用 Java 接入大模型(二十一):MCP 協議入門與 Java 集成
用 Java 接入大模型(二十一):MCP 协议入门与 Java 集成
MCP 透過標準化工具與資料的供給方式,把多個 AI 應用對接多個系統所需的 N × M 份適配程式碼,簡化為 N + M。它與 Function Calling 分層協作,並以 Tools、Resources、Prompts 三種原語提供能力;Java 可在現有 Spring 服務中聲明式地暴露工具。MCP 支援 Stdio 和 Streamable HTTP,遠程服務必須加入鑑權。
2026-11-20 12
版权
版权声明:
本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写 侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。
上一篇把多工具编排讲完了。但你可能会发现一件事:上一篇里所有工具,都是你自己写的。 定义、部署、改参数、加权限——每个系统都要接一遍,每个 AI 应用又要再接一遍。这一篇讲的 MCP,正是冲着这个"重复适配"来的。
一、先看清 Function Calling 没解决的那部分
回看一下第十九篇:Function Calling 让模型能"申请调用"你的函数。但它只规定了模型这一侧怎么表达意图——至于这个函数从哪来、谁部署它、怎么让另一个 AI 应用也能用上,协议一个字都没管。
结果是重复劳动堆积在两头:
- 同一个系统,接多个 AI 应用:给 IDE 写一遍适配、给内部助手写一遍、给客服机器人再写一遍。逻辑是一样的,代码是三份。
- 同一个 AI 应用,接多个系统:数据库、工单、监控、文档库,每接一个就写一套工具定义、一套参数校验、一套鉴权。
用一句常见的话概括:这是 N × M 的问题。 N 个 AI 应用对接 M 个系统,理想情况下需要 N × M 份适配代码。
而标准化的价值就在于把它变成 N + M:每个系统对外暴露一套标准接口,每个 AI 应用按标准去消费。这正是 MCP 要做的事。
二、MCP 是什么,以及它不管什么
MCP(Model Context Protocol)是一个开放协议,规定 AI 应用如何与"提供上下文和能力"的服务通信。
它的边界值得说清楚:它只管协议本身,不管你怎么用大模型、也不管你如何管理拿到的上下文。 也就是说,MCP 不规定你的提示词怎么写、上下文怎么拼、模型怎么选——那些仍然是你自己的事。
这一点很关键,因为它回答了一个常见的误解:MCP 不是"让 AI 变聪明的协议",它是"让工具和资料的供给方式统一起来的协议"。 它替代的是你手上那些重复的适配代码,不是你的业务逻辑。
三、三个角色,别把 Host 和 Client 搞混
MCP 是典型的客户端—服务端架构,但角色有三个,不是两个:
- Host(宿主):协调和管理整个过程的 AI 应用。你日常用的那些带 AI 能力的开发工具、桌面助手,都属于这一层。
- Client(客户端):Host 内部的一个组件,负责与某一个 Server 保持连接。
- Server(服务端):对外提供上下文与能力的程序。
这里有个容易被忽略的设计:Host 会为每个 Server 创建一个独立的 Client。 也就是说,一个 Host 连着三个 Server,内部就有三个 Client,各自维护一条独立连接——而不是一个 Client 管所有 Server。
为什么要这样设计?因为它把故障和权限隔离开了。 某个 Server 挂了或行为异常,影响范围限于它自己那条连接;同时每个连接的鉴权、能力协商都是独立的,不会互相污染。理解了这一点,后面看"为什么远程 Server 能服务大量客户端、本地 Server 通常只服务一个"就很自然了。
四、两层结构:数据层与传输层
MCP 把协议分成内外两层,这个划分方式直接决定了你排查问题时该去哪一层。
数据层是内层,负责"说什么":基于 JSON-RPC 2.0 定义消息结构与语义,包括能力与版本发现、三大原语、通知机制等。
传输层是外层,负责"怎么说":定义通信通道与鉴权方式,处理连接建立、消息分帧、安全传输。
这个分层的好处很实际:换传输方式(比如从本地进程改成远程 HTTP)不需要改数据层的东西——工具定义、参数 schema、调用语义都不变。反过来,排查问题时也能快速定位:调不通是网络层的事,调通了但结果不对才是数据层的事。
顺带说一个已经很实用的变化:当前规范(2026-07-28)里,发现机制走的是服务端的 server/discover 请求——客户端可以直接查询服务端支持的协议版本、能力与身份。这个演进方向是让请求更自包含,从而更容易做水平扩展和负载均衡。
五、三大服务端原语
服务端通过三类标准化的"原语"对外暴露能力。
Tools(工具):可执行的操作——查数据库、调接口、做计算。需要定义输入参数的 schema,客户端可以列举出来有哪些工具可用。
这一类你已经在第十九、二十篇见过它的"模型侧"形态了——MCP 的 Tools 就是把 Function Calling 里那套工具定义标准化、外置化了。
Resources(资源):只读的数据源,比如文档片段、配置、知识库条目。
这一类是 Function Calling 里没有的概念,值得单独说。 在第十九篇的体系里,"给模型看资料"是靠 RAG 自己搭的(第十二到十八篇那一整套)。而 MCP 把"只读资料的暴露"也纳入了协议——意思是"提供资料"和"提供动作"被区分成了两种原语,而不是混在一起。
这个区分有实际意义:只读和可执行的风险等级完全不同(第二十二篇会专门讲这条安全边界)。协议层面把它们分开,意味着客户端可以只授权资源、不授权工具,或者对两者采用不同的权限策略。
Prompts(提示词):预定义的、结构化的提示模板,供客户端调用。
另外提一个当下的规范变化,避免你看到旧资料时困惑:采样(Sampling)这类"服务端反向请求客户端调用模型"的能力,自 2026-07-28 版起已被弃用。 规范演进得比较快,接入前请以官方文档的当前版本为准,不要照抄旧教程。
六、它和 Function Calling 是什么关系
这是本篇最需要厘清的一节,也是很多人第一反应会搞混的地方:认为 MCP 是 Function Calling 的替代品。
不是替代,是分层。 两者的位置完全不同:
- Function Calling 在模型接口层:解决"模型怎么表达我要调用某个函数、参数是什么"。它面对的是模型,规定的是消息格式。
- MCP 在工具供给层:解决"工具从哪来、怎么被发现、谁部署它、怎么让多个应用复用"。它面对的是服务,规定的是能力的暴露方式。
所以完整的链路是这样的:
用户提问
→ AI 应用(Host)通过 MCP Client 向 MCP Server 询问:你有哪些工具?
→ MCP Server 返回工具清单(含参数 schema)
→ Host 把这些工具转成模型能理解的格式,交给模型
→ 模型用 Function Calling 表达"我要调用 X,参数是 Y"
→ Host 通过 MCP 协议把这次调用发给 Server 执行
→ 结果回灌给模型,模型给出最终回答
看明白了吗——工具清单是通过 MCP 拿到的,但"模型选择调用哪个"这一步仍然是 Function Calling 在起作用。 两者是串联关系,不是二选一。
这个认知能解释一个常见现象:接了 MCP 之后,你的工具调用逻辑并没有消失。 你依然要处理参数校验、失败重试、循环上限(第十九、二十篇讲的那些)。MCP 换掉的是"工具从哪来",不是"工具怎么被安全地调用"。
七、传输方式怎么选
当前规范提供两种传输方式,选择依据很明确:
Stdio(标准输入输出):通过进程的标准输入输出流通信。适合本地、单客户端的场景——本机跑的工具服务、开发调试、嵌入式集成。
Streamable HTTP:基于 HTTP 的远程通信,支持流式响应。适合生产环境的远程服务,能同时服务大量客户端。
判断标准其实就是一句话:Server 和 Host 是不是在同一台机器、是不是只有你一个人用。 本地开发用 Stdio 起步最简单;要给别人用、要集中部署、要统一鉴权,就该上远程传输。
从 Stdio 切到 HTTP 时有个容易被忘的点:本地调用不需要鉴权,远程调用必须加。 本机进程之间的通信天然是可信的,一旦暴露成 HTTP 服务,它就成了一个对外的网络接口——鉴权、限流、审计一样都不能少。这个切换点在实践里翻车的不少。
八、Java 侧怎么接入
Java 生态对 MCP 的支持已经比较成熟,主流的做法是在已有的 Spring 服务里声明式地暴露工具,把现有业务方法注册成 MCP 工具,而不是另起一个项目。
从工程角度,接入时要想清楚四件事(具体的注解名与 API 以你使用的官方 SDK 文档为准,规范与 SDK 迭代较快,别照抄旧示例):
第一,暴露什么。 不是把现有接口全暴露出去。应该是挑一组边界清晰、语义完整的操作对外。接口太细碎会让模型难以选择(第二十篇讲的"描述边界必须清晰",在工具数量变多后会变成主要矛盾)。
第二,参数 schema 怎么定义。 每个工具都要有明确的输入结构。参数类型、必填项、取值范围、字段说明——这些直接决定模型能不能正确调用(第十九篇那套经验完全适用)。
第三,选哪种传输。 见上一节。本地调试和线上部署可以是两种。
第四,鉴权与权限。 远程 Server 是新的攻击面。至少要回答:谁能连、能调用哪些工具、调用时用什么身份去执行业务逻辑。
最后一条最容易被低估:MCP Server 里的工具,最终是以某个身份去操作你的系统的。 是"服务账号有全量权限",还是"按调用者身份逐级校验"?这个问题的答案决定了这套东西是不是安全的。第十九篇那句判断标准在这里同样成立——工具函数要按"能被公网直接调用"的标准来防。
九、什么时候该用,什么时候不必
标准化是有成本的(多一层协议、多一个进程或服务、多一套要维护的东西)。所以:
值得用 MCP 的情况:
- 同一批工具要给多个 AI 应用复用(不同 IDE、不同客户端、内部多个助手);
- 希望把已有系统变成"AI 可用的标准服务"并长期维护,而不是每个应用单独接一遍;
- 工具由独立的团队或第三方提供,需要一个双方都认的接口契约。
不必用 MCP 的情况:
- 你的工具只服务一个 AI 应用,也不打算复用——那直接按第十九篇的方式写 Function Calling 就够了,多一层协议只是多一层要维护的东西;
- 只是本地做个验证、跑个 demo。
判断标准可以简化成一句:如果 N 和 M 都还是 1,那 N + M 和 N × M 没有区别,标准化带来的收益是零。 等复用需求真实出现时再引入,不算晚。
十、小结与检查清单
- MCP 解决的问题:把 N × M 的适配变成 N + M——让"工具与资料的供给方式"标准化
- 它不管什么:不规定你怎么用模型、怎么拼上下文。它是供给层的协议,不是让 AI 变聪明的协议
- 三个角色:Host(AI 应用)为每个 Server 创建一个独立 Client,用于隔离故障与权限
- 两层结构:数据层(JSON-RPC 2.0,管"说什么")+ 传输层(管"怎么说");换传输不影响工具定义
- 三大原语:Tools(可执行)、Resources(只读资料)、Prompts(模板)。Resources 是 Function Calling 没有的概念,只读与可执行在协议层就被区分开了
- 与 Function Calling 的关系:分层而非替代。工具清单由 MCP 提供,但"模型选哪个"仍然是 Function Calling 在起作用;参数校验、重试、循环上限依然要你处理
- 传输选择:Stdio(本地单客户端)vs Streamable HTTP(远程多客户端)。切到远程必须加鉴权,本地不需要不代表远程可以不加
- Java 接入四件事:暴露哪些工具、参数 schema、传输方式、鉴权与执行身份
- 引入时机:N 和 M 都是 1 时收益为零,等复用需求真实出现再上
- 规范迭代快:当前版本为 2026-07-28,Sampling 已弃用;接入前以官方文档为准,别照抄旧教程
一道判断标准:如果问你"这套 MCP Server 是以什么身份去操作业务系统的",你能给出明确答案吗? 答不出来,就说明它现在还只是一个"能跑通"的东西——而它一旦对外暴露,这个没想清楚的地方就是入口。
下一篇
工具和协议的层面讲完了,但整条链上最危险的一种工具还没碰:能让模型操作数据库的工具。 查询条件由模型生成、SQL 由模型拼装、权限靠谁把关——这一环出的问题不是"答错",而是数据泄露或数据损坏。下一篇专讲这条安全边界。
本文是「用 Java 接入大模型」系列第二十一篇。上一篇讲了多工具编排,建议按顺序看。文中规范细节已按官方文档核对(现行版本 2026-07-28);MCP 规范与各语言 SDK 迭代较快,实际接入请以官方当前文档为准。
來源:阿里雲開發者社區 AI · developer.aliyun.com