KeyFrame內部研究專用

Spring AI + X's New MCP Servers

Dan Vega24 min英文
觀看原始影片

三句話摘要

X 推出 MCP 伺服器,開發者可用 Spring AI 建立客戶端直接整合 X API 文檔和搜尋功能。 MCP 伺服器讓 AI 模型能存取實時資訊並自動選擇合適工具,Spring AI 的優雅整合使得開發者能輕鬆在應用中使用這些能力,是構建真正智慧 AI 代理的關鍵基礎。 上下文工程勝過提示工程:MCP 協議解決 LLM 的知識過時問題,讓模型能存取最新的 API 文檔和即時資料,確保回答的正確性和相關性。

重點整理

  1. 上下文工程勝過提示工程:MCP 協議解決 LLM 的知識過時問題,讓模型能存取最新的 API 文檔和即時資料,確保回答的正確性和相關性。

  2. X 的雙伺服器設計:文檔伺服器用於查詢 API 文檔(無認證需求),API 伺服器用於調用實際端點(需 Bearer Token 認證)。兩者配合讓模型既能查閱文檔又能執行操作。

  3. 模型自動工具選擇:Spring AI 透過 ToolCallbackProvider 將 MCP 工具暴露給模型,模型根據問題描述自動判斷需要哪個工具並調用,開發者無需手動路由。

  4. 簡化的整合開發:只需在 YAML 定義伺服器連接、建立 ChatClient Bean、在控制器注入使用即可,無複雜配置。

實用技巧與重點

  • 技術棧:
  • Spring Boot 4.1.0、Spring AI 2.0、JDK 26(最低要求 JDK 17)
  • LLM 選擇:Anthropic Claude Opus 4.8(可切換任何 Spring AI 支援的模型)
  • MCP 伺服器配置:
  • 文檔伺服器 URL:`docs.x.com`
  • API 伺服器 URL:`api.x.com`(Spring AI 自動補 `/mcp` 路徑)
  • 伺服器類型:`streamable-http`(遠端端點)
  • 認證方式:
  • 文檔伺服器:無認證
  • API 伺服器:X Bearer Token(放在 Authorization Header)
  • Spring AI 配置項:
  • `spring.ai.mcp.enabled=true`
  • 日誌級別:
  • `dev.danvega`: info
  • `org.springframework.ai`: info
  • `org.springframework.ai.model.tool.DefaultToolCallManager`: debug(查看工具調用)
  • 環境變數:
  • `ANTHROPIC_API_KEY`:Anthropic API 密鑰
  • `X_BEARER_TOKEN`:X 開發者控制台申請的 Bearer Token
  • 核心類與概念:
  • `ChatClient`:與 LLM 通訊的抽象介面
  • `ToolCallbackProvider`:提供 MCP 伺服器暴露的工具
  • `MCP ClientCustomizer` Bean:為特定主機添加認證頭

結論

MCP 伺服器讓 AI 模型能存取實時資訊並自動選擇合適工具,Spring AI 的優雅整合使得開發者能輕鬆在應用中使用這些能力,是構建真正智慧 AI 代理的關鍵基礎。

完整解析

X 最近推出了 MCP 伺服器,這是一個重要的開發工具。MCP(Model Context Protocol)協議的核心價值在於解決大型語言模型的知識過時問題。傳統方式下,模型依賴訓練資料或網路搜尋,容易給出過時或錯誤的資訊。而 MCP 伺服器讓模型能存取實時、準確的資訊來源。講者強調,開發方式已經從「提示工程」進化到「上下文工程」——即提供儘可能多的相關上下文給模型,而不是靠精心設計的提示詞。

X 推出的兩個 MCP 伺服器各司其職。第一個是文檔伺服器,它讓模型能搜尋並讀取 X API 的最新官方文檔,無需任何認證。第二個是 API 伺服器,它允許模型直接調用 X 的 API 端點,執行搜尋貼文、查詢用戶、檢視書籤、查看趨勢等任務,但需要用 Bearer Token 認證。

在技術實現方面,講者使用 Spring Boot 4.1 和 Spring AI 2.0 構建一個 MCP 客戶端。首先在 Spring 初始化器配置專案,選擇 Spring Web、Model Context Protocol Client 依賴以及 Anthropic 作為 LLM 提供商。Spring AI 的優勢在於對 LLM 提供商進行了抽象,切換模型提供商時程式碼無需改動。

配置階段需要在 application.yaml 中定義 MCP 伺服器。文檔伺服器配置簡單,只需提供 URL。API 伺服器則需在配置中指定 Bearer Token,並透過建立 MCP ClientCustomizer Bean 來為發往 api.x.com 的請求自動附加 Authorization 頭。這種方式既保護了密鑰,也保證了認證的安全性。

講者展示了兩個實際例子。第一個控制器查詢文檔伺服器:用戶向應用提問「如何透過 X API 查詢用戶粉絲數」,ChatClient 自動調用 MCP 文檔伺服器的搜尋工具,模型解析結果後回傳端點和查詢參數。第二個控制器使用 API 伺服器:當詢問「最近有哪些關於 Spring Boot 4.1 的討論」時,模型自動選擇 `search_posts` 工具,調用 X 的真實 API 取得即時結果,然後總結當前社群討論的主題和要點。

整個流程的妙處在於模型的自主性。開發者無需在代碼中硬編碼工具調用邏輯,模型會根據工具的名稱和描述自動判斷何時使用哪個工具。透過將日誌級別設為 DEBUG,開發者可以看見完整的工具調用流程,驗證模型的決策過程。這種設計徹底解放了開發者,讓他們能專注於商業邏輯,而不是工具整合細節。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。