MCP服务器部署 Java+Dify 实现AI业务数据查询

驰网飞飞

MCP协议是什么？
最近 MCP 协议颇为热门，那么什么是MCP呢？

MCP的全称是模型上下文协议（Model Context Protocol），是由Anthropic推出的一种开放标准协议。其设计目的在于让大型语言模型（LLMs）能够与外部的数据源和工具实现无缝交互。MCP就像是为AI提供了一个“通用插头”，使得这些智能模型可以像我们使用USB接口一样，轻松连接到各种不同的设备和服务上。

MCP官网链接：https://modelcontextprotocol.io/introduction

MCP的定义如下：
MCP 是一个开放协议，用于标准化应用程序向大语言模型提供上下文的方式。可以将 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为设备连接各种外设和配件提供了标准化方式一样，MCP 为 AI 模型连接不同的数据源和工具提供了标准化方式。

简单来说，MCP就是一个AI调用服务的协议，它就像一个“连接器”，让AI模型能够方便地连接到各种数据源和工具。

就像我们熟知的 USB-C 接口，它能让电脑轻松连接到如鼠标、键盘、音响或者硬盘等各种设备。MCP的作用类似，它为AI模型提供了一个标准化的连接方式，让模型能够方便地接入不同的数据源和工具，就像 USB-C 让设备之间能够无缝连接一样。

MCP允许AI模型通过标准化的方式连接到外部数据源或服务（比如天气API、数据库查询等）。

MCP服务器部署 Java+Dify 实现AI业务数据查询

接下来我们就用Java来搭建个MCP服务。

Spring MCP Server
说起Java，就绕不开Spring，Spring AI 刚好就有 MCP Server Boot Starter 模块，直接拿来用就行了：https://docs.spring.io/spring-ai/reference/api/mcp/mcp-server-boot-starter-docs.html

Spring MCP Server 提供了三种不同的模式：

• Standard Input/Output (STDIO) - spring-ai-starter-mcp-server
• Spring MVC (Server-Sent Events) - spring-ai-starter-mcp-server-webmvc
• Spring WebFlux (Reactive SSE) - spring-ai-starter-mcp-server-webflux

这三种模式有什么不同？

我借鉴一下 Kimi 的答案：

在 Spring AI 中，Standard MCP Server、WebMVC Server Transport 和 WebFlux Server Transport 是三种不同的服务器实现方式，主要用于支持模型上下文协议（MCP）的通信。

以下是它们的区别：

1、Standard MCP Server
• 核心功能：Standard MCP Server 是基于标准输入/输出（STDIO）的服务器实现。它主要用于进程内通信，适合在同一个进程中运行客户端和服务器端，通过标准输入输出流进行数据交互。
• 适用场景：适用于简单的本地开发环境或单进程应用，不涉及复杂的网络通信。
• 特点：实现简单，但不具备网络通信能力，无法支持分布式或多进程环境。

2、WebMVC Server Transport
• 核心功能：WebMVC Server Transport 是基于 Spring MVC 的服务器实现。它通过 Servlet 提供服务器发送事件（SSE）支持，允许服务器主动向客户端推送数据。
• 适用场景：适合传统的基于 Servlet 的 Web 应用程序，能够与现有的 Spring MVC 项目无缝集成。
• 特点：
      • 基于 Servlet API，支持阻塞式 I/O 操作。
      • 提供标准化的 SSE 端点（如 /mcp/sse），客户端可以通过 text/event-stream 协议与服务器通信。
      • 支持同步模式，适合传统的请求-响应模式。

3、WebFlux Server Transport
• 核心功能：WebFlux Server Transport 是基于 Spring WebFlux 的服务器实现。它提供了响应式 SSE 支持，能够处理高并发的异步流式数据。
• 适用场景：适合需要高性能、非阻塞 I/O 的现代响应式应用，特别是在处理大量并发连接时表现出色。
• 特点：
      • 基于响应式编程模型，支持非阻塞操作。
      • 提供响应式的 SSE 端点，客户端可以通过 text/event-stream 协议与服务器进行流式交互。
      • 支持异步模式，适合需要高并发和低延迟的应用。

总结
• Standard MCP Server 适合简单的本地开发和单进程通信。
• WebMVC Server Transport 适合传统的基于 Servlet 的 Web 应用，支持同步模式。
• WebFlux Server Transport 适合高性能、高并发的响应式应用，支持异步模式。


好了，我决定用 WebMVC Server Transport 试试。

用Java创建MCP服务
创建MCP服务不用重头开始，Spring官方有现成的例子，我们拿来改一下就行了。

下载代码：https://github.com/spring-projects/spring-ai-examples

找到starter-webmvc-server项目：

MCP服务器部署 Java+Dify 实现AI业务数据查询

打开项目后，我们先运行 McpServerApplication.java

MCP服务器部署 Java+Dify 实现AI业务数据查询

然后运行测试文件 ClientSse.java ，可以看到终端返回了天气信息。

MCP服务器部署 Java+Dify 实现AI业务数据查询

MCP服务运行成功。

添加自己的MCP服务
好了，现在我们可以添加我们自己的MCP服务了。

我们新增一个BIService类，在类上标注@Service注解，然后新增getProjectInfoByCustomerName和getProjectInfoByContractNum方法，模拟从数据库中查询项目信息。

MCP服务器部署 Java+Dify 实现AI业务数据查询

注意，要让大模型能识别方法，必须在方法名上面添加@Tool注解。

@Tool注解的关键信息如下：

• name：工具的名称。如果未提供，则使用方法名称。AI 模型使用此名称来识别调用该工具的工具。因此，同一个类中不允许有两个同名的工具。对于特定的聊天请求，该名称在模型可用的所有工具中必须是唯一的。

• description：工具的描述，模型可以通过该描述了解何时以及如何调用该工具。如果未提供，则方法名称将用作工具描述。但是，强烈建议提供详细的描述，因为这对于模型理解工具的用途及其使用方法至关重要。如果描述不充分，可能会导致模型在应该使用工具时不使用它，或者错误地使用它。


• returnDirect：工具结果应直接返回给客户端还是传递回模型。有关更多详细信息，请参阅直接返回。


• resultConverter：ToolCallResultConverter用于将工具调用的结果转换为可String object发送回 AI 模型的实现。更多详情，请参阅结果转换。


强烈建议仔细填写description内容。

代码如下：

1. package org.springframework.ai.mcp.sample.server;
   
2. 
   
3. import org.springframework.ai.tool.annotation.Tool;
   
4. import org.springframework.stereotype.Service;
   
5. 
   
6. @Service
   
7. public class BIService {
   
8. 
   
9.     @Tool(description = "根据客户名称查询项目信息，输入参数是客户名称：customerName")
   
10.     public String getProjectInfoByCustomerName(String customerName) {
    
11.         // 在实际应用中，根据客户名称连接业务系统数据库，查询项目信息
    
12.         // 这里只是一个示例，返回一个固定的项目信息
    
13.         return "系统查询客户：" + customerName + "项目信息";
    
14.     }
    
15. 
    
16.     @Tool(description = "根据合同号查询项目信息，输入参数是合同编号：contractNum")
    
17.     public String getProjectInfoByContractNum(String contractNum) {
    
18.         // 在实际应用中，根据合同编号连接业务系统数据库，查询项目信息
    
19.         // 这里只是一个示例，返回一个固定的项目信息
    
20.         return "系统查询合同编号：" + contractNum + "项目信息";
    
21.     }
    
22. }

复制代码

最后我们还要在McpServerApplication类中，提供一个ToolCallbackProvider。

MCP服务器部署 Java+Dify 实现AI业务数据查询

1. @Bean
   
2. public ToolCallbackProvider biTools(BIService biService) {
   
3.     return MethodToolCallbackProvider.builder().toolObjects(biService).build();
   
4. }

复制代码

这样，我们的MCP服务就写好了。

配置Dify MCP客户端
要测试我们的MCP服务还需要一个MCP客户端，Dify刚好有MCP客户端的插件，我们来安装一下。

打开Dify的插件页面，搜索MCP，安装Agent 策略（支持 MCP 工具）和 MCP SSE / StreamableHTTP插件。

MCP服务器部署 Java+Dify 实现AI业务数据查询

安装好插件之后，我们新增一个Chatflow应用：

MCP服务器部署 Java+Dify 实现AI业务数据查询

添加Agent节点：

MCP服务器部署 Java+Dify 实现AI业务数据查询

在AGENT策略里选择“支持MCP工具的Agent”，然后选择“ReAct”：

MCP服务器部署 Java+Dify 实现AI业务数据查询

在模型下拉框中选个你喜欢的大模型，由于我们是直接调用MCP服务，大模型的作用其实就是帮我们选择具体的工具和提取参数，没必要用推理能力，用了推理大模型反而会影响选择工具的准确性。

所以，我这里没有选DeepSeek推理大模型，我选的是豆包大模型。

工具列表选择插件里的“获取MCP工具列表”：

MCP服务器部署 Java+Dify 实现AI业务数据查询

点击“获取MCP工具列表”工具，点击“授权”按钮，添加MCP服务的连接信息：

MCP服务器部署 Java+Dify 实现AI业务数据查询

在这里填写MCP服务配置信息，记得先启动MCP服务哦。

MCP服务器部署 Java+Dify 实现AI业务数据查询

先打开浏览器，输入MCP服务器的地址试一下（别忘了URL最后要加 /sse）：

MCP服务器部署 Java+Dify 实现AI业务数据查询

测试没问题之后，在MCP服务配置中填入以下信息：

1. {  "bi-mcp-server": {    "url": "http://...:8080/sse",    "headers": {}, "timeout": 60,    "sse_read_timeout": 300  }}

复制代码

继续填写MCP服务配置：

MCP服务器部署 Java+Dify 实现AI业务数据查询

1. {
   
2.     "bi-mcp-server": {
   
3.         "url": "http://...:8080/sse"
   
4.     }
   
5. }

复制代码

配置重点
接下来是配置的重点了。

首先把“Agent”节点连接到“开始节点”和“直接回复节点”中间：

MCP服务器部署 Java+Dify 实现AI业务数据查询

在指令栏中填写：

1. 分析{{#sys.query#}}的内容：
   
2. 
   
3. 1、如果用户输入的内容中包含客户名称，提取客户名称，调用工具“getProjectInfoByCustomerName”，把客户名称做为参数"customerName"的值。
   
4. 2、如果用户输入的内容中包含合同编号（例如：250318051004，20240318007），提取合同编号，调用工具“getProjectInfoByContractNum”，把合同编号做为参数"contractNum"的值。
   
5. 3、如果用户输入其他内容，直接回答用户的问题
   
6. 
   
7. 优化输出格式，如果输出数据中有多个值，用表格的方式输出。

复制代码

指令的重点就是先让大模型分析用户输入的内容（sys.query），然后告诉大模型什么情况下要调用什么工具，把工具的名称告诉大模型，最好能给出几个例子，让大模型更好的理解。

最后让大模型优化输出格式，比如用表格输出。

MCP服务器部署 Java+Dify 实现AI业务数据查询

查询栏中填写sys.query就行了：

MCP服务器部署 Java+Dify 实现AI业务数据查询

最大迭代次数是指大模型调用工具的最多次数，经过我的测试，这里不能填1，填2就能正常工作了：

MCP服务器部署 Java+Dify 实现AI业务数据查询

最后，在直接回复节点中回复Agent的text内容：

MCP服务器部署 Java+Dify 实现AI业务数据查询

测试
全部设置好之后，整个工作流就三个节点，现在可以点预览按钮测试了：

MCP服务器部署 Java+Dify 实现AI业务数据查询

我输入公司名称和合同号，成功调用了对用MCP服务，测试成功！

MCP服务器部署 Java+Dify 实现AI业务数据查询

点击发布按钮，更新发布就可以发布我们的AI应用啦！

MCP服务器部署 Java+Dify 实现AI业务数据查询

最后
通过这个例子，我们创建了一个MCP服务，并通过Dify客户端成功调用。

用Java写MCP服务，我们只需要在Spring AI项目的基础上添加自己的Service，然后在Service里添加业务数据查询的工具就行了。

这样我们就能实现AI业务数据查询（问数）的功能啦！

感谢您的阅读，服务器大本营-技术文章内容集合站，助您成为更专业的服务器管理员！