近期，MCP协议在AI领域热度飙升，成为众多开发者和行业人士热议的焦点。下文先介绍MCP究竟是什么？再详细讲下 Dify + DeepSeek + Java开发 MCP server 实战。
一、MCP的基本概念
MCP，全称为模型上下文协议（Model Context Protocol），是由Anthropic推出的开放标准协议。其核心目标，是打破大型语言模型（LLMs）与外部数据源、工具之间的交互壁垒，实现高效、无缝的连接。
想象一下，在AI的世界里，MCP就像是一个万能适配器。它赋予智能模型如同使用USB接口般的便捷性，让模型能够轻松适配各类设备与服务，极大地拓展了AI的应用边界。
官网链接：
https://modelcontextprotocol.io/introduction，想要深入了解MCP的朋友，可以前往官网查阅更多详细信息。
二、MCP的核心定义
从协议本质来看，MCP致力于统一应用程序为大语言模型提供上下文的模式。如果将其类比到日常生活中的设备，MCP恰似AI应用领域的USB-C接口。
我们知道，USB-C接口凭借标准化设计，实现了设备与众多外设（如鼠标、键盘、音响、硬盘等）的快速、稳定连接。而MCP同样以标准化的连接方式，助力AI模型自如对接多元数据源与工具，让AI模型不再“孤立无援”。
三、MCP的实际应用价值
简而言之，MCP就是AI调用服务的“智能连接器”。通过这一协议，AI模型与各类数据源、工具间的连接变得简单高效。
无论是调用天气API获取实时气象数据，还是实现数据库的高效查询，亦或是对接其他外部服务，MCP都能以标准化路径，帮助AI模型轻松完成任务。这使得AI应用的开发与落地更加灵活、便捷，为AI技术的广泛应用提供了强大助力。
Spring MCP Server
Spring AI 刚好就有 MCP Server Boot Starter 模块，直接拿来用就行了：
https://docs.spring.io/spring-ai/reference/api/mcp/mcp-server-boot-starter-docs.html
Spring MCP Server 提供了三种不同的模式：
- Standard Input/Output (STDIO)
spring-ai-starter-mcp-server（适合简单的本地开发和单进程通信）
- Spring MVC (Server-Sent Events)
spring-ai-starter-mcp-server-webmvc（适合传统的基于 Servlet 的 Web 应用，支持同步模式）
- Spring WebFlux (Reactive SSE)
spring-ai-starter-mcp-server-webflux（适合高性能、高并发的响应式应用，支持异步模式）
用Java创建MCP服务
创建MCP服务不用从头开始，Spring官方有现成的例子，我们拿来改一下就行了。
下载代码：
https://github.com/spring-projects/spring-ai-examples
找到starter-webmvc-server项目：
1、打开项目后，我们先运行 McpServerApplication.java
2、MCP服务运行成功。
3、添加自己的MCP服务
好了，现在我们可以添加我们自己的MCP服务了。
我们新增一个BIService类，在类上标注@Service注解，然后新增getProjectInfoByCustomerName和getProjectInfoByContractNum方法，模拟从数据库中查询项目信息。
注意，要让大模型能识别方法，必须在方法名上面添加@Tool注解。
@Tool注解的关键信息如下：
• name：工具的名称。如果未提供，则使用方法名称。AI 模型使用此名称来识别调用该工具的工具。因此，同一个类中不允许有两个同名的工具。对于特定的聊天请求，该名称在模型可用的所有工具中必须是唯一的。
• description：工具的描述，模型可以通过该描述了解何时以及如何调用该工具。如果未提供，则方法名称将用作工具描述。但是，强烈建议提供详细的描述，因为这对于模型理解工具的用途及其使用方法至关重要。如果描述不充分，可能会导致模型在应该使用工具时不使用它，或者错误地使用它。
• returnDirect：工具结果应直接返回给客户端还是传递回模型。有关更多详细信息，请参阅直接返回。
• resultConverter：ToolCallResultConverter用于将工具调用的结果转换为可String object发送回 AI 模型的实现。更多详情，请参阅结果转换。
强烈建议仔细填写description内容。
最后我们还要在McpServerApplication类中，提供一个ToolCallbackProvider。
4、配置Dify MCP客户端
要测试我们的MCP服务还需要一个MCP客户端，Dify刚好有MCP客户端的插件，我们来安装一下。
打开Dify的插件页面，搜索MCP，安装Agent 策略（支持 MCP 工具）和 MCP SSE / StreamableHTTP插件。
5、新建一个空白ChatFlow流程
在模型下拉框中选个你喜欢的大模型，由于我们是直接调用MCP服务，大模型的作用其实就是帮我们选择具体的工具和提取参数，没必要用推理能力，用了推理大模型反而会影响选择工具的准确性。
所以，我这里没有选DeepSeek推理大模型，我选的是豆包大模型。
工具列表选择插件里的“获取MCP工具列表”：
点击“获取MCP工具列表”工具，点击“授权”按钮，添加MCP服务的连接信息：
6、MCP 服务配置
先测试自己本地代码的MCPserver是否正常
正常后再Dify 做配置
6、MCP 服务配置后进行指令配置
接下来是配置的重点了。首先把“Agent”节点连接到“开始节点”和“直接回复节点”中间：
指令栏填写：
指令的重点就是先让大模型分析用户输入的内容（sys.query），然后告诉大模型什么情况下要调用什么工具，把工具的名称告诉大模型，最好能给出几个例子，让大模型更好的理解。
最后让大模型优化输出格式，比如用表格输出。
测试看效果
全部设置好之后，整个工作流就三个节点，现在可以点预览按钮测试了：
最后
通过这个例子，我们创建了一个MCP服务，并通过Dify客户端成功调用。
用Java写MCP服务，我们只需要在Spring AI项目的基础上添加自己的Service，然后在Service里添加业务数据查询的工具就行了。
这样我们就能实现AI业务数据查询（问数）的功能啦！
如果对文章感兴趣请关注我，如果觉得有收获打个赏哈，定期发布最详细的MCP集成Dify的实战教程！
