1. 环境准备：零代码的起点

最近很多朋友都在问我，说看到网上那些AI应用很酷，能自动查天气、订机票、甚至帮你分析代码，但自己一上手就懵了。要么得去申请各种API，要么就得写一堆复杂的Python脚本，光是环境配置就能劝退一大半人。说实话，我刚开始也这么觉得，直到我发现了 Spring AI 和 Ollama 这两个“神器”组合。它们俩一结合，直接把本地大模型的应用开发，从“高不可攀”变成了“像写HelloWorld一样简单”。今天我就手把手带你走一遍，不用写一行核心业务代码，就能让你本地的DeepSeek或者通义千问模型，变成一个能听你指挥、帮你干活的智能助手。

那么，到底什么是“零代码”呢？这里的“零代码”不是说完全不用写任何字符，而是指你不需要去深入理解AI模型的复杂原理，也不用去处理繁琐的HTTP请求、JSON解析和函数调用逻辑。Spring AI框架已经把这些脏活累活都封装好了，你只需要做一些简单的“配置”和“声明”，就像告诉管家你需要什么服务一样。而Ollama则是那个在你电脑上默默运行、提供强大算力的“发动机”，它让你能离线运行各种开源大模型。我们的目标，就是用最省事的方法，把这两个东西连起来，实现所谓的 MCP 能力。

MCP这个词听起来挺唬人，其实你可以把它理解成AI模型的“手”和“脚”。以前AI只是个很能聊天的“大脑”，但它不知道外面世界发生了什么，也动不了你的电脑。有了MCP，AI就能调用你写好的工具函数，比如获取实时天气、查询数据库、发送邮件。这样一来，AI就从“聊天机器人”进化成了“智能助理”。而Spring AI最新版本对MCP的原生支持，正是实现这一切的关键。下面，我们就从最基础的环境搭起。

1.1 安装与启动Ollama

首先，你得有个本地模型在跑。Ollama是目前最方便的本地大模型管理工具，支持Windows、macOS和Linux。安装过程简单到令人发指。

1. 前往官网下载：打开浏览器，搜索“Ollama官网”，找到对应你操作系统的安装包，直接下载安装。这步跟装个普通软件没区别。
2. 拉取模型：安装完成后，打开你的终端（Windows是CMD或PowerShell，Mac是Terminal）。这里就是见证奇迹的时刻。如果你想用DeepSeek模型，就输入：

   ollama pull deepseek-r1:8b
   

   如果你想用阿里的通义千问，就输入：

   ollama pull qwen2.5:7b
   

   我实测下来，Qwen2.5-7B这个版本在普通消费级显卡（比如RTX 4060）上跑起来非常流畅，响应速度很快，智商也在线，非常适合我们做这种工具调用实验。命令执行后，它会自动下载模型文件，喝杯咖啡的功夫就好了。
3. 运行模型：模型拉取成功后，直接在终端运行：

   ollama run qwen2.5:7b
   

   如果看到模型开始输出对话提示符，就说明你的本地模型引擎已经成功启动了！默认情况下，Ollama的API服务会在 http://localhost:11434 这个地址监听。记住这个地址，等下Spring AI就要来连接它。

这里有个小坑我踩过：如果你的电脑有独立显卡，Ollama默认会尝试用GPU来跑模型，这样速度飞快。如果只用CPU，虽然也能跑，但响应会慢很多。你可以在运行命令时指定，比如 ollama run qwen2.5:7b --verbose 来查看运行详情，确认是否在用GPU。

1.2 创建Spring Boot项目

模型那边准备好了，现在来准备我们的“控制中心”——Spring Boot应用。我强烈推荐使用 start.spring.io 这个网站来生成项目，这是Spring官方的一键项目生成器，能避免很多依赖冲突的破事。

1. 项目配置：打开网站，在表单里填一下：

   • Project: Maven (Java项目最常用的构建工具)
   • Language: Java
   • Spring Boot: 选择最新的稳定版（比如3.3.x）
   • Group: 可以写 com.example (你的域名倒写)
   • Artifact: 写 ai-mcp-demo (项目名)
   • Dependencies: 这是关键！点击“Add Dependencies”按钮，搜索并添加以下三个：
     • Spring Web: 提供Web服务能力。
     • Spring AI: 这是核心，包含了AI模型连接和MCP功能。
     • Lombok (可选但推荐)：用注解自动生成getter/setter，让代码更简洁。

2. 生成并导入：点击“Generate”按钮，会下载一个zip压缩包。解压后用你熟悉的IDE打开，比如IntelliJ IDEA 或 VS Code。IDEA会自己识别为Maven项目并开始下载依赖，稍微等一会儿就好。

到这一步，你的本地模型“发动机”和Java“控制台”都就位了。接下来，我们要用几行简单的配置，让它们两个“认亲”，互相认识并开始对话。你会发现，原来让AI调用工具，根本不需要你去写什么网络通信代码，Spring AI已经把桥都搭好了，你只需要走过去就行。

2. 核心配置：连接AI与工具

环境准备好之后，我们就进入最核心的环节：配置。以前你要想让自己写的Java服务能被AI调用，可能得设计一套复杂的API规范，还要写很多适配层代码。但现在，Spring AI引入了一个叫 ToolCallbackProvider 的概念，它就像是一个“工具注册中心”。你只需要把你写好的Java方法“注册”进去，AI模型就能自动发现、理解并调用它们。这个过程几乎是声明式的，代码量少得惊人。

2.1 配置模型连接

首先，得告诉Spring AI：“嘿，你要对话的AI大哥在哪儿”。这个配置简单到只需要一个文件。在你的 src/main/resources 目录下，找到或创建 application.properties 文件，加入下面两行：

# 告诉Spring AI，Ollama服务在哪里
spring.ai.ollama.base-url=http://localhost:11434
# 指定要使用哪个模型。这里用的是我们之前拉取的qwen2.5:7b
spring.ai.ollama.chat.model=qwen2.5:7b

第一行就是Ollama默认的API地址。第二行 spring.ai.ollama.chat.model 这个配置项是关键，它的值 qwen2.5:7b 必须和你在Ollama里拉取和运行的模型名称完全一致。如果你用的是 deepseek-r1:8b，这里也要相应修改。配置完这个，Spring Boot应用启动时，Spring AI模块就会自动去连接本地的Ollama服务，建立起一个聊天客户端。这意味着，你后面所有和AI的交互，底层都已经帮你处理好了。

2.2 创建你的第一个工具

AI模型连接上了，但它现在还是个“光杆司令”，只知道聊天，不会干活。我们来给它第一件工具。假设我们想让AI能查询天气，那我们就先创建一个“天气服务”。在项目中新建一个类，叫 WeatherService.java：

import org.springframework.stereotype.Service;
import java.time.LocalDate;

@Service // 这是一个Spring管理的服务组件
public class WeatherService {

    /**
     * 一个模拟的查询天气的方法。
     * 在实际项目中，这里可以替换为调用真实天气API的代码。
     * @param location 城市名，比如“北京”
     * @param date 查询日期，格式为 yyyy-MM-dd
     * @return 返回天气情况的字符串描述
     */
    public String getWeather(String location, String date) {
        // 这里为了演示，直接返回模拟数据
        // 真实情况可以在这里集成中国天气网、和风天气等API
        return String.format("【模拟数据】%s在%s的天气是：晴，温度15-25°C，微风。", location, date);
    }
}

看，这就是一个再普通不过的Java方法。它接受地点和日期两个参数，返回一个字符串。我特意把它做得这么简单，就是为了说明：任何你现有的、能正常工作的Java方法，都可以几乎无成本地暴露给AI调用。你不需要为了AI而重写逻辑。

2.3 注册工具：关键的Bean定义

工具方法有了，怎么让AI知道它的存在呢？这就是Spring AI的魔法所在。我们需要创建一个配置类，或者直接在主应用类里，声明一个 ToolCallbackProvider 类型的Bean。打开项目入口类 AiMcpDemoApplication.java (名字可能根据你的项目名略有不同)，修改如下：

import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.ai.tool.MethodToolCallbackProvider;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.context.annotation.Bean;

@SpringBootApplication
public class AiMcpDemoApplication {

    public static void main(String[] args) {
        SpringApplication.run(AiMcpDemoApplication.class, args);
    }

    /**
     * 核心！将我们的工具服务注册给AI。
     * @param weatherService Spring会自动把上面写的WeatherService注入进来
     * @return 工具回调提供者
     */
    @Bean
    public ToolCallbackProvider toolCallbackProvider(WeatherService weatherService) {
        return MethodToolCallbackProvider.builder()
                .toolObjects(weatherService) // 可以传入多个工具对象
                .build();
    }
}

这段代码是打通任督二脉的关键。MethodToolCallbackProvider.builder() 会使用反射机制，自动扫描 weatherService 对象中的所有公共方法（比如我们的 getWeather）。然后，它会为这些方法生成一个AI能理解的“工具描述”，包括方法名、参数含义、返回值说明等。当AI模型在对话中判断需要查询天气时，它就会自动触发对这个 getWeather 方法的调用。

我实测下来，这个过程非常稳定。你不需要写任何额外的适配器或解释器。Spring AI和Ollama中的模型配合，能很好地理解自然语言中的用户意图，并映射到正确的工具和方法参数上。比如用户说“帮我看看北京明天天气”，AI会自动提取出“北京”和明天的日期，然后调用 getWeather("北京", "2024-01-01")。这一切都是自动完成的。

3. 实战演示：与你的AI助理对话

配置全部完成，是时候启动项目，看看效果了。在IDE里找到你的 AiMcpDemoApplication 类，点击运行。如果一切顺利，控制台会打印出Spring Boot的启动日志，没有报错。然后，我们怎么和这个集成了工具的AI对话呢？Spring AI为我们提供了开箱即用的HTTP端点。

3.1 使用Chat端点进行交互

Spring AI默认会暴露一个 /ai/chat 的HTTP POST接口。我们可以用任何你喜欢的工具来测试，比如 curl 命令，或者更直观的 Postman。这里我用 curl 来演示，你可以直接在终端里操作：

curl -X POST http://localhost:8080/ai/chat \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {
        "role": "user",
        "content": "请问北京今天的天气怎么样？"
      }
    ]
  }'

发出这个请求后，你会看到一系列精彩的自动执行过程：

1. 请求发出：你的问题被发送到Spring Boot应用。
2. AI理解：Spring AI将问题转发给本地Ollama运行的Qwen2.5模型。模型会分析这句话，识别出用户的意图是“查询天气”，并提取出关键参数：location=北京，date=今天。
3. 工具调用：AI模型发现它自己有一个叫 getWeather 的工具可以完成这个任务。于是它通过我们注册的 ToolCallbackProvider，发起一个对 WeatherService.getWeather("北京", "2024-xx-xx") 的调用。
4. 执行与返回：你的Java方法 getWeather 被执行，返回模拟的天气字符串。
5. AI组织答案：模型拿到工具返回的结果（“【模拟数据】北京在2024-xx-xx的天气是：晴...”），然后用自己的语言组织成一段通顺、友好的回复，返回给用户。

最终，你会在终端里看到类似这样的回复：

{
  "message": {
    "role": "assistant",
    "content": "根据查询结果，北京今天（2024-xx-xx）的天气是晴天，气温在15到25摄氏度之间，有微风，是个不错的好天气。"
  }
}

看到了吗？AI不仅调用了你的代码，还把返回的原始数据“翻译”成了更人性化的语言。整个过程，你作为开发者，只写了一个普通的Java方法和几行配置。你没有处理JSON解析，没有写HTTP客户端去调用模型API，更没有写复杂的逻辑去判断何时该调用哪个工具。这就是“零代码”集成的魅力——你只需要关注你的核心业务逻辑（比如 getWeather 方法里调用真实API），剩下的“智能”部分，框架和模型帮你搞定。

3.2 扩展更多工具

一个工具不过瘾？我们来给它加个“技能包”。比如，再加一个计算器功能和一个查询待办事项的功能。再创建一个 UtilityService.java：

import org.springframework.stereotype.Service;
import java.util.ArrayList;
import java.util.List;

@Service
public class UtilityService {

    private List<String> todoList = new ArrayList<>();

    public double calculate(String expression) {
        // 警告：这里仅为演示，实际项目请使用安全的表达式求值库！
        // 例如使用 javax.script.ScriptEngine 或 exp4j 等。
        if (expression.contains("+")) {
            String[] parts = expression.split("\\+");
            return Double.parseDouble(parts[0]) + Double.parseDouble(parts[1]);
        }
        // 简单模拟加法
        return 0.0;
    }

    public String addTodo(String task) {
        todoList.add(task);
        return "已添加待办事项: " + task;
    }

    public List<String> getTodos() {
        return new ArrayList<>(todoList); // 返回副本
    }
}

然后，回到主应用类，修改 ToolCallbackProvider 的配置，把新的工具对象也加进去：

@Bean
public ToolCallbackProvider toolCallbackProvider(WeatherService weatherService, UtilityService utilityService) {
    return MethodToolCallbackProvider.builder()
            .toolObjects(weatherService, utilityService) // 传入多个工具对象
            .build();
}

重启应用，现在你可以问更复杂的问题了：

• “帮我计算一下123加456等于多少？” -> AI会自动调用 calculate("123+456")。
• “提醒我下午三点开会。” -> AI会调用 addTodo("下午三点开会")。
• “我有哪些待办事项？” -> AI会调用 getTodos() 并把列表整理成句子告诉你。

通过这个例子，你应该能深刻感受到，MCP的本质是扩展了AI的“行为能力”。它不再只是一个对话模型，而是成为了一个可以操作你业务系统、执行具体任务的智能体。而你扩展这个能力的成本，低到只是多写几个普通的业务方法而已。

4. 深入原理与最佳实践

玩转了基本功能，我们稍微深入一点，聊聊背后的原理和我踩过的一些坑，这能帮你更好地用好这个技术，避免走弯路。

4.1 Spring AI MCP 是如何工作的？

很多人好奇，Spring AI是怎么做到让AI模型“自动”调用Java方法的。其实整个过程可以分解为几个清晰的步骤，我画个简单的流程图在脑子里帮你理解：

1. 请求接收：用户发送聊天请求到 /ai/chat。
2. 对话历史与当前问题：Spring AI将当前用户问题和之前的对话历史（如果有）组合起来，发送给配置的AI模型（Ollama）。
3. 模型推理与工具决策：这是核心。模型在生成回复时，会进行“思考”。它不仅仅在想“怎么回答”，还在判断“是否需要使用工具来回答”。如果它认为需要，就会在回复中插入一个特殊的“工具调用”请求。这个请求的格式是标准化的，包含了要调用的工具名和参数。
4. 工具执行：Spring AI框架拦截到这个“工具调用”请求，根据工具名找到我们注册的对应Java方法，利用反射传入参数并执行。
5. 结果回传：Java方法的执行结果被包装好，再次发送给AI模型，作为新一轮对话的“上下文”。
6. 最终回复：AI模型收到工具执行结果后，结合最初的用户问题，生成最终的自然语言回复，返回给用户。

整个过程，对于模型来说，它只是在做多轮对话。对于我们的Java代码来说，它只是在响应一个普通的方法调用。Spring AI框架则充当了“翻译官”和“调度员”的角色，把两边的语言和行为统一起来。这种设计非常巧妙，它没有破坏任何一方的原有模式，只是优雅地做了适配。

4.2 我踩过的坑与避坑指南

在实际项目中用了一段时间，我总结出几个需要注意的地方，能让你事半功倍：

• 工具方法的命名与描述：AI模型理解工具的能力很强，但清晰的命名和JavaDoc注释依然非常重要。比如方法名最好用动词开头（getWeather, calculateSum），参数名要清晰（location 而不是 cityName）。虽然Spring AI会自动提取方法信息，但好的命名能让模型的判断更准确。
• 参数类型要简单：尽量使用 String, Integer, Double, Boolean, List<String> 这类基础或简单的类型作为工具方法的参数和返回值。复杂的自定义对象可能会让模型在参数解析时产生困惑。如果必须用复杂对象，可以考虑拆分成多个简单参数的方法。
• 错误处理：你的工具方法里一定要有健壮的错误处理。比如 getWeather 里调用真实API可能会失败（网络超时、城市不存在）。当工具方法抛出异常时，Spring AI会把这个异常信息返回给AI模型，模型通常会尝试向用户解释错误。但你最好在方法内部就处理好，返回一个友好的错误信息字符串，这样用户体验更好。
• Ollama模型的选择：不是所有模型都同样擅长工具调用。像 Qwen2.5、DeepSeek-R1、Llama 3.1 这些较新的模型，对工具调用的指令遵循（Instruction Following）能力都很强。而一些更早的、纯聊天优化的模型可能表现不佳。如果你发现AI总是不调用工具，或者调用参数不对，换个模型试试可能是最快的解决方案。
• 注意线程安全：我们的工具类（如 UtilityService）是Spring Singleton Bean，会被所有并发请求共享。像例子中的 todoList 就是一个共享状态，在真实生产环境中，你需要考虑加锁或使用线程安全的集合（如 CopyOnWriteArrayList），或者更常见的，把状态持久化到数据库里。

4.3 性能与部署考量

最后，聊聊大家关心的性能和部署问题。这套方案最大的优势是“本地化”，数据不出私域，响应速度快（尤其是用GPU时），但也有些限制。

• 硬件要求：运行7B/8B参数的模型，是消费级硬件可以胜任的。8GB以上显存的显卡（如RTX 4060 Ti 16G）体验会非常好。如果只有CPU，内存建议16GB以上，响应速度会在几秒到十几秒，取决于CPU性能。对于原型验证和内部工具，这完全足够。
• Spring Boot应用部署：你的Spring Boot应用可以像任何其他Java应用一样部署。可以打包成JAR，在服务器上用 java -jar 运行。需要确保部署的服务器能访问到运行Ollama的机器（localhost 或内网IP）。在微服务架构下，这个AI服务可以作为一个独立的应用提供服务。
• 分离部署：更清晰的架构是将Ollama和Spring Boot应用部署在同一内网的不同机器上。Ollama部署在有GPU的机器上专职负责推理，Spring Boot应用部署在应用服务器上负责业务逻辑和工具调用。两者通过内网HTTP通信。这样能更好地利用硬件资源，也方便各自独立扩缩容。

走到这里，你已经掌握了用Spring AI和Ollama实现本地模型MCP调用的全套技能。从环境搭建、配置、编写工具到最终对话，整个过程你会发现，复杂的AI工程化问题被Spring AI这个框架大大简化了。它让Java开发者也能轻松地站在AI应用开发的前沿，而无需深陷Python生态或云API的依赖中。最让我兴奋的是，这种“零代码”集成模式，意味着你公司里现有的那些Java业务服务，都有潜力快速被赋予“智能”，从而创造出全新的用户体验和自动化流程。剩下的，就看你如何发挥想象力，把AI的能力和你熟悉的业务世界连接起来了。