最新版Spring Ai实践

2025-04-14 02:25

深入探索 Spring AI 1.0.0-M6在人工智能与软件开发深度融合的时代，Spring AI 作为一个强大的框架，持续为开发者提供着高效且便捷的工具，以实现与大语言模型（LLM）的无缝交互。 Spring AI 的最新版本引入了一系列令人瞩目的特性，其中 Function Calling 到 Tool Calling 的转换以及模型上下文协议（MCP）的应用，标志着该框架在 AI 集成领域的又一次重大飞跃。聊天接口示例在今天的内容之前我们回一下如何使用SpringAI实现一个简单的聊天接口，使用千问API实现聊天功能：添加依赖复制配置复制实现复制当进行下面的提问时：现在北京时间几点了？

深入探索 Spring AI 1.0.0-M6

在人工智能与软件开发深度融合的时代，Spring AI 作为一个强大的框架，持续为开发者提供着高效且便捷的工具，以实现与大语言模型（LLM）的无缝交互。Spring AI 的最新版本引入了一系列令人瞩目的特性，其中 Function Calling 到 Tool Calling 的转换以及模型上下文协议（MCP）的应用，标志着该框架在 AI 集成领域的又一次重大飞跃。

聊天接口示例

在今天的内容之前我们回一下如何使用SpringAI实现一个简单的聊天接口，使用千问API实现聊天功能：

添加依赖

复制

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter</artifactId>
</dependency>

配置

复制

spring:
  ai:
    ## Alibaba
    dashscope:
      api-key: ${DASH_SCOPE_API_KEY}
      chat:
        enable: true
        options:
          model: qwen-max

实现

复制

@Bean
public ChatClient chatClient(ChatClient.Builder chatClientBuilder) throws IOException {

    var chatClient = chatClientBuilder
            .defaultSystem("You are a helpful assistant.")
            .defaultAdvisors(new SimpleLoggerAdvisor()) // LOG
            .build();
    return chatClient;
}

/**
 * 调用
 * @param message
 * @return
 */
public String completion(String message) {
    return chatClient
            .prompt().user(message)
            .call().content();
}

当进行下面的提问时：

现在北京时间几点了？
[引用]

Function Calling

在早期的 AI 交互中，Function Calling 是一种常见的机制，允许模型在生成回复时调用外部函数以获取额外信息。然而，这种方式在扩展性和灵活性上存在一定的局限性。而 Spring AI 最新版本引入的 Tool Calling 则是对 Function Calling 的进一步演进。Tool Calling 将函数调用抽象为工具调用，将工具视为可复用的资源，模型可以根据需求动态调用这些工具，以完成更复杂的任务。在新版本中已经被改为Tool Calling。

工具主要用于：

信息检索

此类工具可用于从外部来源（例如数据库、Web 服务、文件系统或 Web 搜索引擎）检索信息。其目标是增强模型的知识，使其能够回答原本无法回答的问题。因此，它们可用于检索增强生成 (RAG) 场景。例如，可以使用工具检索给定位置的当前天气、检索最新新闻文章或查询数据库中的特定记录。

采取行动

此类别中的工具可用于在软件系统中采取行动，例如发送电子邮件、在数据库中创建新记录、提交表单或触发工作流。其目标是自动化原本需要人工干预或明确编程的任务。例如，可以使用工具为与聊天机器人交互的客户预订航班、在网页上填写表单，或在代码生成场景中基于自动化测试 (TDD) 实现 Java 类。

尽管我们通常将工具调用称为模型功能，但实际上工具调用逻辑是由客户端应用程序提供的。模型只能请求工具调用并提供输入参数，而应用程序负责根据输入参数执行工具调用并返回结果。

Spring AI 提供了便捷的 API 来定义工具、解析来自模型的工具调用请求以及执行工具调用。

为了解决上面关于时间问题的解决方案，我们可以定义一个工具，并嵌入到模型中...

复制

public class TimeTools {

    private static final Logger logger = LoggerFactory.getLogger(TimeTools.class);

    @Tool(description = "Get the time of a specified city.")
    public String getCityTimeMethod(@ToolParam(description = "Time zone id, such as Asia/Shanghai") String timeZoneId) {
        logger.info("The current time zone is {}", timeZoneId);
        return String.format("The current time zone is %s and the current time is " + "%s", timeZoneId, ZoneUtils.getTimeByZoneId(timeZoneId));
    }
}

复制

public ChatClient chatClient(ChatClient.Builder chatClientBuilder) throws IOException {
    // ...
    chatClientBuilder.defaultTools(timeTool);
    // ...
}

Function Calling实现了大语言模型（LLM）与外部函数或工具进行交互的能力。这一机制赋予了 AI 系统更强大的功能和灵活性，使其能够处理更加复杂和动态的任务。

注意不是所有模型都支持FunctionCalling

MCP

MCP（Model Context Protocol，模型上下文协议）是的一种开放协议，旨在统一大语言模型（LLM）与外部数据源、工具和服务之间的交互标准，推动 AI 应用的标准化和去中心化发展。 MCP 提供了一种统一的接口，使得不同的工具和服务可以以标准化的方式与模型进行交互。

核心功能

标准化交互 MCP 提供了一套通用的通信协议、数据格式和规则，使 LLM 能够以统一的方式与外部资源（如数据库、API、文件系统等）进行交互，无需为每个工具单独开发适配接口。
增强模型能力通过 MCP，LLM 可以动态调用外部工具或数据源，例如实时获取天气信息、查询数据库、调用第三方服务等，从而扩展模型的功能边界。
安全与合规 MCP 内置了安全机制，确保数据传输的安全性，并支持细粒度的权限控制，避免数据泄露和滥用。
降低开发成本开发者无需重复造轮子，可直接基于 MCP 协议构建 AI 应用，显著减少开发时间和成本。

在1.0.0-M6版本中引入了MCP，使得可以基于Spring AI实现各种扩展

此时聊天应用作MCP服务的调用者，也就是客户端，需要调用外部的MCP服务，首先对聊天服务改造：

添加必要的依赖：

复制

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
</dependency>

通过配置ChatClient完成集成：

复制

@Bean
    public ChatClient chatClient(ToolCallbackProvider toolsProvider) throws IOException {
        var chatClient = chatClientBuilder
                // ...
                .defaultTools( toolsProvider.getToolCallbacks() ) //mcp
                // ...
                .build();
        return chatClient;
    }

SpringAI中，MCP 客户端支持两种传输方式：STDIO 和 SSE。标准启动器通过STDIO（进程内）和/或SSE（远程）传输同时连接到一个或多个 MCP 服务器。SSE 连接使用基于 HttpClient 的传输实现。每个与 MCP 服务器的连接都会创建一个新的 MCP 客户端实例。

STDIO

其实就是通过本地命令进行调用的实现，需要注意的是，返回的数据结果必须遵循MCP规范，我们可以基于Spring开发一个可执行的jar程序包，然后由客户端调用。

添加依赖

复制

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
</dependency>

实现Tool并注册

复制

@Service
public class TranslationService {
    
    @Tool(description = "将内容翻译成英文")
    public String translate(String content) {
        return "hello";
    }
}

@Bean
public ToolCallbackProvider translationTools(TranslationService translationService) {
   return MethodToolCallbackProvider.builder().toolObjects(translationService).build();
}

添加配置，注意这里要关掉所有日志相关的输出

复制

spring:
   main:
      web-application-type:none
      banner-mode:off
   ai:
      mcp:
         server:
            name:translation-server
            version:0.0.1
logging:
   level:
      root:off

打包，记得使用spring-boot-maven-plugin插件打包，下面的mcpServers引用的就是这里的jar
修改聊天应用配置，并且重启

复制

spring:
  ai:
    mcp:
      client:
        type: SYNC
        stdio:
          servers-configuration: classpath:mcp-stdio-servers.json

mcp-stdio-servers.json

复制

{
   "mcpServers": {
      "weather": {
         "command": "java",
         "args": [
            "-Dspring.ai.mcp.server.stdio=true",
            "-Dspring.main.web-application-type=none",
            "-Dlogging.pattern.cnotallow=",
            "-jar",
            "your_jar_path/mcp-stdio-server-1.0.1-SNAPSHOT.jar"
         ],
         "env": {}
      }
   }
}

提问: 翻译单词运势
[引用]

因为我没有实现，全部返回的是hello，看样子模型对我们的结果进一步做了处理

SSE

这里提供一个简单的示例，主要实现星座运势获取的Mcp，这是一个单独的基于Spring开发的应用，与上面的聊天应用隔离：

引入相关依赖

复制

<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-mcp-server-webmvc-spring-boot-starter</artifactId>
</dependency>

定义Tool实现

复制

@Service
publicclass HoroscopeService {

    private String url = "https://apis.tianapi.com/star/index?key=%s&astro=%s";
    private String key = "xx";

    private RestTemplate restTemplate = new RestTemplate();
    private ObjectMapper objectMapper = new ObjectMapper();

    @Tool(description = "Get constellation fortune by consName")
    public String getFortune(String consName) {
        Map map = restTemplate.getForObject(String.format(url, key, consName), Map.class);
        try {
            return objectMapper.writeValueAsString(map.get("result"));
        } catch (JsonProcessingException e) {
            e.printStackTrace();
            return"获取失败："+ e.getMessage();
        }
    }
}

配置文件

复制

spring:
   ai:
      mcp:
         server:
            name:webmvc-mcp-server
            version:1.0.0
            type:SYNC
            sse-message-endpoint:/mcp/messages

server:
   port:8081
   servlet:
      encoding:
         charset:utf-8
         enabled:true
         force:true

启动应用，访问：http://localhost:8081
修改聊天应用配置，并且重启

复制

spring:
  ai:
    mcp:
      client:
        type: SYNC
        sse:
           connections:
              constellation:
                 url: http://localhost:8081

提问: 白羊座的运势
[引用]

结束语

现阶段的AI技术，恰似一台功能强大却需精心调校的计算机系统。它并非“即插即用”的万能工具，而是需要开发者如同配置硬件般，根据特定业务场景的需求，按需增加“认知模块”与“计算资源”。这种灵活扩展的能力，与模块化计算平台（MCP，Modular Computing Platform）的设计理念不谋而合——通过标准化接口与可组合架构，让AI系统既能像积木般自由拼接算法能力，又能像云计算般弹性调度算力资源。开发者需像搭建乐高城堡般，将自然语言处理、视觉识别、决策推理等模块按需组合，再通过数据管道与反馈机制持续优化，最终让AI在医疗诊断、智能制造、智慧城市等垂直领域中，展现出接近专家水平的场景化智能