1. McpAgentExecutor:Java 开发者实现 AI 多步工具调用的高效方案
作为一名长期深耕企业级 Java 开发的工程师,我一直在探索如何将 AI 能力无缝集成到现有系统中。最近在 j-langchain 项目中发现的 McpAgentExecutor 组件,彻底改变了我们处理多步工具调用的方式。这个工具的核心价值在于:用不到 10 行代码就能实现原本需要 60 行样板代码才能完成的多步推理流程,而且完全保留了底层 Function Calling 机制的灵活性。
在实际项目中,我们经常遇到这样的场景:AI 需要先查询用户 IP,再根据位置获取天气,最后结合业务规则给出建议。传统实现需要手动处理工具调用循环、结果解析和状态维护,而 McpAgentExecutor 将这些繁琐工作全部封装,开发者只需关注三个核心要素:
- 选择支持 Function Calling 的 LLM 模型
- 配置 MCP 工具组
- 设计清晰的系统提示词
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心设计与实现原理
2.1 底层架构解析
McpAgentExecutor 的架构设计遵循了"约定优于配置"的原则。其核心工作流程可以分为四个阶段:
-
初始化阶段:
- 加载指定工具组的 JSON Schema
- 注册到 LLM 的 Function Calling 能力中
- 构建包含系统提示的初始对话上下文
-
推理循环阶段:
- 模型根据当前上下文判断是否需要调用工具
- 自动解析 ToolCall 对象并执行对应的 MCP 工具
- 将执行结果封装为 Observation 并合并到上下文
-
终止判断阶段:
- 检查是否达到最大迭代次数
- 验证模型是否返回最终答案
- 处理异常情况(如工具调用失败)
-
结果返回阶段:
- 提取模型生成的最终响应
- 触发预设的回调函数(如日志记录)
这个架构最精妙之处在于完全保留了 LangChain 的底层能力,同时提供了更高层次的抽象。当我们需要深度定制时,仍然可以回退到手写 Function Calling 循环的模式。
2.2 关键技术实现
在代码层面,McpAgentExecutor 主要解决了以下几个技术难点:
工具描述自动生成:
java复制// 从 MCP 配置生成 Function Calling 所需的 JSON Schema
List<FunctionDefinition> tools = mcpManager.getToolGroup(group)
.stream()
.map(tool -> new FunctionDefinition(tool.getName(), tool.getDescription(), tool.getParameters()))
.collect(Collectors.toList());
多轮对话状态管理:
java复制// 维护对话历史的实现片段
List<ChatMessage> messages = new ArrayList<>();
messages.add(SystemMessage.of(systemPrompt));
messages.add(UserMessage.of(userInput));
while (iterations < maxIterations) {
ChatGeneration generation = llm.generate(messages);
if (!generation.requiresToolCall()) {
return generation;
}
// 处理 ToolCall 和 Observation...
}
异常处理机制:
java复制try {
Object r
