如何让Java MCP开发变得像写Java 8 Controller一样简单？

在 AI 应用开发从“单机对话”迈向“群体智能（Agent）”的当下，MCP（Model Context Protocol） 协议的出现，为大模型连接外部世界统一了“插座”。 但，当 Anthropic 的 MCP 协议火遍 AI 圈时，很多 Java 开发者看了一眼官方 SDK 的环境要求（Java 17+）便望而却步。难道 Java 8、Java 11 的老项目注定要与 AI Agent 时代无缘吗？ Solon-AI 给出了截然不同的答案。 在这里，开发一个标准的 MCP Server，不需要你去研究复杂的 JSON-RPC 通讯逻辑，也不需要升级你的 JDK。只需要几个注解，就像写普通的 Web 控制器一样简单。 一、 为什么 Java 开发者需要 MCP？ 在 MCP 出现之前，虽然各大模型都支持 Tool Call，但由于缺乏统一标准，开发者不得不针对不同厂商编写互不兼容的私有接口适配代码。MCP 的出现，为模型与工具之间建立了一套通用的“通讯语言”。 MCP 彻底改变了游戏规则： 一次编写，到处运行：你写的 MCP Server 可以同时给 Claude Desktop、IDE 或你自己的 Solon 应用使用。 生态复用：GitHub 上现成的 Python/Node.js MCP 工具，Java 开发者现在可以通过 Solon-AI 的 McpClient 瞬间“拿来主义”。 二、 Solon-AI：为 MCP 而生的 Java 框架 Solon-AI 是 Java 生态中率先深度集成 MCP 协议的开发框架。它不仅简化了服务端的构建，更通过高度抽象的客户端接口，让 Java 应用具备了强大的 AI 整合能力。 核心依赖： <dependency> <groupId>org.noear</groupId> <artifactId>solon-ai-mcp</artifactId> </dependency> 1. 像写 Controller 一样写 Mcp Server 在 Solon-AI 中，你不需要研究复杂的 JSON-RPC 协议，也不需要手撸难以维护的原生 MCP Java SDK 代码。通过 @ToolMapping、@ResourceMapping 和 @PromptMapping，你可以将任何 Java 方法快速转变为 AI 可识别的工具。 @McpServerEndpoint(name = "it-tools", channel = McpChannel.STREAMABLE, mcpEndpoint = "/mcp") public class MyMcpServer { @ToolMapping(description = "查询服务器负载") public String getServerLoad(@Param("serverId") String id， @Header("token") String token) { return "Server " + id + " load is 15%"; } } 提示：启动项目后，即可使用 McpClientProvider 或 Claude Desktop 连接端点进行测试。 2、除了注解开发外，支持“动态构建”： 对于需要动态加载工具的场景，Solon-AI 提供了灵活的 Builder 模式，支持在运行时编排 AI 技能。 @Configuration public class McpServerConfig { @Bean("mcp-weather") public McpServerEndpointProvider serverEndpoint() { McpServerEndpointProvider serverEndpoint = McpServerEndpointProvider.builder() .name("mcp-weather") .channel(McpChannel.STDIO) .build(); FunctionToolDesc weatherTool = new FunctionToolDesc("get_weather") .description("获取指定城市的天气情况") .stringParamAdd("location", "根据用户提到的地点推测城市") .doHandle(map -> { return "24度"; }); serverEndpoint.addTool(new MethodToolProvider(weatherTool)); return serverEndpoint; } } 3、强大的协议代理转换 这是 Solon-AI 的一大绝活：支持跨协议代理。例如，你可以将本地运行的 STDIO 工具通过 Solon 包装，转为更适合集群部署的 STREAMABLE_STATELESS（无状态流）传输。 @McpServerEndpoint(channel = McpChannel.STREAMABLE_STATELESS, mcpEndpoint = "/mcp") public class McpServerTool implements ToolProvider { private McpClientProvider stdioToolProvider = McpClientProvider.builder() .channel(McpChannel.STDIO) //表示使用 stdio .command("npx") .args("-y", "@gitee/mcp-gitee@latest") .addEnvVar("GITEE_API_BASE", "https://gitee.com/api/v5") .addEnvVar("GITEE_ACCESS_TOKEN", "<your personal access token>") .build(); @Override public Collection<FunctionTool> getTools() { return stdioToolProvider.getTools(); } } 4、支持“反向通讯”，比如：Sampling 采样 MCP 不仅仅是“模型调工具”，还支持“工具调模型”。Solon-AI 完整支持了 Sampling（采样） 能力，允许服务端在执行工具时，反向请求客户端协助处理。 //客户端 public class SamplingClientDemo { public void test() { McpClientProvider clientProvider = McpClientProvider.builder() .url("http://localhost:8080/mcp") .customize(spec -> { spec.capabilities(McpSchema.ClientCapabilities.builder().sampling().build()); spec.sampling(req -> Mono.just(McpSchema.CreateMessageResult.builder() .content(new McpSchema.TextContent("test")) .build())); }) .build(); clientProvider.callToolAsText("demo", Utils.asMap("a", 1)) .getContent(); } } //服务端 @McpServerEndpoint(channel = McpChannel.STREAMABLE, mcpEndpoint = "/mcp") public class SamplingServerDemo { //可以注入 exchange（实现反向通讯：服务端向客户端请求） @ToolMapping(description = "复杂任务拆解") public Mono<McpSchema.CreateMessageResult> demo(McpAsyncServerExchange exchange) { // 服务端向客户端请求 AI 采样决策 return exchange.createMessage(McpSchema.CreateMessageRequest.builder() .messages(Collections.singletonList(McpSchema.PromptMessage.builder() .role(McpSchema.Role.USER) .content(new McpSchema.TextContent("请帮我拆解这个任务...")) .build())) .build()); } } 5. “三合一”的超级客户端 McpClientProvider 实现了 Solon AI 体系内的 ToolProvider、ResourceProvider 和 PromptProvider。这意味着：连接一个 Server，即刻获得全量 AI 能力包。 McpClientProvider clientProvider = McpClientProvider.builder() .channel(McpChannel.STREAMABLE) .url("http://localhost:8080/mcp") .build(); //获取所有工具原语 clientProvider.getTools(); //获取所有模板原语 clientProvider.getResources(); //获取所有资源模板原语 clientProvider.getResourceTemplates(); //获取所有提示词原语 clientProvider.getPrompts(); 为 ChatModel 赋能： ChatModel chatModel = ChatModel.of(apiUrl) .defaultToolAdd(clientProvider) // 添加为默认工具 .build(); ReActAgent agent = ReActAgent.of(chatModel); 为 ReActAgent 赋能： ChatModel chatModel = ChatModel.of(apiUrl) .build(); ReActAgent agent = ReActAgent.of(chatModel) .defaultToolAdd(clientProvider) //添加为默认工具 .build(); 三、生产级的稳健性 在生产环境下，连接的稳定性与响应速度至关重要： 自愈能力：内置心跳检测（Ping），链路断开自动重连，确保 Agent 永不失联。 高性能缓存：支持工具列表与资源元数据缓存，减少网络开销，让 AI 响应“秒开”。 多通道支持：无论是跨进程的 STDIO 模式，还是跨网络的 STREAMABLE 模式，Solon-AI 都能丝滑切换。 Skill 赋能：通过 MCP 获取的原语可直接转化为 Solon AI Skills，构建高度模块化的 Agent 技能树。 四、借助 Skills 实现智能加载（智能分发） 通过 Solon AI Skills 的智能路由，你可以避免模型因工具过多而产生幻觉，同时注入本地业务指令。 import org.noear.solon.ai.chat.skill.Skill; import org.noear.solon.ai.chat.skill.SkillDesc; import org.noear.solon.ai.mcp.McpChannel; import org.noear.solon.ai.mcp.client.McpClientProvider; public class McpSkillDemo { public void test() { // 1. 创建 MCP 客户端，从远端获取工具生态 // 这里假设远端 Server 提供了如 "restart_server", "query_log" 等运维工具 McpClientProvider devopsMcpProvider = McpClientProvider.builder() .channel(McpChannel.STREAMABLE) .url("http://devops-center:8080/mcp") .build(); // 2. 使用 SkillDesc 将 MCP 工具集包装成一个“智能运维技能” Skill devopsSkill = SkillDesc.builder("devops-skill") .description("高级运维管理技能，支持服务器状态查询与故障处理") // 智能分发：只有当用户提问包含“服务器”、“重启”、“日志”时才激活此技能 .isSupported("服务器", "重启", "日志", "负载") // 动态指令：为技能注入特殊的 System Prompt 引导 .instruction(prompt -> { return "你现在是一名高级架构师。在执行重启操作前，请务必确认操作人的权限。"; }) // 挂载工具：核心一步！直接将 MCP 获取的所有工具注入到该技能中 .toolAdd(devopsMcpProvider) // 钩子函数：当技能被挂载到会话时触发逻辑（如：记录审计日志） .onAttach(prompt -> { System.out.println("检测到运维相关指令，DevOps 技能已就绪..."); }) .build(); // 3. 应用技能：将技能交给 Agent ChatModel chatModel = ChatModel.of(apiUrl).build(); ReActAgent agent = ReActAgent.of(chatModel) .defaultSkillAdd(devopsSkill) // 添加包装后的技能 .build(); // 此时 Agent 只有在聊到运维话题时，才会通过 MCP 协议去调用对应的远端工具 agent.prompt("帮我查一下 server-01 的负载情况").call(); } } 五、 Solon-AI + MCP 的典型场景 场景 A：企业私有数据助手 通过 Solon-AI 构建一个 MCP Server，将企业的 ERP、CRM 系统通过 @ResourceMapping 暴露。AI 助手可以直接读取实时业务数据，而无需你手动编写复杂的数据抓取逻辑。 场景 B：跨语言工具链整合 你的团队可能有用 Python 写的算法脚本，现在只需将其包装成一个 MCP Server，Solon-AI 的客户端就能通过标准协议调用它，打破 Java 与 Python 的隔离。 场景 C：智能 IDE 与本地自动化 利用 Solon-AI 的 STDIO 通道，你可以编写 Java 程序作为本地插件，直接接入 Claude Desktop 或其他支持 MCP 的编辑器，实现用自然语言操控本地系统。 六、 开启你的 MCP 之旅 Solon-AI 不仅仅是在追赶趋势，它正在重新定义 Java 开发 AI 应用的体验。轻量、强大、兼容 Java 8 到 Java 25，这就是 Solon-AI。