SpringBoot+LangChain4j+Ollama+MCP：智能天气工具调用配置与验证示例

1. 为什么要在 SpringBoot 里折腾 MCP 天气工具调用如果你已经用 LangChain4j 接过 Ollama大概率体验过 Function Calling 的爽点模型自己判断该不该调工具、该传什么参数。但真到项目里工具一多就乱——每个工具都要在客户端硬编码注册模型换了、工具改了代码跟着改一遍。MCPModel Context Protocol想解决的就是这件事把工具从客户端里抽出来变成一个独立的 Server通过标准协议暴露 Tools、Resources、Prompts客户端只管连上去、发现工具、发起调用。这篇要落地的场景很具体SpringBoot 做宿主LangChain4j 做编排Ollama 跑本地模型MCP Server 暴露一个getWeather天气工具最后用一句「青岛天气」跑通整条调用链。适合谁已经会写 SpringBoot、装过 Ollama、想从「单机 Function Calling」升级到「协议化工具调用」的开发者。读完你能拿到可复制的 Maven 依赖、application.yml、MCP 工具注册骨架以及一次真实的调用链验证动作。有个前提得先说清楚模型必须支持原生 Function Calling。qwen2.5:7b-instruct、llama3.1:8b-instruct这类可以纯对话模型不行。另外 Ollama 建议走 OpenAI 兼容端点/v1调用函数调用的稳定性会明显好于原生/api/chat。这两点决定了后面配置怎么写。2. TaoToken 前置把模型接入这步先理顺本地 Ollama 适合调试但一旦你要换更强的模型、或者团队里几个人共用一套模型服务本地跑就不太够了。这时候可以用 TaoToken 做统一的模型接入层它兼容 OpenAI 协议LangChain4j 的OpenAiChatModel直接改baseUrl和apiKey就能切过去不用动业务代码。具体操作先到 TaoToken 控制台 创建一个 API Key然后在 API Keys 管理页 复制出来。接入地址用https://taotoken.net/api注意这个地址不带任何查询参数直接填进baseUrl即可。如果你只是想先验证模型能不能正确返回tool_calls不想写代码可以直接在 模型对话 里手动发一句带工具定义的请求看返回结构。这一步能帮你快速排除「模型不支持工具调用」这个最常见的坑。注意TaoToken 在这里的角色是模型接入层不是替代你的编辑器或 IDE。它负责把请求转发到合适的模型工具注册、MCP 协议交互这些还是在你自己的 SpringBoot 工程里完成。对于长期要跑编码 Agent、或者需要稳定模型供给的场景可以了解下 Coding Plan它更适合持续性的开发任务。接入细节可以对照 接入文档 一步步来。3. 可复制配置MCP Server 与 Client 双端骨架整个链路分两个工程MCP Server暴露天气工具端口 8081和 MCP ClientSpringBoot LangChain4j端口 8082。先搭 Server。3.1 MCP Server 依赖与配置Server 端用 Spring AI 的 MCP Starter它能自动把Tool注解的方法暴露成 MCP 工具。pom.xml 核心部分parent groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-parent/artifactId version3.2.5/version /parent properties maven.compiler.source17/maven.compiler.source maven.compiler.target17/maven.compiler.target /properties dependencies dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-starter-mcp-server-webmvc/artifactId version1.1.4/version /dependency /dependencies repositories repository idspring-milestones/id urlhttps://repo.spring.io/milestone/url /repository /repositoriesapplication.yml 里指定协议为 SSE并给服务器起个名字server: port: 8081 spring: ai: mcp: server: protocol: SSE name: weather-mcp-server version: 1.0.03.2 定义并注册天气工具工具方法用Tool和ToolParam标注description 是模型理解工具的唯一途径写得越清楚调用成功率越高package com.badao.ai.mcpserver; import org.springframework.ai.tool.annotation.Tool; import org.springframework.ai.tool.annotation.ToolParam; import org.springframework.stereotype.Service; Service public class WeatherService { Tool(name getWeather, description 查询指定城市的天气信息) public WeatherResult getWeather( ToolParam(description 城市名称例如北京) String city) { System.out.println(调用了getWeather, city city); return new WeatherResult(city, 晴, 25°C, 湿度60%); } public record WeatherResult(String city, String weather, String temperature, String details) {} }然后在启动类里注册成ToolCallbackProviderBean public ToolCallbackProvider weatherTools(WeatherService weatherService) { return MethodToolCallbackProvider.builder() .toolObjects(weatherService) .build(); }3.3 MCP Client 依赖与模型配置Client 端用 LangChain4j 的 MCP 模块。pom.xml 关键依赖properties java.version17/java.version langchain4j.version1.0.0-beta3/langchain4j.version /properties dependencies dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-mcp/artifactId version${langchain4j.version}/version /dependency dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-open-ai/artifactId version${langchain4j.version}/version /dependency /dependenciesapplication.yml 里配置 Ollama注意超时时间必须加否则本地模型响应慢会直接断掉server: port: 8082 langchain4j: ollama: chat-model: base-url: http://localhost:11434 model-name: qwen2.5:7b-instruct log-requests: true log-responses: true timeout: 60s3.4 手动组装 AiService 与 MCP 客户端这里不用AiService自动扫描改成手动配置避免版本冲突导致的 Bean 找不到问题Configuration public class ManualMcpConfig { Bean public WeatherAssistant weatherAssistant() { ChatLanguageModel model OpenAiChatModel.builder() .baseUrl(http://localhost:11434/v1) .apiKey(ollama) .modelName(qwen2.5:7b-instruct) .timeout(Duration.ofSeconds(60)) .build(); McpTransport transport new HttpMcpTransport.Builder() .sseUrl(http://localhost:8081/sse) .logRequests(true) .logResponses(true) .build(); McpClient mcpClient new DefaultMcpClient.Builder() .transport(transport) .build(); ToolProvider toolProvider McpToolProvider.builder() .mcpClients(List.of(mcpClient)) .build(); return AiServices.builder(WeatherAssistant.class) .chatLanguageModel(model) .toolProvider(toolProvider) .build(); } }接口和控制器很简单public interface WeatherAssistant { String chat(String userMessage); } RestController public class ChatController { private final WeatherAssistant weatherAssistant; public ChatController(WeatherAssistant weatherAssistant) { this.weatherAssistant weatherAssistant; } PostMapping(/chat) public MapString, String chat(RequestBody MapString, String request) { String response weatherAssistant.chat(request.get(message)); return Map.of(response, response); } }4. 验证请求一次天气查询的完整调用链启动顺序很重要先起 MCP Server8081再确认 Ollama 在跑最后起 Client8082。先验证 Server 的 SSE 端点是否正常curl http://localhost:8081/sse如果返回event:endpoint和sessionId说明 Server 起来了且是旧版 SSE 协议。再确认 Ollama 模型支持工具调用curl http://localhost:11434/api/chat -d { model: qwen2.5:7b-instruct, messages: [{role: user, content: 青岛天气如何}], tools: [{ type: function, function: { name: getWeather, description: 获取城市天气, parameters: { type: object, properties: {city: {type: string, description: 城市名}}, required: [city] } } }], stream: false }返回里带tool_calls字段就说明模型支持。如果content是普通文本、没有tool_calls换模型。最后打 Client 接口curl -X POST http://localhost:8082/chat \ -H Content-Type: application/json \ -d {message: 青岛天气}预期结果Client 返回类似「青岛今天晴25°C湿度 60%」的文本同时 MCP Server 控制台打印出调用了getWeather, city青岛。看到这行日志说明整条链路——模型判断 → MCP 工具发现 → tools/call → 结果回填 → 模型生成回答——全部跑通了。5. 本篇常见错排查启动报 IllegalConfigurationException提示找不到 ChatLanguageModel Bean。这是AiService自动扫描没生效。解决办法就是本篇用的手动配置类显式AiServices.builder()组装不依赖自动扫描。调用接口返回的是模拟文本没有真正调工具。两个原因模型不支持 Function Calling或者没走/v1端点。用上面的 curl 测一下模型是否返回tool_calls然后把baseUrl改成http://localhost:11434/v1。Unexpected status code: 404。SSE 会话失效了客户端还在往旧端点发请求。重启 Client或者考虑切到 Streamable HTTP 传输模式。SSE 连接超时。这是 SSE 空闲关闭的正常现象不影响功能忽略警告即可。如果频繁出现说明该换 Streamable HTTP 了。ClassNotFoundException 或版本冲突。最常见的是混用了不同 beta 版本的 LangChain4j 模块比如 mcp 用 1.1.0-beta7、ollama 用 1.0.0-beta3内部 API 不兼容。统一所有模块版本到1.0.0-beta3并且直接引langchain4j-mcp和langchain4j-open-ai别引多余的 Starter。模型响应慢导致超时。本地 7B 模型首次加载慢timeout设成 60s 以上别用默认值。6. 接入与排障的下一步如果你在接入过程中卡在模型调用这一层比如不确定tool_calls返回结构对不对可以直接在 模型对话 里手动发请求验证比写代码快。需要换模型或统一管理 Key 的时候去 API Keys 创建接入地址固定用https://taotoken.net/api。协议细节和参数说明对照 接入文档 查比翻源码省事。跑通天气这个例子之后你可以把WeatherService换成真实天气 API再往 Server 里加第二个、第三个工具观察模型是怎么在多个工具之间做选择的。这一步比任何教程都更能帮你理解 MCP 的价值——工具和客户端解耦之后扩展成本几乎为零。