SpringBoot MCP服务器
使用SpringBoot和SpringAI构建的模型上下文协议（MCP）服务器，通过标准化的协议接口提供AI驱动的工具和资源。
特性
- MCP协议合规性：全面实施模型上下文协议规范
- AI驱动的工具：使用SpringAI进行文本生成和数据分析
- RESTful API：基于HTTP的MCP通信
- 可扩展架构：易于添加新工具和资源
- 生产就绪：基于SpringBoot最佳实践构建
可用工具
1.文本生成(generate_text)
根据提示使用AI生成文本内容。
参数：
prompt（string，必填）：用于生成内容的文本提示maxTokens（整数，可选）：要生成的最大令牌数（默认值：100）
2.光学代码生成器(optic_code_generator)
生成用于数据转换的光学代码片段——灵感来自Rush的许多才能。
参数：
schema（字符串，可选）：在光学代码中使用的模式名称（默认值：“schema”）view（字符串，可选）：在光学代码中使用的视图名称（默认值：“view”）
3.光学代码验证器(verify_optic_code)
验证光学代码的语法和逻辑正确性（叛逆随机验证）。
参数：
optic_code（字符串，必填）：用于验证语法和有效性的光学代码
4.MarkLogic文档助手(marklogic_docs)
帮助您了解MarkLogic文档和指导。
参数：
prompt（string，必填）：描述MarkLogic帮助您所需内容的用户提示
可用资源
mcp://server/info：服务器信息和功能mcp://tools/examples：如何使用可用工具的示例
先决条件
- Java 17或更高版本
- 8.5级或更高
入门指南
1.克隆和构建
./gradlew build2.配置AI（可选）
要启用AI功能，您有几个配置Azure OpenAI凭据的选项：
选项A：使用.env文件（建议用于开发）
创建一个 .env 项目根目录中的文件：
# Azure OpenAI Configuration - Keep this file secret!
AZURE_OPENAI_API_KEY=your-azure-openai-api-key
AZURE_OPENAI_ENDPOINT=https://your-resource-name.openai.azure.com/
AZURE_OPENAI_DEPLOYMENT_NAME=gpt-35-turbo重要提示： 这 .env git会自动忽略该文件，并且不会将其提交到版本控制中。
选项B：使用环境变量
export AZURE_OPENAI_API_KEY=your-azure-openai-api-key
export AZURE_OPENAI_ENDPOINT=https://your-resource-name.openai.azure.com/
export AZURE_OPENAI_DEPLOYMENT_NAME=gpt-35-turbo选项C：直接配置（不建议用于生产）
直接在中设置您的凭据 src/main/resources/application.properties:
spring.ai.azure.openai.api-key=your-azure-openai-api-key
spring.ai.azure.openai.endpoint=https://your-resource-name.openai.azure.com/
spring.ai.azure.openai.chat.options.deployment-name=gpt-35-turbo
spring.ai.azure.openai.chat.options.model=gpt-3.5-turbo3.运行服务器
./gradlew bootRun服务器将于启动 http://localhost:8080
4.测试服务器
检查服务器运行状况：
curl -s http://localhost:8080/mcp/health | jq .获取服务器功能：
curl -s http://localhost:8080/mcp/capabilities | jq .Docker部署
MCP服务器可以使用Docker轻松容器化和部署。该构建使用Spring Boot的Cloud Native Buildpack来优化生产就绪的映像。
1.构建Docker镜像
使用Gradle构建Docker镜像 bootBuildImage 任务：
./gradlew clean bootBuildImage这将创建一个名为的Docker镜像 epic-mcp-server:latest （约293MB）针对x86_64架构进行了优化。
2.从Docker Compose开始
使用Docker Compose启动容器化MCP服务器：
docker compose up或者在后台运行：
docker compose up -d服务器将在以下时间可用 http://localhost:8080
3.测试容器化服务器
容器运行后，使用以下curl命令测试MCP服务器：
检查服务器运行状况
curl -s http://localhost:8080/mcp/health列出可用工具
curl -H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}' \
http://localhost:8080/mcp测试文本生成工具
curl -H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"generate_text","arguments":{"prompt":"Write a haiku about Docker containers","maxTokens":50}}}' \
http://localhost:8080/mcp测试光学代码生成器
curl -H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"optic_code_generator","arguments":{"prompt":"Create optic code to read user profiles from the database"}}}' \
http://localhost:8080/mcp4.停止集装箱
要停止Docker容器：
docker compose down5.替代Docker命令
你也可以直接用Docker运行镜像：
# Run the container directly
docker run -p 8080:8080 epic-mcp-server:latest
# Run in the background
docker run -d -p 8080:8080 --name epic-mcp-server epic-mcp-server:latest
# Stop the container
docker stop epic-mcp-server
docker rm epic-mcp-server当前状态
✅ MCP服务器工作：服务器实现完整的MCP协议，并响应所有工具调用 ✅ 模拟AI响应：工具在未配置AI时提供模拟响应 ⚠️ Azure OpenAI集成：目前提供模拟响应（SpringAI自动配置需要调试）
测试
服务器完全可以进行MCP协议测试。所有工具都适用于模拟响应。MCP工具调用
列出可用工具
curl -s -X POST http://localhost:8080/mcp \
-H "Content-Type: application/json" \
-d '{
"jsonrpc": "2.0",
"id": "1",
"method": "tools/list",
"params": {}
}' | jq .测试文本生成工具
curl -s -X POST http://localhost:8080/mcp \
-H "Content-Type: application/json" \
-d '{
"jsonrpc": "2.0",
"id": "2",
"method": "tools/call",
"params": {
"name": "generate_text",
"arguments": {
"prompt": "Write a haiku about coding",
"maxTokens": 50
}
}
}' | jq .列出可用资源
curl -s -X POST http://localhost:8080/mcp \
-H "Content-Type: application/json" \
-d '{
"jsonrpc": "2.0",
"id": "3",
"method": "resources/list",
"params": {}
}' | jq .阅读资源
curl -s -X POST http://localhost:8080/mcp \
-H "Content-Type: application/json" \
-d '{
"jsonrpc": "2.0",
"id": "4",
"method": "resources/read",
"params": {
"uri": "mcp://tools/examples"
}
}' | jq .初始化MCP连接
curl -s -X POST http://localhost:8080/mcp \
-H "Content-Type: application/json" \
-d '{
"jsonrpc": "2.0",
"id": "0",
"method": "initialize",
"params": {}
}' | jq .MCP客户端集成
初始化连接
POST /mcp
{
"jsonrpc": "2.0",
"id": "1",
"method": "initialize",
"params": {}
}列出可用工具
POST /mcp
{
"jsonrpc": "2.0",
"id": "2",
"method": "tools/list",
"params": {}
}调用工具
POST /mcp
{
"jsonrpc": "2.0",
"id": "3",
"method": "tools/call",
"params": {
"name": "generate_text",
"arguments": {
"prompt": "Write a haiku about programming",
"maxTokens": 50
}
}
}列出资源
POST /mcp
{
"jsonrpc": "2.0",
"id": "4",
"method": "resources/list",
"params": {}
}阅读资源
POST /mcp
{
"jsonrpc": "2.0",
"id": "5",
"method": "resources/read",
"params": {
"uri": "mcp://server/info"
}
}发展
添加新工具
- 更新
listTools()方法inMcpService包括你的新工具 - 在中为您的工具添加案例
callTool()方法 - 将工具逻辑实现为私有方法
添加新资源
- 更新
listResources()方法inMcpService - 在中为您的资源添加案例
readResource()方法 - 实现资源读取逻辑
运行测试
./gradlew test项目结构
src/
├── main/
│ ├── java/com/example/mcpserver/
│ │ ├── controller/ # REST API controllers
│ │ ├── model/ # MCP protocol models
│ │ ├── service/ # Business logic
│ │ └── McpServerApplication.java
│ └── resources/
│ └── application.properties
└── test/
└── java/com/example/mcpserver/
└── McpServerApplicationTests.java配置
中的关键配置选项 application.properties:
server.port：服务器端口（默认值：8080）spring.ai.azure.openai.api-key：用于AI功能的Azure OpenAI API密钥spring.ai.azure.openai.endpoint：Azure OpenAI服务端点spring.ai.azure.openai.chat.options.deployment-name：您的部署名称spring.ai.azure.openai.chat.options.model：要使用的AI模型- 调试日志级别
贡献
- 分叉存储库
- 创建要素分支
- 进行更改
- 添加新功能的测试
- 提交拉取请求
许可证
该项目根据MIT许可证获得许可。