MCP协议最近风头正盛，之前MCP整个社区的例子都是Python和TypeScript居多，而最近MCP官方发布了一条消息:
我们很高兴地宣布，由 Spring AI 在 VMware Tanzu 开发的 Java SDK 现在成为 MCP 的官方 Java SDK。这使我们支持的语言列表不断增长，其中包括我们现有的 Kotlin SDK。Spring AI 团队将作为模型上下文协议组织的一个组成部分来维护 SDK。我们非常高兴欢迎他们加入 MCP 社区！
MCP协议已经提供了Java语言的SDK，并且是Java生态位中著名的Spring团队提供的支持。
我通过官方提供的SDK实现了一个简易的Java MCP Client，跟大家分享下如何在Java中对接各种MCP服务。
如果还不了解MCP协议，前面《Claude、Cline都在用的MCP协议，正在掀起AI工具新革命 》的文章中做了相应的介绍。工具调用 Tools Calling
在使用MCP之前，先了解一下工具调用这个机制，OpenAI的请求API中存在一个参数tools，用于让LLM进行工具调用。
工具调用（也称为函数调用）提供对外部工具让LLM进行调用。LLM不直接调用工具，但是它会建议调用哪个工具，怎么入参。然后用户单独调用工具，并将结果反馈给LLM。最后LLM将结合工具调用的结果再回答用户问题。
具体的解释可以参见OpenAI的解释: https://platform.openai.com/docs/guides/function-calling
这张图很好地解释了tools calling的机制，MCP的tools其实就是利用了这个tools calling的机制。
Java MCP Client Demo
这个部分我分享一下用Java实现MCP Client的思路。
1. 首先在本地安装一个MCP Server，示例中我使用的是Fetch(https://github.com/zcaceres/fetch-mcp) 这个MCP Server。
如何安装可以参考之前的文章《Claude、Cline都在用的MCP协议，正在掀起AI工具新革命》
2. 通过Java MCP SDK，在自己的项目中创建一个对应的Fetch MCP Client.
/**
* 创建一个Fetch MCP Client
*
* @return
*/
publicstatic McpSyncClient createFetchMcpClient() {
// 声明MCP Server的参数
ServerParametersparams= ServerParameters
.builder("node")
.args("/Users/whthomas/Documents/Cline/MCP/fetch-mcp/dist/index.js")
.build();
// 声明MCP Server的传输方式
ClientMcpTransporttransport=newStdioClientTransport(params);
// 创建一个MCP Client
McpSyncClientclient= McpClient
.sync(transport)
.requestTimeout(Duration.ofSeconds(10))
// 设置MCP Client的基本信息
.clientInfo(newMcpSchema.Implementation("Fetch", "1.0.0"))
.capabilities(McpSchema.ClientCapabilities.builder().roots(true).sampling().build())
.build();
// 初始化MCP Server
client.initialize();
return client;
}3. 通过上一步创建的Fetch MCP Client获取这个MCP Server中全部的tools，并转换成LLM服务使用的Tools。
public static List<ChatCompletionTool> prepareChatCompletionTools(McpSyncClient mcpClient) {
// 列出对应的MCP Server上全部的tools
McpSchema.ListToolsResulttools= mcpClient.listTools();
// 将其转换成OpenAI Client上的Tools参数
return tools
.tools()
.stream()
.map(tool -> {
return ChatCompletionTool
.builder()
.function(FunctionDefinition.builder()
.name(tool.name())
.description(tool.description())
.parameters(prepareFunctionParameters(tool))
.build()
)
.build();
})
.toList();
}
/**
* 将工具的入参定义进行转换
*/
privatestatic FunctionParameters prepareFunctionParameters(Tool tool) {
try {
ObjectMapperobjectMapper=newObjectMapper();
StringjsonString= objectMapper.writeValueAsString(tool.inputSchema());
JsonNodejsonNode= objectMapper.readTree(jsonString);
FunctionParameters.BuilderparamsBuilder= FunctionParameters.builder();
jsonNode.fields().forEachRemaining(entry -> {
JsonValuevalue= JsonValue.fromJsonNode(entry.getValue());
paramsBuilder.putAdditionalProperty(entry.getKey(), value);
});
return paramsBuilder.build();
} catch (JsonProcessingException e) {
thrownewRuntimeException(e);
}
}4. 将MCP Client得到的Tools信息转换成LLM服务使用的Tools，并提供给大模型，大模型就会根据tools calling的机制进行思考和输出，最终再通过MCP Client去调用MCP Server上的服务，得到MCP Server的执行结果并提供给后续的调用。
public voidchatWithMcpServer(String userMessage, String chatModel) {
List<ChatCompletionTool> chatCompletionTools = McpToolExample.prepareChatCompletionTools(mcpClient);
// 构建ChatCompletionCreateParams对象，设置用户消息、模型、工具等参数
ChatCompletionCreateParamsparams= ChatCompletionCreateParams.builder()
.addUserMessage(userMessage)
.model(chatModel)
.tools(chatCompletionTools)
.build();
// 调用OpenAI的Chat API
openAIClient
.chat()
.completions()
.create(params)
.thenAccept(completion -> completion
.choices()
.stream()
.map(ChatCompletion.Choice::message)
.flatMap(message -> {
message.content().ifPresent(System.out::println);
return message.toolCalls().stream().flatMap(Collection::stream);
})
.forEach(toolCall -> System.out.println(callFunction(toolCall.function())))
)
.join();
}
/**
* 通过MCP Client 调用MCP Server上的方法
*
* @param function LLM思考得到的期望被调用的函数信息（包括函数对应的参数）
* @return
*/
private String callFunction(ChatCompletionMessageToolCall.Function function) {
try {
Map<String, Object> toolParams = objectMapper.readValue(function.arguments(), HashMap.class);
McpSchema.CallToolResultresult= mcpClient.callTool(newMcpSchema.CallToolRequest(function.name(), toolParams));
// 将执行的结果返回
return result.content().stream().map(Object::toString).collect(Collectors.joining());
} catch (Exception ex) {
return ex.getMessage();
}
}注意:
1. 完整的Demo代码已经上传到Github上，未来我做的其他MCP相关的一些实验也会放到这个仓库里面: https://github.com/whthomas/mcp-example 2. MCP官方的SDK最低支持的JDK版本是Java 17.
实践中的几个观察
这几天尝试用Java来编写一个MCP的Client有几个观察:
1. 这个Demo实现本来我是希望通过Spring AI来构建的，Spring一如既往地进行了大量的封装（甚至是过度的封装），做了几次不太成功的尝试之后，我最后还是决定使用官方的SDK手搓一个Demo。 2. 官方的Java文档其实写的暂时不太完善，按照这个文档的步骤，调试出来其实有点困难，我是看着官方Python的MCP Client文档把这个过程弄明白的。 3. MCP中最重要的Tools(至少我目前认为Tools是MCP协议中提供的最重要功能)，输出的结构与OpenAI Chat API中的tools参数是兼容的，也就是MCP的tools给出描述的json结构直接赋值到OpenAI Chat API是可以直接用的。我觉得这种生态发展还是比较良性的，虽然Anthropic是OpenAI的竞争对手，但在构建生态的一些设计上，没有选择重新设计，对整个生态来说是一个很好的事情。 4. OpenAI官方的Java SDK是通过Kotlin实现的，我观察到不止是OpenAI其他一些厂商在Java生态中的SDK实现也逐渐采用Kotlin作为实现(比如OkHttp)，不知道是基于移动端的复用考虑还是其他？OpenAI Java SDK 设计的还是比较优雅的，等待它正式release。
总结
MCP这个生态目前主流还是以Python和TS为主，但随着企业端的需求逐渐增长（Java应用在企业侧的占比还是非常高的），我认为Java应用在MCP的生态位还是会逐渐变得重要，在生态构建的初期，市场上还是充满了各种竞争的机会。
