基于 Spring AI + MCP + DeepSeek-R1-7B 构建企业级智能 Agent 工具调用系统

在大模型 Agent 发展浪潮下，如何通过模型驱动外部工具调用（Tool Calling）已成为构建智能业务系统的关键能力。本文将手把手带你通过 Spring AI + MCP（Model Context Protocol）+ DeepSeek-R1-7B 打造一个可落地的企业级智能 Agent。

项目背景与架构设计

技术选型

• Spring AISpring 官方推出的 AI 接入框架，支持 LangChain、MCP、RAG 等能力；
• MCP（Model Context Protocol）模型与工具之间通信的协议桥梁；
• DeepSeek-R1-7B国产高性能开源大模型，已支持 Chat Completion、Tool Calling 接口；
• Ragflow用作 RAG 架构引擎（可选）；

系统功能

• 用户向模型提问
• 模型判断是否调用工具（如数据库查询）
• MCP 注册的工具服务完成任务
• 模型生成最终响应

环境准备

安装依赖

# Spring Boot 项目依赖
spring-boot-starter
spring-ai-spring-boot-starter

# MCP 依赖
spring-ai-mcp-starter

本地部署 DeepSeek-R1-7B 模型

推荐使用 vLLM 启动 DeepSeek-R1-7B 模型服务：

pip install vllm

python -m vllm.entrypoints.openai.api_server \
    --model deepseek-ai/deepseek-llm-7b-chat \
    --tokenizer deepseek-ai/deepseek-llm-7b-chat \
    --port 8000

构建 Spring AI MCP 工具服务

示例业务：产品信息查询

@Service
public class ProductService {


    @Tool(name = "query-product", description = "根据产品ID获取产品信息")
    public String getProductById(@ToolParam(description = "产品ID") String id) {
        // 模拟数据库查询
        return "产品ID：" + id + "，价格：99 元";
    }
}

注册 MCP 工具

@Configuration
public class MCPToolConfig {


    @Bean
    public ToolCallbackProvider toolCallbackProvider(ProductService productService) {
        return MethodToolCallbackProvider.builder()
            .toolObjects(productService)
            .build();
    }


    @Bean
    public AiServices aiServices(OpenAiChatClient client, ToolCallbackProvider provider) {
        return new AiServices(client, provider);
    }
}

模型端配置（Ragflow 示例）

在 ragflow.config.yaml 中配置模型地址及 MCP 工具启用：

llm:
type: openai
openai_api_base: http://localhost:8000/v1
openai_api_key: sk-no-need
model_name: deepseek-chat
tool_choice: auto

agent:
name: deepseek-agent
mcp:
    enabled:true
    tool_autoload:true
    servers:
      -id: product-mcp
        command: java
        args:["-jar","spring-mcp.jar"]
        description:"产品信息查询服务"

前端调用（可选）

<form id="askForm">
  <input type="text" name="query" placeholder="请输入问题"/>
  <button type="submit">提交</button>
</form>
<script>
  document.getElementById('askForm').onsubmit=asyncfunction(e){
    e.preventDefault();
    const query = e.target.query.value;
    const resp =awaitfetch('/agent/ask',{
      method:'POST',
      headers:{'Content-Type':'application/json'},
      body:JSON.stringify({ query })
    });
    const result =await resp.text();
    alert(result);
}
</script>

测试效果

用户输入：

查询产品ID为 123 的信息

输出结果：

产品ID：123，价格：99 元

模型会自动触发 query-product 工具，无需用户指定，展示 Agent 工具能力。

总结与实践建议

推荐实践：

• 将 MCP 工具封装为微服务，提高可复用性
• 使用数据库、搜索引擎作为 Agent 工具数据源
• 在企业应用中使用 Spring Boot + MCP 拓展模型业务边界