在AI技术飞速发展的今天，如何让大语言模型更好地与外部系统交互，获取实时数据和执行复杂任务，成为了企业级AI应用开发的关键。LangChat Pro团队一直致力于为用户提供更强大、更灵活的AI集成解决方案，近期我们对MCP（Model Context Protocol）功能进行了重大重构升级，旨在为企业用户提供更加高效、稳定的AI能力扩展。

关于LangChat Pro

LangChat Pro 是基于Java生态(Spring Boot 3 + Vue 3)构建的企业级AIGC应用开发平台商业版，为企业提供完整的AI大模型集成解决方案。

一、引领AI集成新标准：LangChat Pro MCP重构升级

新版本重构了MCP客户端，内置了200+ MCP应用，重构MCP客户端链接管理，增加链接缓存机制，大大提高MCP响应效率。

二、深度解析：三种MCP通信协议的技术实现

为了满足不同场景的需求，LangChat Pro现在明确支持三种MCP通信协议，每种协议都有其独特的技术优势和适用场景。

1. HTTP协议：兼容SSE与Streamable的智能适配

随着MCP协议的演进，官方SDK在新版本中已经舍弃了旧版本的HTTP SSE协议，转而采用全新的HTTP Streamable协议。

技术对比：SSE vs Streamable

HTTP SSE (Server-Sent Events) 是早期MCP实现中使用的协议，它基于HTTP的单向通信机制，服务器可以向客户端推送数据流。然而，SSE协议存在以下局限性：

• 仅支持服务器向客户端的单向通信
• 连接建立后无法动态调整参数
• 对于复杂的双向交互支持有限

HTTP Streamable 是MCP官方推荐的新一代协议，具有以下优势：

• 支持真正的双向通信，客户端和服务器可以互相发送消息
• 具有更好的流控制和错误处理机制
• 支持连接复用，提高资源利用率
• 提供更灵活的会话管理能力

LangChat Pro的智能适配机制

在LangChat Pro新版本中，我们实现了智能的协议识别机制，根据HTTP链接的URL动态判断是哪种协议类型：

1. 阿里云百炼平台 MCP市场：采用了旧版本的HTTP SSE（必须使用langchain4j过时的HttpMcpTransport类）
2. ModelScope MCP市场：采用新版本的HTTP Streamable（必须使用langchain4j新版本的StreamableHttpMcpTransport类）

注意：如果你使用StreamableHttpMcpTransport类访问某些厂商MCP（例如阿里MCP），发现一直无响应甚至超时的问题，一般都是因为厂商采用了旧版本的HTTP SSE而不是新版本。

在LangChat Pro中使用HTTP协议

LangChat Pro MCP应用市场截图

iShot_2025-11-23_18.13.35

创建阿里云百炼平台MCP服务（添加HTTP协议请求头Header授权）

image-20251124110322825

对应阿里云开通此联网搜索服务

image-20251124111942869

2. Stdio协议：本地命令的灵活集成

标准输入/输出(stdio)，即通过标准输入/输出进行通信，是MCP协议中最灵活的一种实现方式。

支持的命令类型及环境要求

Stdio协议支持多种本地命令执行方式，但需要预先安装相应的运行环境：

1. uvx：

• 环境要求：需要安装Node.js和npm/yarn
• 用途：用于运行基于npm包的MCP服务
• 示例：uvx @modelcontextprotocol/server-filesystem

2. npx：

• 环境要求：需要安装Node.js
• 用途：用于执行npm包中的命令行工具
• 示例：npx @modelcontextprotocol/server-gitlab

3. python：

• 环境要求：需要安装Python 3.8+和pip
• 用途：用于运行Python编写的MCP服务
• 示例：python server.py

4. docker：

• 环境要求：需要安装Docker引擎
• 用途：用于运行容器化的MCP服务
• 示例：docker run -i mcp/github

5. 其他本地命令：

• 环境要求：根据具体命令而定
• 用途：支持任何可以通过标准输入输出通信的本地程序

在LangChat Pro中使用Stdio协议

LangChat Pro配置截图

iShot_2025-11-23_18.13.50

LangChat Pro添加授权后查看tools列表

iShot_2025-11-23_18.14.57

Chat测试截图

iShot_2025-11-23_18.15.29

3. Docker协议：容器化MCP服务的无缝集成

Docker协议支持以容器镜像形式分发的stdio MCP服务器，用户可以在LangChat Pro平台中轻松配置和使用Docker化的MCP服务。

技术优势

Docker协议具有以下技术优势：

• 环境隔离：每个MCP服务运行在独立的容器中，避免环境冲突
• 易于部署：通过镜像分发，简化了服务部署流程
• 资源控制：可以精确控制每个服务的资源使用
• 版本管理：通过镜像标签实现服务版本管理

在LangChat Pro中使用Docker协议

实战配置本地Docker Github MCP服务

iShot_2025-11-20_18.33.12

在LangChat Pro平台配置Docker Github MCP服务

image-20251124112725372

注意，应该使用本机Docker Host地址：unix:///var/run/docker.sock

image-20251124113039547

三、架构设计：LangChat Pro MCP多协议支持的背后

LangChat Pro之所以能够同时支持HTTP、Stdio和Docker三种协议，背后有着精心设计的架构：

1. 动态协议识别机制

系统能够根据配置自动识别并选择合适的传输协议，无需用户手动干预。

2. 链接缓存优化

通过智能的链接缓存机制，避免重复建立连接的开销，显著提升响应效率。

3. 统一接口抽象

无论底层使用哪种协议，上层应用都通过统一的接口进行访问，保证了系统的一致性和可维护性。

四、在LangChat Pro工作流中使用MCP

mcp-node

五、LangChat Pro MCP重构的核心价值

通过本次重构升级，LangChat Pro在MCP支持方面实现了以下核心价值：

1. 更广泛的兼容性

支持200+精选MCP应用，涵盖数据库、文件系统、办公工具、金融分析等多个领域。

2. 更高的性能表现

引入链接缓存机制，MCP响应效率大幅提升。

3. 更灵活的集成方式

同时支持HTTP、Stdio、Docker三种协议，满足不同场景需求。

4. 更智能的适配能力

自动识别协议类型，简化用户配置流程。

六、关于LangChat Pro

LangChat Pro 是基于Java生态(Spring Boot 3 + Vue 3)构建的企业级AIGC应用开发平台商业版，为企业提供完整的AI大模型集成解决方案。

核心能力：

• 🤖 Agent智能体应用：快速构建各类AI智能应用
• 🔄 Workflows工作流引擎：可视化编排复杂业务流程
• 📚 智能知识库：基于RAG的企业知识管理
• 🗄️ Text2SQL：自然语言查询数据库(商业版功能)
• 📊 模型消耗监控：精细化AI成本管理(商业版功能)
• 🎨 多模态AI能力：文生图、OCR、语音识别等
• 🔌 开放集成：MCP服务、自定义插件、第三方平台

技术优势：

• ✅ 纯Java技术栈，与企业现有系统无缝集成
• ✅ 支持国内外主流大模型接入
• ✅ 企业级权限管理和安全保障
• ✅ 完善的技术支持和服务

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】