近期，MCP協議在AI領域熱度飆升，成為眾多開發者和行業人士熱議的焦點。下文先介紹MCP究竟是什么？再詳細講下?Dify?+?DeepSeek?+?Java開發?MCP?server?實戰。
一、MCP的基本概念
MCP，全稱為模型上下文協議（Model?Context?Protocol），是由Anthropic推出的開放標準協議。其核心目標，是打破大型語言模型（LLMs）與外部數據源、工具之間的交互壁壘，實現高效、無縫的連接。
想象一下，在AI的世界里，MCP就像是一個萬能適配器。它賦予智能模型如同使用USB接口般的便捷性，讓模型能夠輕松適配各類設備與服務，極大地拓展了AI的應用邊界。
官網鏈接：
https://modelcontextprotocol.io/introduction，想要深入了解MCP的朋友，可以前往官網查閱更多詳細信息。
二、MCP的核心定義
從協議本質來看，MCP致力于統一應用程序為大語言模型提供上下文的模式。如果將其類比到日常生活中的設備，MCP恰似AI應用領域的USB-C接口。
我們知道，USB-C接口憑借標準化設計，實現了設備與眾多外設（如鼠標、鍵盤、音響、硬盤等）的快速、穩定連接。而MCP同樣以標準化的連接方式，助力AI模型自如對接多元數據源與工具，讓AI模型不再“孤立無援”。
三、MCP的實際應用價值
簡而言之，MCP就是AI調用服務的“智能連接器”。通過這一協議，AI模型與各類數據源、工具間的連接變得簡單高效。
無論是調用天氣API獲取實時氣象數據，還是實現數據庫的高效查詢，亦或是對接其他外部服務，MCP都能以標準化路徑，幫助AI模型輕松完成任務。這使得AI應用的開發與落地更加靈活、便捷，為AI技術的廣泛應用提供了強大助力。
Spring?MCP?Server
Spring?AI?剛好就有?MCP?Server?Boot?Starter?模塊，直接拿來用就行了：
https://docs.spring.io/spring-ai/reference/api/mcp/mcp-server-boot-starter-docs.html
Spring?MCP?Server?提供了三種不同的模式：
- Standard?Input/Output?(STDIO)?
???spring-ai-starter-mcp-server（適合簡單的本地開發和單進程通信）
- Spring?MVC?(Server-Sent?Events)?
???spring-ai-starter-mcp-server-webmvc（適合傳統的基于?Servlet?的?Web?應用，支持同步模式）
- Spring?WebFlux?(Reactive?SSE)?
???spring-ai-starter-mcp-server-webflux（適合高性能、高并發的響應式應用，支持異步模式）
用Java創建MCP服務
創建MCP服務不用從頭開始，Spring官方有現成的例子，我們拿來改一下就行了。
下載代碼：
https://github.com/spring-projects/spring-ai-examples
找到starter-webmvc-server項目：
1、打開項目后，我們先運行?McpServerApplication.java
2、MCP服務運行成功。
3、添加自己的MCP服務
好了，現在我們可以添加我們自己的MCP服務了。
我們新增一個BIService類，在類上標注@Service注解，然后新增getProjectInfoByCustomerName和getProjectInfoByContractNum方法，模擬從數據庫中查詢項目信息。
注意，要讓大模型能識別方法，必須在方法名上面添加@Tool注解。
@Tool注解的關鍵信息如下：
??name：工具的名稱。如果未提供，則使用方法名稱。AI?模型使用此名稱來識別調用該工具的工具。因此，同一個類中不允許有兩個同名的工具。對于特定的聊天請求，該名稱在模型可用的所有工具中必須是唯一的。
??description：工具的描述，模型可以通過該描述了解何時以及如何調用該工具。如果未提供，則方法名稱將用作工具描述。但是，強烈建議提供詳細的描述，因為這對于模型理解工具的用途及其使用方法至關重要。如果描述不充分，可能會導致模型在應該使用工具時不使用它，或者錯誤地使用它。
??returnDirect：工具結果應直接返回給客戶端還是傳遞回模型。有關更多詳細信息，請參閱直接返回。
??resultConverter：ToolCallResultConverter用于將工具調用的結果轉換為可String?object發送回?AI?模型的實現。更多詳情，請參閱結果轉換。
強烈建議仔細填寫description內容。
最后我們還要在McpServerApplication類中，提供一個ToolCallbackProvider。
4、配置Dify?MCP客戶端
要測試我們的MCP服務還需要一個MCP客戶端，Dify剛好有MCP客戶端的插件，我們來安裝一下。
打開Dify的插件頁面，搜索MCP，安裝Agent?策略（支持?MCP?工具）和?MCP?SSE?/?StreamableHTTP插件。
5、新建一個空白ChatFlow流程
在模型下拉框中選個你喜歡的大模型，由于我們是直接調用MCP服務，大模型的作用其實就是幫我們選擇具體的工具和提取參數，沒必要用推理能力，用了推理大模型反而會影響選擇工具的準確性。
所以，我這里沒有選DeepSeek推理大模型，我選的是豆包大模型。
工具列表選擇插件里的“獲取MCP工具列表”：
點擊“獲取MCP工具列表”工具，點擊“授權”按鈕，添加MCP服務的連接信息：
6、MCP?服務配置
先測試自己本地代碼的MCPserver是否正常
正常后再Dify?做配置
6、MCP?服務配置后進行指令配置
接下來是配置的重點了。首先把“Agent”節點連接到“開始節點”和“直接回復節點”中間：
指令欄填寫：
指令的重點就是先讓大模型分析用戶輸入的內容（sys.query），然后告訴大模型什么情況下要調用什么工具，把工具的名稱告訴大模型，最好能給出幾個例子，讓大模型更好的理解。
最后讓大模型優化輸出格式，比如用表格輸出。
測試看效果
全部設置好之后，整個工作流就三個節點，現在可以點預覽按鈕測試了：
最后
通過這個例子，我們創建了一個MCP服務，并通過Dify客戶端成功調用。
用Java寫MCP服務，我們只需要在Spring?AI項目的基礎上添加自己的Service，然后在Service里添加業務數據查詢的工具就行了。
這樣我們就能實現AI業務數據查詢（問數）的功能啦！
如果對文章感興趣請關注我，如果覺得有收獲打個賞哈，定期發布最詳細的MCP集成Dify的實戰教程！
