新闻详情

新闻详情

首页 / 资讯中心 / 详情

MCP Server Java 开发框架体验比较:spring ai mcp 与 solon ai mcp 配 TaoToken 的配置骨架

发布时间:2026/11/18 2:32:14来源:尧图网络
MCP Server Java 开发框架体验比较:spring ai mcp 与 solon ai mcp 配 TaoToken 的配置骨架
1. 为什么 Java 开发者搭 MCP Server 会卡在“接哪条通道”MCP Server 说白了就是把你已有的 Java 能力查库、调接口、算指标包装成 AI 客户端能调用的工具。spring ai mcp 和 solon ai mcp 这两个框架把“声明工具、暴露端点”这件事做得足够简单真正让人卡住的往往不是注解怎么写而是工具跑起来之后AI 侧怎么稳定地拿到模型能力、Key 放哪、多个客户端怎么共用一套凭证。我这次用同一个天气查询工具分别用两个框架各搭一遍重点不在比谁注解少而在把 TaoToken 作为统一的 Key/API 通道接进去让 MCP Server 只负责“工具”模型调用统一走一个入口。这样你换客户端、换模型、加同事协作时不用到处改配置。适合谁看写过 Spring Boot、想给自己的 Java 服务加一个 MCP 工具端点的后端或者用 Solon/JFinal/Vert.x 这类轻量框架、JDK 还停在 8 的团队。读完你能拿到两份可复制的配置骨架、一套 CC Switch 切换步骤以及启动后验证连通性的具体动作。先说结论方向spring ai mcp 更贴 Spring 生态、配置走 yamlsolon ai mcp 更轻、JDK8 就能上、单服务支持多端点。两者都能通过 TaoToken 统一收口模型通道差别主要在工程习惯。2. 前置准备TaoToken 统一 Key 与通道在写任何 MCP 代码之前先把“模型通道”这件事定下来。TaoToken 在这里的角色是统一入口你申请一个 KeyMCP Server 和各类 AI 客户端都指向同一个 API 地址不用为每个工具单独配一套凭证。你需要做三件事第一拿到 Key。登录控制台在 API Keys 页面创建一个新 Key复制保存。地址是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 创建后只显示一次建议直接存进密码管理器。第二记住 API 基地址。所有请求走 https://taotoken.net/api 注意这个地址不带任何查询参数配置里原样填即可。第三想清楚你要接的是哪类能力。如果只是验证 MCP Server 能不能被模型调用用模型对话页面手动发一条请求最快如果是长期跑编码类 Agent建议单独看 Coding Plan额度模型不一样。模型对话入口在 https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite Coding Plan 在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。注意Key 不要硬编码进提交到 Git 的配置文件。用环境变量或本地未跟踪的配置文件承载后面配置骨架里我会用占位符标出来。这一步做完你手里应该有一个 Key 和一个基地址接下来两个框架的配置都围绕它们展开。3. spring ai mcp依赖、配置与 ToolCallbackProviderspring ai mcp 要求 JDK17 及以上配置走 Spring 的 yaml 体系工具通过Tool声明再用ToolCallbackProvider发布出去。先加依赖版本号和你的 Spring Boot 各自独立别被 Boot 版本带偏dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-mcp-server-spring-boot-starter/artifactId version1.0.0-M6/version /dependency然后在application.yml里给服务端点命名并把模型通道指向 TaoTokenspring: ai: mcp: server: name: weather-mcp-server version: 1.0.0 openai: base-url: https://taotoken.net/api api-key: ${TAOTOKEN_API_KEY} chat: options: model: gpt-4o-mini这里base-url填 TaoToken 的 API 地址api-key用环境变量注入启动前export TAOTOKEN_API_KEY你的Key即可。模型名按你实际开通的填别照抄。工具类本身很直白一个注解一个方法Service public class WeatherService { Tool(description 查询指定城市的天气预报) public String getWeather(ToolParam(description 城市名称) String location) { return location 晴14度; } }再写一个配置类把它发布成ToolCallbackProviderConfiguration public class McpConfig { Bean ToolCallbackProvider weatherTools(WeatherService weatherService) { return MethodToolCallbackProvider.builder() .toolObjects(weatherService) .build(); } }启动后MCP Server 会把getWeather暴露成一个可调用工具。spring ai mcp 的端点在一个服务内基本就是一个工具多了靠方法聚合这点和 solon 的多端点思路不同。4. solon ai mcpJDK8 起步与多端点写法solon ai mcp 的门槛更低JDK8 就能跑也能集成进 Spring Boot2、JFinal、Vert.x。它的写法接近 MVC一个类就是一个端点天然支持多端点。依赖版本跟随 solon 主线dependency groupIdorg.noear/groupId artifactIdsolon-ai-mcp/artifactId version3.2.0/version /dependency工具类用McpServerEndpoint标端点ToolMapping标方法McpServerEndpoint(name mcp-weather, sseEndpoint /weather/sse) public class WeatherTool { ToolMapping(description 查询指定城市的天气预报) public String getWeather(ToolParam(description 城市名称) String location) { return location 晴14度; } }多端点的好处在这里体现得很直接你可以再写一个类端点换成/map/sse放一组地图工具同一个服务里两组工具互不干扰不同场景的客户端各连各的。模型通道同样指向 TaoTokensolon 的配置可以放在app.ymlsolon: ai: openai: baseUrl: https://taotoken.net/api apiKey: ${TAOTOKEN_API_KEY} model: gpt-4o-mini如果你更习惯用config.toml管理本地配置可以这样写一份骨架把 Key 和地址集中在一处[taotoken] base_url https://taotoken.net/api api_key env:TAOTOKEN_API_KEY [mcp.weather] endpoint /weather/sse name mcp-weather [mcp.map] endpoint /map/sse name mcp-mapenv:前缀表示从环境变量读取避免明文落盘。这份 toml 只是本地约定你按自己项目的配置加载方式接进去即可。5. CC Switch 切换与 settings.json 配置骨架如果你用 Claude Code 这类客户端连 MCP Server切换通道和端点靠的是配置文件。CC Switch 的作用就是在多套配置之间快速切换不用手改文件。先给一份settings.json骨架把 TaoToken 通道和 MCP Server 端点都放进去{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: env:TAOTOKEN_API_KEY }, mcpServers: { weather: { url: http://localhost:8080/weather/sse }, map: { url: http://localhost:8080/map/sse } } }切换步骤按这个顺序走第一步确认 MCP Server 已经启动本地端口能访问。spring ai mcp 默认端口看你的server.portsolon 看server.port配置两边都别忘。第二步在 CC Switch 里新建一个 profile把上面的settings.json内容贴进去Key 用环境变量引用。第三步切换到该 profile重启客户端。客户端会读取mcpServers里的端点并尝试建立 SSE 连接。第四步如果同时连了 weather 和 map 两个端点确认它们分别对应 solon 的两个McpServerEndpoint或者 spring 侧聚合后的工具列表。提示ANTHROPIC_BASE_URL指向 TaoToken 的 API 地址这样客户端侧的模型调用也统一走同一个通道和 MCP Server 内部的模型调用保持一致排查问题时只看一个出口。6. 启动后验证 MCP Server 连通性的具体动作配置写完不算完得实际验证工具能被调用。按下面几步走每一步都有明确的观察点。第一步启动服务看日志里有没有端点注册成功的记录。spring ai mcp 会打印工具注册信息solon 会打印McpServerEndpoint的绑定路径。如果日志里没有/weather/sse说明端点没生效先查注解和包扫描路径。第二步用 curl 直接探端点确认 SSE 通道活着curl -N http://localhost:8080/weather/sse正常会保持连接并返回事件流。如果立刻断开或 404检查端口和路径拼写solon 的sseEndpoint是完整路径别漏了前缀。第三步在模型对话页面发一条请求让它调用天气工具。入口在 https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 把工具描述贴进去观察返回里有没有触发getWeather。这一步验证的是“模型能识别并调用你的工具”。第四步回到客户端在对话里问“北京天气怎么样”看它是否通过 MCP 端点拿到晴14度。如果模型答非所问多半是工具描述不够清楚把Tool或ToolMapping的 description 写具体些。第五步如果同时挂了两个端点分别问一个天气问题和一个地图问题确认两组工具互不串台。solon 多端点的优势在这一步能直接看出来。7. 本篇常见错排查端点 404 或连接被拒。先确认服务真的起来了再看路径。spring ai mcp 的端点路径由 starter 决定别自己猜solon 的sseEndpoint是你写的完整路径注意大小写。Key 读取不到。环境变量名要和配置里引用的完全一致TAOTOKEN_API_KEY别写成TAOTOKEN_KEY。用env:前缀的配置确认加载器支持这个语法不支持就换成运行时注入。模型调用返回鉴权失败。检查base-url是不是https://taotoken.net/api注意不要多加斜杠或路径。Key 有没有多余空格复制时容易带上换行。工具没被模型识别。描述太笼统是主因。把“查询天气”改成“查询指定城市的当前天气预报输入城市中文名”模型命中率会明显上升。JDK 版本不匹配。spring ai mcp 要 JDK17编译报错先看maven.compiler.sourcesolon 支持 JDK8但如果你项目里混了高版本依赖也可能起不来用mvn dependency:tree排一下。多端点只生效一个。solon 多端点要求每个类独立标注且路径不重复检查有没有两个类写了同一个sseEndpoint。spring 侧本身单端点工具靠方法聚合别指望它按路径分组。排障时如果怀疑是通道问题直接去接入文档对照一遍参数https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。文档里的字段名和本篇配置骨架是对应的逐项核对比反复重启快。8. 通道收口之后选框架就看工程习惯两个框架跑通之后我的实际感受是spring ai mcp 适合已经在 Spring 体系里的项目配置统一走 yaml工具发布走ToolCallbackProvider和现有 Bean 管理无缝solon ai mcp 适合轻量服务或 JDK8 团队一个类一个端点多端点分组清晰写起来像 MVC。真正让这两套方案能长期跑下去的是模型通道有没有收口。把 Key 和 API 地址统一到 TaoToken 之后MCP Server 只管工具逻辑客户端只管连端点换模型、加同事、切环境都只动一处配置。你可以先把天气工具跑通再照着多端点的方式加第二组工具验证一下自己的工程结构撑不撑得住。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉