MCP全称 Model Context Protocol，为AI模型推理提供标准化的上下文信息交互协议

1. 工具发现阶段

// 和 mcp 服务器打交道遵循 JSON-RPC 结构
// mcp客户端请求mcp服务器
{
  "jsonrpc": "2.0",
  "id": "1",
  "method": "tools/list"
}

// 响应
{
  "jsonrpc": "2.0",
  "id": "1",
  "result": {
    "tools": [{
      "name": "get_weather",
      "description": "查询城市天气",
      "inputSchema": {
        "type": "object",
        "properties": {
          "city": {"type": "string"}
        }
      }
    }]
  }
}

1. 发送查询和可用工具描述

// 和 LLM 打交道用 function call（tools接受一个数组，意味着可以有多个工具）
// 将查询和工具列表发送给LLM
{
  "messages": [{
    "role": "user",
    "content": "北京今天多少度？"
  }],
  "tools": [{
    "name": "get_weather",
    "description": "查询城市天气",
    "inputSchema": {
      "type": "object",
      "properties": {"city": {"type": "string"}}
    }
  }]
}

// LLM 响应:使用推理能力获取具体需要调用的能力
{
  "tool_calls": [{
    "name": "get_weather",
    "arguments": {"city": "北京"}
  }]
}

1. mcp 客户端调用具体mcp 服务器

// 和 mcp 服务器打交道遵循 JSON-RPC 结构
// 请求
{
  "jsonrpc": "2.0",
  "id": "2",
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": {"city": "北京"}
  }
}

// 响应（MCP Server返回第三方API数据）
{
  "jsonrpc": "2.0",
  "id": "2",
  "result": {
    "content": [{
      "type": "text",
      "text": "{\\"temp\\": 25, \\"condition\\": \\"晴\\"}"
    }]
  }
}

1. 将用户的提问+MCPserver的回复,转成自然语言输出

// mcp 客户端请求
{
  "messages": [
    {"role": "user", "content": "北京今天多少度？"},
    {"role": "tool", "content": "{\\"temp\\": 25, \\"condition\\": \\"晴\\"}"}
  ]
}

// LLM 响应
{
  "role": "assistant",
  "content": "北京今天晴，气温25°C"
}

SpringAi集成MCPServer