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。
