企业官网建设流程全解析

1. 为什么要在 Spring AI 里用 MCP 接天气预报

如果你正在用 Spring AI 做 Java 后端的大模型应用，大概率会遇到一个很现实的问题：模型本身不知道今天长沙多少度、明天北京下不下雨，而你又不想把天气查询逻辑硬编码进业务代码里。MCP（Model Context Protocol，模型上下文协议）就是来解决这类"外部能力接入"问题的——它把工具调用标准化，让大模型通过统一协议发现并调用你注册的工具方法，不用为每个工具写一套定制化的函数调用代码。

Spring AI 从 1.1.x 开始原生支持 MCP，服务端自动注册、客户端自动发现、工具一键绑定，Java 开发者用几个注解就能把普通业务方法变成 MCP 标准工具。这篇聚焦一个具体场景：用 Spring AI + MCP 协议做一个天气预报工具插件，同时把大模型通道统一走 TaoToken 的 Key 和 API 地址，避免在多个模型供应商之间来回切换配置。适合已经写过 Spring Boot、想快速把 MCP 工具链路跑通的 Java 后端开发者。

整篇的节奏是：先讲清楚 MCP 服务端和客户端各自要做什么，再给出 TaoToken 统一 Key 的 config.toml 配置骨架，然后是服务端工具注册、客户端调用链路的可复制配置，最后用一次本地启动验证确认插件能被正常发现和调用。你跟着做，能拿到一个可运行的天气预报 MCP 插件骨架。

2. TaoToken 前置：统一 Key 与 API 通道准备

在动手写 MCP 代码之前，先把大模型通道这块理清楚。MCP 客户端最终是要调用大模型的，而大模型调用需要一个稳定的 API 入口和 Key。TaoToken 在这里扮演的角色是统一 Key 和 API 通道——你不用为每个模型单独维护一套 base-url 和 key，而是通过一个统一的入口来管理。

你需要先拿到一个可用的 API Key。登录 TaoToken 官网（https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=），进入控制台创建 API Key：

• 控制台入口：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console
• API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys

创建好 Key 之后，API 的基础地址是https://taotoken.net/api（注意这个地址不加 UTM 参数，直接用于代码里的 base-url）。这个地址兼容 OpenAI 风格的接口，所以 Spring AI 的spring-ai-starter-openai可以直接对接，只需要把 base-url 指过来、api-key 换成你的 TaoToken Key 即可。

注意：MCP 工具调用依赖大模型的 Function Calling 能力，选模型时要确认它支持函数调用，否则工具不会被触发。你可以在模型对话页面先验证一下模型是否正常响应：https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat

如果你后续要做长期的编码或 Agent 类任务，可以考虑 Coding Plan，它更适合持续性的开发场景：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan

3. config.toml 配置骨架与 MCP 服务端搭建

3.1 config.toml 配置骨架

很多 MCP 客户端（包括一些 IDE 和命令行工具）用config.toml来声明 MCP 服务端。下面是一个可直接复用的骨架，把天气预报 MCP 服务端以 stdio 方式注册进去，同时把大模型通道指向 TaoToken：

# config.toml - MCP 客户端配置骨架 # 大模型通道：统一走 TaoToken [llm] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoTokenKey" model = "gpt-4o-mini" # 换成你账号下支持 Function Calling 的模型 temperature = 0.1 # MCP 服务端注册：天气预报插件（stdio 方式） [mcp_servers.weather] command = "java" args = [ "-Dfile.encoding=UTF-8", "-Dsun.jnu.encoding=UTF-8", "-jar", "D:/springboot-ai-mcp-server-0.0.1-SNAPSHOT.jar" ] enabled = true # 可选：SSE 方式注册（开发调试用） [mcp_servers.weather_sse] url = "http://localhost:8088/sse" enabled = false

这个骨架里有两块关键信息：[llm]段负责大模型通道，base_url指向 TaoToken 的 API 地址；[mcp_servers.weather]段负责把天气预报 MCP 服务端注册进来，stdio 方式适合本地 jar 直接拉起，SSE 方式适合服务端已经独立跑起来、通过 HTTP 长连接接入的场景。

3.2 MCP 服务端 pom.xml

服务端的职责是把普通 Java 方法封装成 MCP 标准工具。先建一个 Maven 项目，pom.xml 核心依赖如下：

<parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>3.5.11</version> </parent> <properties> <java.version>17</java.version> <spring-ai.version>1.1.4</spring-ai.version> </properties> <dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>${spring-ai.version}</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-mcp-server-webmvc</artifactId> </dependency> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <optional>true</optional> </dependency> </dependencies>

版本这块要卡死：Spring Boot 3.5.11 配 Spring AI 1.1.4，JDK 17 起步。版本错配最常见的表现是自动配置类不生效，启动时看不到 MCP 相关 Bean。

3.3 服务端 application.yml

服务端支持两种传输方式，stdio 适合被客户端以子进程方式拉起，SSE 适合独立部署。SSE 方式的配置：

server: port: 8088 spring: application: name: springboot-ai-mcp-server main: web-application-type: servlet ai: mcp: server: enabled: true name: "天气预报 MCP 插件" version: "1.0.0" type: async sse-endpoint: /sse sse-message-endpoint: /mcp/message logging: level: org.springframework.ai.mcp: DEBUG

stdio 方式则把web-application-type设为none，并加上stdio: true，同时把控制台日志关掉，避免日志污染 stdio 通道。

3.4 自定义 MCP 工具

核心代码就一个类，用@Tool和@ToolParam注解把方法暴露成 MCP 工具：

@Component @Slf4j public class WeatherMcpTool { private final WeatherService weatherService; public WeatherMcpTool(WeatherService weatherService) { this.weatherService = weatherService; } @Tool( name = "get_current_weather", description = """ 获取指定城市的实时天气信息，包括当前温度、湿度、风速、天气描述。 适用场景：用户询问"现在某地天气怎么样"、"某地热不热"时调用。 """ ) public String getCurrentWeather( @ToolParam(description = "城市名称，支持中文或英文，例如：北京、长沙、London") String city ) { log.info("[MCP Tool] 收到调用请求，city={}", city); WeatherResponse weather = weatherService.getWeather(city); return weather.toSummary(); } }

工具描述要写清楚，大模型是靠 description 判断要不要调用、怎么传参的。描述模糊，工具大概率不会被触发。

3.5 注册工具回调

再写一个配置类，把工具对象注册成ToolCallbackProvider：

@Configuration public class McpServerConfig { @Bean public ToolCallbackProvider weatherTools(WeatherMcpTool weatherMcpTool) { return MethodToolCallbackProvider.builder() .toolObjects(weatherMcpTool) .build(); } }

启动类就是标准 Spring Boot 启动类，启动后访问http://localhost:8088/sse能看到 SSE 长连接建立，说明服务端正常。

4. MCP 客户端接入与调用链路

4.1 客户端 pom.xml

客户端负责对接服务端、自动发现工具、绑定到 ChatClient。核心依赖：

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

4.2 客户端 application.yml

这里把大模型通道指向 TaoToken，MCP 客户端通过 stdio 拉起服务端 jar：

server: port: 8080 spring: application: name: springboot-ai-mcp-client ai: openai: api-key: sk-你的TaoTokenKey base-url: https://taotoken.net/api chat: options: model: gpt-4o-mini temperature: 0.1 mcp: client: toolcallback: enabled: true transports: - type: stdio command: java args: - -jar - D:/springboot-ai-mcp-server-0.0.1-SNAPSHOT.jar logging: level: org.springframework.ai.mcp: DEBUG org.springframework.ai.tool: DEBUG

base-url指向 TaoToken 的 API 地址，api-key换成你在控制台创建的 Key。MCP 客户端启动时会自动连接服务端、拉取工具列表。

4.3 对话接口

写一个 Controller，把 MCP 工具回调绑定到 ChatClient：

@RestController public class WeatherController { private final ChatClient chatClient; public WeatherController(ChatClient.Builder builder, SyncMcpToolCallbackProvider mcpToolProvider) { this.chatClient = builder .defaultToolCallbacks(mcpToolProvider.getToolCallbacks()) .build(); } @GetMapping("/weather") public String queryWeather(@RequestParam String city) { return chatClient.prompt() .user(""" 查询 "%s" 的实时天气。 必须调用 get_current_weather 工具，不要用自身知识回答。 工具返回后直接原样返回结果。 """.formatted(city)) .call() .content(); } }

SyncMcpToolCallbackProvider会自动把服务端发现的工具注入进来，defaultToolCallbacks绑定后，大模型在对话中就能自动判断并调用。

5. 本地启动验证与成功结果

启动顺序很重要：先起服务端，确认 8088 端口正常，再起客户端。客户端启动日志里如果能看到 MCP 工具发现相关的 DEBUG 输出，说明工具已经被拉取到了。

然后访问：

curl "http://localhost:8080/weather?city=长沙"

预期返回类似：

长沙当前的天气为26℃，多云，南风3级，湿度68%。

如果返回的是模型自己编的天气，说明工具没被调用。这时候去看客户端日志里有没有get_current_weather的调用记录，以及服务端日志里有没有[MCP Tool] 收到调用请求。两边日志对上了，链路就通了。

你也可以在模型对话页面单独验证模型通道是否正常：https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat

6. 本篇常见错排查

工具没被调用，模型直接回答：最常见的原因是模型不支持 Function Calling，或者工具 description 写得太模糊。先确认模型支持函数调用，再把 description 写具体，明确适用场景。

客户端启动报连接失败：stdio 方式要确认 jar 路径正确、jar 已经 package 过；SSE 方式要确认服务端先起来了、端口没被占用。路径里的反斜杠在 yaml 里要注意转义。

版本冲突导致自动配置失效：Spring AI 1.1.4 必须配 Spring Boot 3.5.x，JDK 17 起步。版本不对会出现 MCP 相关 Bean 找不到的情况。

SSE 连接超时：生产环境要调整 connect-timeout 和 read-timeout，网络波动会导致长连接断开。

工具入参异常：MCP 工具方法内部要做参数校验，大模型可能传过来空值或异常格式，不校验会直接抛异常。

接入相关的文档可以在这里查：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc

7. 继续往下走

天气预报这个例子跑通之后，你可以把同样的骨架套到其他工具上——数据库查询、内部 API 调用、文件操作，都是把方法加上@Tool注解、注册成ToolCallbackProvider就行。MCP 的价值在于工具接入标准化，服务端和客户端解耦，工具换了大模型也不用改调用代码。

如果你要长期做编码或 Agent 类任务，Coding Plan 会更合适：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan

API Key 管理和接入文档分别在这里：

• API Keys：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys
• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc

先把服务端和客户端两个项目跑起来，确认/weather?city=长沙能返回真实天气，再往里面加你自己的工具。链路通了之后，剩下的就是业务逻辑的事。