关键词

信用评分Spring AI工具调用数据集成LLM上下文Slack通知

使用说明

项目简介

本项目是一个基于 Spring AI 和 Model Context Protocol (MCP) 的信用评分验证系统示例。它演示了如何构建一个 MCP 服务器，该服务器可以集成不同的数据源（内部数据库和外部 Mock API），并通过工具调用 (Tool Calling) 的方式，为大型语言模型 (LLM) 提供用户信用评分的上下文信息，最终将分析结果通过 Slack 通知发送到指定频道。

主要功能点

  • 集成内外部信用评分数据源：通过工具调用，可以分别从内部数据库和外部 Mock API 获取用户信用评分数据。
  • 基于 Spring AI 工具调用：利用 Spring AI 的工具调用能力，将数据获取逻辑封装为可被 LLM 调用的工具。
  • MCP 服务器实现：实现了 MCP 协议的服务端，可以接收来自 MCP 客户端的请求，并返回符合 MCP 协议的响应。
  • Slack 结果通知：通过集成的 Slack 工具，可以将信用评分分析结果自动发布到指定的 Slack 频道。
  • 可扩展性：项目采用 Spring Boot 构建，易于扩展和集成其他数据源或工具。

安装步骤

  1. 克隆仓库

    git clone https://github.com/lucasnscr/spring-ai-tools-mcp.git
cd spring-ai-tools-mcp

  2. 使用 Maven 构建项目

    mvn clean install

  3. 运行 Spring Boot 应用

    mvn spring-boot:run

    或者，您也可以将项目打包成可执行的 JAR 文件并运行：

    mvn spring-boot:build-image # 如果需要构建 Docker 镜像
java -jar target/*.jar

服务器配置

对于 MCP 客户端，需要配置连接到此 MCP 服务器的信息。以下是一个典型的 'mcpServers' 配置示例，用于 'config.json' 或类似的配置文件中：

{
  "mcpServers": {
    "creditScoreService": { // 服务器名称，客户端可以自定义，用于在请求中标识服务器
      "command": "mvn",  // 启动服务器的命令，这里假设您在项目根目录下运行
      "args": [          // 命令参数
        "spring-boot:run" // 使用 Maven 运行 Spring Boot 应用
      ],
      "env": {           // 环境变量，如果服务器需要额外的环境变量，可以在这里配置
      }
    }
  }
}

配置参数说明:

  • 'creditScoreService': MCP 服务器的名称，客户端使用此名称来引用和调用此服务器提供的功能。
  • 'command': 启动 MCP 服务器的命令。对于 Spring Boot 应用，通常使用 Maven 或 Gradle 命令来运行。这里假设已经安装了 Maven，并且在项目根目录下执行此命令。
  • 'args': 启动命令的参数。'spring-boot:run' 是 Maven Spring Boot 插件提供的命令，用于直接运行 Spring Boot 应用。
  • 'env': 环境变量配置。如果您的服务器启动需要特定的环境变量（例如数据库连接信息、API 密钥等），可以在这里配置。本示例中 'env' 为空，表示没有额外的环境变量需求。

注意: 实际部署时，您可能需要根据您的环境和打包方式调整 'command' 和 'args' 配置，例如使用 'java -jar target/*.jar' 运行打包后的 JAR 文件，或者使用 Docker 镜像运行。

基本使用方法

  1. 启动 MCP 服务器：按照上述安装步骤和服务器配置启动 'spring-ai-tools-mcp' 项目。
  2. 配置 MCP 客户端：配置您的 MCP 客户端，使其能够连接到本 MCP 服务器。在客户端的配置文件中，添加上面提供的 'mcpServers' 配置，确保客户端能够找到并连接到正在运行的 'creditScoreService'。
  3. 客户端发起请求：通过 MCP 客户端向 'creditScoreService' 服务器发送请求，请求进行信用评分分析。客户端可以通过 Prompt 模板或者直接调用工具的方式，指示 LLM 使用 'creditScoreService' 提供的工具来获取信用评分信息。
  4. 查看结果：服务器会调用相应的工具获取信用评分数据，并使用 LLM 进行分析。分析结果会通过 Slack 工具发送到配置的 Slack 频道。同时，MCP 客户端也会收到服务器返回的响应，其中可能包含 LLM 生成的文本结果。

示例请求流程:

MCP 客户端可以发送一个包含用户ID的请求，指示 LLM 分析该用户的信用评分。服务器接收到请求后，会：

  • 调用 'UserInternalCreditTool' 和 'UserExternalCreditTool' 工具，分别从内部数据库和外部 Mock API 获取用户信用评分数据。
  • 将获取的数据作为上下文信息提供给 LLM。
  • LLM 基于上下文信息生成信用评分分析报告。
  • 服务器通过 Slack 工具将分析报告发送到指定的 Slack 频道。
  • 服务器将 LLM 生成的分析报告返回给 MCP 客户端。

注意事项

  • 本项目是一个示例，用于演示 MCP 服务器的基本功能和 Spring AI 工具调用的集成。在实际生产环境中，您需要根据具体需求进行修改和扩展。
  • Slack 集成需要配置 Slack Bot Token 和 Team ID 等信息，请参考项目文档或代码中的注释进行配置。
  • 外部 Mock API 的地址和 API Key 在 'WebClientConfig.java' 中配置，您可以根据需要修改为真实的外部信用评分 API。
  • 数据库配置信息需要在 Spring Boot 的配置文件中进行配置（例如 'application.properties' 或 'application.yml'）。

信息

分类

AI与计算

访问项目