翻译自官方文档：https://modelcontextprotocol.io/docs/learn/architecture

本模型上下文协议 (MCP) 概述讨论了其范围和核心概念，并提供了一个示例来演示每个核心概念。由于 MCP SDK 抽象掉了许多细节，大多数开发者可能会发现数据层协议部分最有用。它讨论了 MCP 服务器如何向 AI 应用程序提供上下文。有关具体的实现细节，请参考您所用编程语言的 SDK的文档。

范围

模型上下文协议包括以下方面：

• MCP 规范：概述客户端和服务器实现要求的 MCP 规范。
• MCP SDK：用于实现 MCP 的不同编程语言的 SDK。
• MCP 开发工具：用于开发 MCP 服务器和客户端的工具，包括 MCP Inspector。
• MCP 参考服务器实现：MCP 服务器的参考实现。

MCP 仅关注上下文交换的协议——它并不规定 AI 应用程序如何使用 LLM 或管理所提供的上下文。

翻译自官方文档：https://modelcontextprotocol.io/docs/getting-started/intro

什么是模型上下文协议 (MCP)？

模型上下文协议 (MCP) 是一个用于将 AI 应用连接到外部系统的开放协议标准。

通过 MCP，像 Claude 或 ChatGPT 这样的 AI 应用可以连接到数据源（例如本地文件、数据库）、工具（例如搜索引擎、计算器）和工作流（例如专用提示）——使它们能够访问关键信息并执行任务。

可以把 MCP 想象成 AI 应用的 USB-C 接口。正如 USB-C 为电子设备提供标准化的连接方式一样，MCP 为 AI 应用与外部系统的连接提供了标准化方式。

目录结构

一个 skill 是一个至少包含一个 SKILL.md文件的目录：

1
2
3
4
5
6

技能名称/
├── SKILL.md          # 必需：元数据 + 使用说明
├── scripts/          # 可选：可执行代码脚本
├── references/       # 可选：参考文档
├── assets/           # 可选：模板、资源
└── ...               # 任何其他文件或目录

官方文档：https://agentskills.io/what-are-skills

什么是skills

智能体技能是一种轻量级的开放式格式，旨在通过专业知识和工作流来扩展人工智能智能体的能力。
其核心是一个包含SKILL.md文件的文件夹。此文件至少包含元数据（至少包括name和description）和指导智能体如何执行特定任务的指令。技能还可以捆绑脚本（scripts）、模板（templates）和参考资料（references）。

空间创建

创建工程文件夹（如 dev_langchain），并激活虚拟依赖

1
2
3
4
5
6
7
8

# 创建工程文件夹
mkdir dev_langchain

# 处理虚拟依赖
cd dev_langchain
python -m venv langchain_env
# 激活依赖，以windows PowerShell为例
.\langchain_env\Scripts\Activate.ps1

什么是模型上下文协议 (MCP)？

模型上下文协议（Model Context Protocol，MCP） 是一种标准化协议，使 AI 模型能够以结构化的方式与外部工具和资源进行交互。可以将其视为 AI 模型与现实世界之间的桥梁——允许模型通过一致的接口访问数据库、API、文件系统和其他外部服务。它支持多种传输机制，以适应不同环境下的灵活性需求。

MCP Java SDK 提供了模型上下文协议的 Java 实现，支持通过同步和异步通信模式与 AI 模型及工具进行标准化交互。

Spring AI 通过专用的 Boot Starters 和 MCP Java 注解，全面拥抱 MCP，使得构建能够无缝连接外部系统的复杂 AI 驱动应用程序变得前所未有的简单。这意味着 Spring 开发者可以参与 MCP 生态系统的两端——构建消费 MCP 服务器的 AI 应用程序，以及创建向更广泛的 AI 社区暴露基于 Spring 的服务的 MCP 服务器。使用 Spring Initializer 快速启动带有 MCP 支持的 AI 应用程序。

概述

大型语言模型（LLM）是无状态的，这意味着它们不会保留之前交互的信息。当你希望在多次交互中保持上下文或状态时，这可能是一个限制。为了解决这个问题，Spring AI 提供了聊天记忆（Chat Memory）功能，允许你在与 LLM 的多次交互中存储和检索信息。

ChatMemory 抽象允许你实现各种类型的记忆，以支持不同的使用场景。消息的底层存储由 ChatMemoryRepository 处理，其唯一职责是存储和检索消息。ChatMemory 的实现负责决定保留哪些消息以及何时删除它们。策略示例包括：保留最近 N 条消息、保留一段时间内的消息，或将消息限制在一定的 token 数量以内。

概述

提示词（Prompts）是引导 AI 模型生成特定输出的输入内容，这些提示词的设计和措辞会显著影响模型的响应。

在 Spring AI 中，与 AI 模型交互的最低层级上，处理提示词的方式有些类似于在 Spring MVC 中管理”视图（View）”。这涉及创建包含动态内容占位符的大量文本，然后根据用户请求或应用程序中的其他代码来替换这些占位符。另一个类比就是包含占位符的 SQL 语句。

随着 Spring AI 的发展，它将引入更高层次的抽象来简化与 AI 模型的交互。本节描述的基础类在角色和功能上可以类比为 JDBC：

• ChatModel 类类似于 JDK 中的核心 JDBC 库。
• ChatClient 类可以类比为 JdbcClient，构建在 ChatModel 之上，通过 Advisor 提供更多高级构造，用于考虑与模型的过去交互、用额外的上下文文档增强提示词，以及引入代理行为。

提示词的结构在 AI 领域随着时间的推移不断演进。最初，提示词只是简单的字符串。后来，它们逐渐包含了特定输入的占位符，例如 AI 模型能识别的 “USER:”。OpenAI 通过将多个消息字符串在处理前按不同角色进行分类，为提示词引入了更结构化的形式。

概述

大语言模型（LLM）生成结构化输出的能力，对于依赖可靠解析输出值的下游应用至关重要。开发者希望能够快速将 AI 模型的输出结果转换为 JSON、XML 或 Java 类等数据类型，以便传递给其他应用函数和方法使用。

Spring AI 的结构化输出转换器（Structured Output Converters） 帮助将 LLM 输出转换为结构化格式。如下图所示，这种方式围绕 LLM 文本补全端点（text completion endpoint）运作：

使用通用补全 API 从大语言模型（LLM）生成结构化输出，需要对输入和输出进行谨慎处理。结构化输出转换器在 LLM 调用前后都扮演着关键角色，确保最终获得期望的输出结构。

概述

测试 AI 应用需要对生成的内容进行评估，以确保 AI 模型没有产生幻觉（hallucinated）响应。
一种评估响应的方法是使用 AI 模型本身进行评估，选择最适合评估的 AI 模型，它可能与用于生成响应的模型不同。

Evaluator 接口

Spring AI 用于评估响应的接口是 Evaluator，定义如下：

1
2
3
4
5
6

public interface Evaluator {

    EvaluationRequest createEvaluationRequest(String userText, List<String> dataList, String responseContent);

    EvaluationResponse evaluate(EvaluationRequest evaluationRequest);
}