最近在腾讯云edgeone的直播中了解到了MCP，随着了解发现MCP确实是一个未来发展的趋势
MCP：全称 Model Context Protocol 是一种专为人工智能模型设计的通信协议，于2024年11月由Anthropic推出的开放标准。它旨在解决复杂AI系统中多个模型或组件之间的协同、状态管理和资源优化问题，以及AI应用与外部数据源和工具集成中的挑战。
MCP 是一个开放协议，用于标准化应用程序向大语言模型提供上下文的方式。它类似 AI 应用的 USB–C 端口，MCP 连接 AI 模型与不同数据源和工具，能帮助构建基于大语言模型的智能体和复杂工作流，。MCP 具有一系列预构建的集成、可灵活切换 LLM 提供商和遵循客户端 – 服务器架构等特点。
访问地址：https://modelcontextprotocol.io/introduction
github：https://github.com/modelcontextprotocol
解决了什么问题：传统上，AI模型与外部数据源的集成需要为每个数据源开发自定义接口，既耗时又容易出错。MCP通过提供一个统一协议，简化了这一过程，开发者可以轻松连接到多个数据源，而无需重复编写代码。这减少了开发复杂性，并降低了维护和安全风险。
功能
- 上下文状态管理
- 动态上下文传递：允许模型在处理请求时保留和共享关键信息（如用户历史对话、当前任务状态），确保连贯性。
- 版本控制：管理不同模型版本的上下文兼容性，避免因升级导致的逻辑冲突。
- 分布式处理：支持跨服务器、跨设备并行处理，降低延迟并提高吞吐量。
- 数据隔离：通过加密通道和访问控制确保敏感数据（如用户隐私信息）仅在授权范围内流动。
- 审计日志：记录模型交互轨迹，便于合规性检查和责任追溯。
- 缓存机制：对高频查询结果进行缓存，减少重复计算。
- 模块化设计：支持插件式扩展（如新增自定义指令处理器或集成特定工具API）。
- 多模态支持：原生适配文本、图像、音频等多种数据格式，简化多模态应用开发。
- 上下文融合：将物流结果与用户历史偏好（如偏爱快递公司A）结合，生成个性化回复。
- 反馈闭环：记录用户对回复的满意度，动态优化后续响应策略。
组件
- ContextManager：管理用户会话上下文（历史消息、订单号、偏好等）。
- IntentClassifier：自然语言理解模型，识别用户意图（如查询订单、投诉建议）。
- ServiceRouter：根据意图路由到对应服务（如订单查询API、天气查询模型）。
- DialoguePolicy：对话策略模型，决定回复策略（如确认信息、追问细节）。
源码：https://github.com/modelcontextprotocol/java-sdk
源码大家可以拉下来看看做了解，这里偶遇一篇讲MCP Java SDK源码的文章：https://www.51cto.com/article/810408.html
MCP Server 平台 ： https://mcp.so/zh
案例：10分钟搞定高德地图MCP！我用AI解决了约会地点选择难题 ，这个案例虽然不是java实现的，但是也很值得大家了解和学习，这个类似的demo我在腾讯云edgeone的直播中有看到相似的案例
在了解MCP信息浏览github时发现一个项目有记录MCP相关
https://github.com/punkpeye/awesome-mcp-servers/blob/main/README-zh.md
检索java相关发现有个 spring-ai-mcp
点进来就到了spring ai 文档中了，原先用过spring ai 调用本地大模型进行聊天，刚好有所了解
开始spring ai的mcp
首先电脑需要有 npx 环境 ，如果没有自行百度进行安装
在 MCP Server 平台。找一个现成的server进行使用
找一个操作文件的server
找到NPX留着备用
初始化项目
pom文件
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>org.yxy</groupId> <artifactId>spring-ai-mcp</artifactId> <version>1.0-SNAPSHOT</version> <packaging>jar</packaging> <name>spring-ai-mcp</name> <url>http://maven.apache.org</url> <properties> <java.version>17</java.version> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> </properties> <dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> <version>3.2.4</version> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId> <version>1.0.0-M6</version> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-ollama-spring-boot-starter</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-test</artifactId> <scope>test</scope> <version>3.2.4</version> </dependency> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>3.8.1</version> <scope>test</scope> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <configuration> <source>8</source> <target>8</target> </configuration> </plugin> </plugins> </build> <dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>1.0.0-M6</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> </project>application.yml
配置文件 ollama 配置的我原先本地部署的千问模型 大家自行更改
还有就是一个mcp的配置，需要指定mcpsevers的json文件
spring: application: name: spring-ai-mcp ai: ollama: base-url: http://localhost:11434 chat: options: model: qwen2.5-coder:7b mcp: client: enabled: true name: mcp-client version: 1.0.0 type: SYNC request-timeout: 30s stdio: servers-configuration: classpath:/mcp-servers-config.jsonmcp-servers-config.json
我这里是使用的操作文件的server，大家想测试其他的只需要在这个配置文件进行配置
而我这里是windows上使用，所以将MCP Server 平台复制过来的命令做了个调整
{ "mcpServers": { "filesystem": { "command": "cmd", "args": [ "/c", "npx", "-y", "@modelcontextprotocol/server-filesystem", "F:\\web" ] } } }OllamaController
package org.yxy.controller; import jakarta.annotation.Resource; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.mcp.SyncMcpToolCallbackProvider; import org.springframework.ai.ollama.OllamaChatModel; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; @RestController public class OllamaController { @Resource private OllamaChatModel ollamaChatModel; @Resource private SyncMcpToolCallbackProvider toolCallbackProvider; @GetMapping("/ai/ollama") public String ollama(@RequestParam(value = "msg") String msg) { ChatClient chatClient = ChatClient.builder(ollamaChatModel) .defaultTools(toolCallbackProvider.getToolCallbacks()) .build(); String content = chatClient.prompt(msg).call().content(); System.out.println(content); return content; } }运行后浏览器直接访问
如果半天没有响应大家稍等下，本地环境有限，会有点慢
简易版demo已实现了，进行下一步
当我们配置的type是同步使用时就使用同步的依赖，这个可以在多client时进行使用
所有注册的MCP工具通过ToolCallbackProvider实例以ToolCallback列表的形式提供
就是我们这里的demo使用的是操作file的Server，这里可以看到其提供的工具
我让其帮我创建一个文件夹
在我打断点请求查看时发现创建成功了
这里的toolCallbackProvider.getToolCallbacks()[9]是 list_allowed_directories方法所在数组中的位置，本想查看来着，结果创建成功了
Java开发的就业市场正在经历结构性调整，竞争日益激烈
传统纯业务开发岗位（如仅完成增删改查业务的后端工程师）的需求，特别是入门级岗位，正显著萎缩。随着企业技术需求升级，市场对Java人才的要求已从通用技能转向了更深入的领域经验（如云原生、微服务）或前沿的AI集成能力。这也导致岗位竞争加剧，在一、二线城市，求职者不仅面临技术内卷，还需应对学历与项目经验的高门槛。
大模型为核心的AI领域正展现出前所未有的就业热度与人才红利
2025年，AI相关新发岗位数量同比激增543%，单月增幅最高超过11倍，大模型算法工程师位居热门岗位前列。行业顶尖人才的供需严重失衡，议价能力极强，跳槽薪资涨幅可达30%-50%。值得注意的是，市场并非单纯青睐算法研究员，而是急需能将大模型能力落地于复杂业务系统的工程人才。这使得具备企业级架构思维和复杂系统整合经验的Java工程师，在向“Java+大模型”复合人才转型时拥有独特优势，成为企业竞相争夺的对象，其薪资天花板也远高于传统Java岗位。
说真的，这两年看着身边一个个搞Java、C++、前端、数据、架构的开始卷大模型，挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis，稳稳当当过日子。
结果GPT、DeepSeek火了之后，整条线上的人都开始有点慌了，大家都在想：“我是不是要学大模型，不然这饭碗还能保多久？”
先给出最直接的答案：一定要把现有的技术和大模型结合起来，而不是抛弃你们现有技术！掌握AI能力的Java工程师比纯Java岗要吃香的多。
即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地！大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇！
如何学习AGI大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取
2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**
一、2025最新大模型学习路线
一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。
我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。
L1级别:AI大模型时代的华丽登场
L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。
L2级别：AI大模型RAG应用开发工程
L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3级别：大模型Agent应用架构进阶实践
L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。
L4级别：大模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。
二、大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）
三、大模型视频教程
对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。
四、大模型项目实战
学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。
五、大模型面试题
面试不仅是技术的较量，更需要充分的准备。
在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取
2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享
