spring ai mcp 和现有业务逻辑如何结合，现有项目用的是spring4.3.7

将 Spring AI 的 MCP（Model Context Protocol）协议集成到基于 Spring 4.3.7 的现有项目中，

需解决版本兼容性和架构适配问题。
有两种方式：1 mcp tool 封装， 2：如果是微服务，可以用spring ai alibaba的 Streamable HTTP 协议

---

⚠️ 一、核心挑战与兼容性策略

1. 版本差异问题
   Spring AI 最低要求 Spring Boot 3.x（对应 Spring 6.x），而 Spring 4.3.7 属于旧版框架。直接升级可能破坏现有业务逻辑。
   推荐方案：

   • 渐进式集成：在新模块中使用 Spring Boot 3.x + Spring AI，通过 REST API 或消息队列与旧系统交互。
   • 依赖隔离：通过 Maven/Gradle 模块化设计，隔离新老依赖（如将 Spring AI 放在独立子模块中）。

2. MCP 协议适配
   MCP 通过标准化接口连接 AI 模型与外部工具（如数据库、API），但旧项目需封装现有业务逻辑为 MCP 兼容工具。
   操作步骤：

   • 将业务逻辑封装为 Spring Bean（如 @Service 类）。
   • 通过 SyncMcpToolCallbackProvider 注册为 MCP 工具，暴露给 AI 模型调用。

     // 示例：封装订单查询服务为 MCP 工具
     @Service
     public class OrderService {@Tool("查询用户订单")public List<Order> getOrders(@Param("userId") String userId) {// 现有业务逻辑}
     }
     

---

🔧 二、具体集成方案

✅ 方案 1：渐进式升级（推荐）

1. 新建 Spring Boot 3.x 模块
   引入 Spring AI 依赖（如 spring-ai-mcp-client）：

   <dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId><version>1.0.0-M6</version>
   </dependency>
   

2. 通过 HTTP 调用旧系统
   在新模块中通过 Feign 或 RestTemplate 调用 Spring 4.3.7 项目的 REST API，将响应结果注入 AI 上下文。

✅ 方案 2：业务逻辑工具化

1. 封装现有逻辑为 MCP 工具
   使用 @Tool 注解标记业务方法，使其可被 AI 模型动态调用：

   public class LegacyServiceAdapter {@Tool("库存检查")public boolean checkInventory(@Param("productId") String productId) {// 调用旧系统逻辑}
   }
   

2. 配置 MCP 客户端
   在 application.yaml 中声明工具：

   spring:ai:mcp:client:tools:- inventoryService
   

✅ 方案 3：Streamable HTTP 优化企业集成

针对企业级场景，采用 MCP 的 Streamable HTTP 协议（由 Spring AI Alibaba 实现），解决旧版 HTTP+SSE 的断线重连问题：

# 配置 Streamable HTTP 端点
spring:ai:mcp:endpoint: /mcp-streamsession-recovery: true  # 支持会话恢复

优势：

• 无状态通信无需会话粘滞（Sticky Session），适合微服务架构。
• 兼容负载均衡和 API 网关（如 Higress）。

---

🧩 三、关键技术点

1. 依赖冲突解决

   • 使用 maven-shade-plugin 重命名冲突包（如旧版 Spring Core）。
   • 排除 Spring AI 中高版本依赖（如 Guava），改用兼容版本。

2. 检索增强生成（RAG）整合
   结合现有数据库实现知识增强：

   // 注入向量存储实现 RAG
   @Autowired
   private VectorStore vectorStore;public String queryWithContext(String question) {QuestionAnswerAdvisor advisor = QuestionAnswerAdvisor.builder(vectorStore).build();return ChatClient.builder(chatModel).build().prompt().advisors(advisor).user(question).call().content();
   } 
   

3. 性能与扩展性

   • 无状态工具：90% 的 MCP 工具可设计为无状态，避免会话管理开销。
   • 异步调用：使用 @Async 封装耗时业务逻辑，防止阻塞 AI 线程。

---

🔍 四、实践示例

场景：在电商旧系统中添加 AI 客服订单查询功能

1. Step 1：在新模块创建 OrderMCPController（Spring Boot 3.x），调用旧系统订单 API。
2. Step 2：注册为 MCP 工具：

   @RestController
   public class OrderMCPController {@PostMapping("/mcp/orders")public List<Order> getOrders(@RequestBody UserQuery query) {// 调用 Spring 4.3.7 的订单服务}
   }
   

3. Step 3：AI 模型通过 MCP 协议调用该工具：

   spring:ai:mcp:client:stdio:connections:order-service:command: "curl -X POST http://legacy-system/orders"
   

---

⚠️ 五、注意事项

1. 协议选择：优先采用 Streamable HTTP 替代 stdio 模式（更适合服务器部署）。
2. 工具复用：将 Alita 等智能体生成的 MCP 工具集成到业务中，提升处理复杂任务的能力。
3. 监控：通过 Micrometer 跟踪 MCP 调用延迟和错误率。

---

综上，渐进式升级 + 业务工具化封装是平衡改造风险与收益的最佳路径。重点在于通过 MCP 将旧逻辑包装为标准化工具，而非直接升级框架。Spring AI Alibaba 的 Streamable HTTP 实现可显著提升企业场景下的稳定性。