoneId);
return String.format("The current time zone is %s and the current time is " + "%s", timeZoneId, ZoneUtils.getTimeByZoneId(timeZoneId));
}
}复制public ChatClient chatClient(ChatClient.Builder chatClientBuilder) throws IOException {
// ...
chatClientBuilder.defaultTools(timeTool);
// ...
}Function Calling实现了大语言模型（LLM）与外部函数或工具进行交互的能力。这一机制赋予了 AI 系统更强大的功能和灵活性，使其能够处理更加复杂和动态的任务。
注意不是所有模型都支持FunctionCalling
MCP
MCP（Model Context Protocol，模型上下文协议） 是的一种开放协议，旨在统一大语言模型（LLM）与外部数据源、工具和服务之间的交互标准，推动 AI 应用的标准化和去中心化发展。 MCP 提供了一种统一的接口，使得不同的工具和服务可以以标准化的方式与模型进行交互。
核心功能
- 标准化交互 MCP 提供了一套通用的通信协议、数据格式和规则，使 LLM 能够以统一的方式与外部资源（如数据库、API、文件系统等）进行交互，无需为每个工具单独开发适配接口。
- 增强模型能力 通过 MCP，LLM 可以动态调用外部工具或数据源，例如实时获取天气信息、查询数据库、调用第三方服务等，从而扩展模型的功能边界。
- 安全与合规 MCP 内置了安全机制，确保数据传输的安全性，并支持细粒度的权限控制，避免数据泄露和滥用。
- 降低开发成本 开发者无需重复造轮子，可直接基于 MCP 协议构建 AI 应用，显著减少开发时间和成本。
在1.0.0-M6版本中引入了MCP，使得可以基于Spring AI实现各种扩展
此时聊天应用作MCP服务的调用者，也就是客户端，需要调用外部的MCP服务，首先对聊天服务改造：
- 添加必要的依赖：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
</dependency>- 通过配置ChatClient完成集成：
@Bean
public ChatClient chatClient(ToolCallbackProvider toolsProvider) throws IOException {
var chatClient = chatClientBuilder
// ...
.defaultTools( toolsProvider.getToolCallbacks() ) //mcp
// ...
.build();
return chatClient;
}SpringAI中，MCP 客户端支持两种传输方式：STDIO 和 SSE。 标准启动器通过STDIO（进程内）和/或SSE（远程）传输同时连接到一个或多个 MCP 服务器。SSE 连接使用基于 HttpClient 的传输实现。每个与 MCP 服务器的连接都会创建一个新的 MCP 客户端实例。
STDIO
其实就是通过本地命令进行调用的实现，需要注意的是，返回的数据结果必须遵循MCP规范，我们可以基于Spring开发一个可执行的jar程序包，然后由客户端调用。
- 添加依赖
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId> </dependency>
- 实现Tool并注册
@Service
public class TranslationService {
@Tool(description = "将内容翻译成英文")
public String translate(String content) {
return "hello";
}
}
@Bean
public ToolCallbackProvider translationTools(TranslationService translationService) {
return MethodToolCallbackProvider.builder().toolObjects(translationService).build();
}- 添加配置，注意这里要关掉所有日志相关的输出
spring:
main:
web-application-type:none
banner-mode:off
ai:
mcp:
server:
name:translation-server
version:0.0.1
logging:
level:
root:off- 打包，记得使用spring-boot-maven-plugin插件打包，下面的mcpServers引用的就是这里的jar
- 修改聊天应用配置，并且重启
spring:
ai:
mcp:
client:
type: SYNC
stdio:
servers-configuration: classpath:mcp-stdio-servers.jsonmcp-stdio-servers.json
复制{
"mcpServers": {
"weather": {
"command": "java",
"args": [
"-Dspring.ai.mcp.server.stdio=true",
"-Dspring.main.web-application-type=none",
"-Dlogging.pattern.cnotallow=",
"-jar",
"your_jar_path/mcp-stdio-server-1.0.1-SNAPSHOT.jar"
],
"env": {}
}
}
}提问: 翻译单词运势
[引用]
因为我没有实现，全部返回的是hello，看样子模型对我们的结果进一步做了处理
SSE
这里提供一个简单的示例，主要实现星座运势获取的Mcp，这是一个单独的基于Spring开发的应用，与上面的聊天应用隔离：
- 引入相关依赖
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-server-webmvc-spring-boot-starter</artifactId> </dependency>
- 定义Tool实现
@Service
publicclass HoroscopeService {
private String url = "https://apis.tianapi.com/star/index?key=%s&astro=%s";
private String key = "xx";
private RestTemplate restTemplate = new RestTemplate();
private ObjectMapper objectMapper = new ObjectMapper();
@Tool(description = "Get constellation fortune by consName")
public String getFortune(String consName) {
Map map = restTemplate.getForObject(String.format(url, key, consName), Map.class);
try {
return objectMapper.writeValueAsString(map.get("result"));
} catch (JsonProcessingException e) {
e.printStackTrace();
return"获取失败："+ e.getMessage();
}
}
}- 配置文件
spring:
ai:
mcp:
server:
name:webmvc-mcp-server
version:1.0.0
type:SYNC
sse-message-endpoint:/mcp/messages
server:
port:8081
servlet:
encoding:
charset:utf-8
enabled:true
force:true- 启动应用，访问：http://localhost:8081
- 修改聊天应用配置，并且重启
spring:
ai:
mcp:
client:
type: SYNC
sse:
connections:
constellation:
url: http://localhost:8081提问: 白羊座的运势
[引用]
结束语
现阶段的AI技术，恰似一台功能强大却需精心调校的计算机系统。它并非“即插即用”的万能工具，而是需要开发者如同配置硬件般，根据特定业务场景的需求，按需增加“认知模块”与“计算资源”。这种灵活扩展的能力，与模块化计算平台（MCP，Modular Computing Platform）的设计理念不谋而合——通过标准化接口与可组合架构，让AI系统既能像积木般自由拼接算法能力，又能像云计算般弹性调度算力资源。开发者需像搭建乐高城堡般，将自然语言处理、视觉识别、决策推理等模块按需组合，再通过数据管道与反馈机制持续优化，最终让AI在医疗诊断、智能制造、智慧城市等垂直领域中，展现出接近专家水平的场景化智能
