> ## Documentation Index
> Fetch the complete documentation index at: https://docs.waytomcp.com/llms.txt
> Use this file to discover all available pages before exploring further.

# 面向客户端开发者

> 开始构建您自己的客户端，该客户端可以与所有MCP服务器集成。

在本教程中，您将学习如何构建一个与MCP服务器连接的LLM驱动的聊天机器人客户端。建议您先完成[服务器快速入门](/quickstart/server)，该入门指南将引导您完成构建第一个服务器的基本步骤。

<Tabs>
  <Tab title="Python">
    [您可以在GitHub上找到本教程的完整代码。](https://github.com/modelcontextprotocol/quickstart-resources/tree/main/mcp-client-python)

    ## 系统要求

    在开始之前，请确保您的系统满足以下要求：

    * Mac或Windows电脑
    * 已安装最新版本的Python
    * 已安装最新版本的`uv`

    ## 设置您的环境

    首先，使用`uv`创建一个新的Python项目：

    ```bash theme={null}
    # 创建项目目录
    uv init mcp-client
    cd mcp-client

    # 创建虚拟环境
    uv venv

    # 激活虚拟环境
    # 在Windows上：
    .venv\Scripts\activate
    # 在Unix或MacOS上：
    source .venv/bin/activate

    # 安装所需的包
    uv add mcp anthropic python-dotenv

    # 删除样板文件
    rm hello.py

    # 创建主文件
    touch client.py
    ```

    ## 设置您的API密钥

    您需要从[Anthropic控制台](https://console.anthropic.com/settings/keys)获取一个Anthropic API密钥。

    创建一个`.env`文件来存储它：

    ```bash theme={null}
    # 创建.env文件
    touch .env
    ```

    将您的密钥添加到`.env`文件中：

    ```bash theme={null}
    ANTHROPIC_API_KEY=<您的密钥>
    ```

    将`.env`添加到您的`.gitignore`文件中：

    ```bash theme={null}
    echo ".env" >> .gitignore
    ```

    <Warning>
      请确保您的`ANTHROPIC_API_KEY`安全！
    </Warning>

    ## 创建客户端

    ### 基本客户端结构

    首先，设置我们的导入并创建基本的客户端类：

    ```python theme={null}
    import asyncio
    from typing import Optional
    from contextlib import AsyncExitStack

    from mcp import ClientSession, StdioServerParameters
    from mcp.client.stdio import stdio_client

    from anthropic import Anthropic
    from dotenv import load_dotenv

    load_dotenv()  # 从.env加载环境变量

    class MCPClient:
        def __init__(self):
            # 初始化会话和客户端对象
            self.session: Optional[ClientSession] = None
            self.exit_stack = AsyncExitStack()
            self.anthropic = Anthropic()
        # 方法将在这里
    ```

    ### 服务器连接管理

    接下来，我们将实现连接到MCP服务器的方法：

    ```python theme={null}
    async def connect_to_server(self, server_script_path: str):
        """连接到MCP服务器

        参数:
            server_script_path: 服务器脚本的路径（.py或.js）
        """
        is_python = server_script_path.endswith('.py')
        is_js = server_script_path.endswith('.js')
        if not (is_python or is_js):
            raise ValueError("服务器脚本必须是.py或.js文件")

        command = "python" if is_python else "node"
        server_params = StdioServerParameters(
            command=command,
            args=[server_script_path],
            env=None
        )

        stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))
        self.stdio, self.write = stdio_transport
        self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))

        await self.session.initialize()

        # 列出可用工具
        response = await self.session.list_tools()
        tools = response.tools
        print("\n连接到服务器，可用工具:", [tool.name for tool in tools])
    ```

    ### 查询处理逻辑

    现在让我们添加处理查询和处理工具调用的核心功能：

    ```python theme={null}
    async def process_query(self, query: str) -> str:
        """使用Claude和可用工具处理查询"""
        messages = [
            {
                "role": "user",
                "content": query
            }
        ]

        response = await self.session.list_tools()
        available_tools = [{
            "name": tool.name,
            "description": tool.description,
            "input_schema": tool.inputSchema
        } for tool in response.tools]

        # 初始Claude API调用
        response = self.anthropic.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=1000,
            messages=messages,
            tools=available_tools
        )

        # 处理响应并处理工具调用
        final_text = []

        assistant_message_content = []
        for content in response.content:
            if content.type == 'text':
                final_text.append(content.text)
                assistant_message_content.append(content)
            elif content.type == 'tool_use':
                tool_name = content.name
                tool_args = content.input

                # 执行工具调用
                result = await self.session.call_tool(tool_name, tool_args)
                final_text.append(f"[调用工具 {tool_name} 使用参数 {tool_args}]")

                assistant_message_content.append(content)
                messages.append({
                    "role": "assistant",
                    "content": assistant_message_content
                })
                messages.append({
                    "role": "user",
                    "content": [
                        {
                            "type": "tool_result",
                            "tool_use_id": content.id,
                            "content": result.content
                        }
                    ]
                })

                # 从Claude获取下一个响应
                response = self.anthropic.messages.create(
                    model="claude-3-5-sonnet-20241022",
                    max_tokens=1000,
                    messages=messages,
                    tools=available_tools
                )

                final_text.append(response.content[0].text)

        return "\n".join(final_text)
    ```

    ### 交互式聊天界面

    现在我们将添加聊天循环和清理功能：

    ```python theme={null}
    async def chat_loop(self):
        """运行交互式聊天循环"""
        print("\nMCP客户端已启动！")
        print("输入您的查询或输入'quit'退出。")

        while True:
            try:
                query = input("\n查询: ").strip()

                if query.lower() == 'quit':
                    break

                response = await self.process_query(query)
                print("\n" + response)

            except Exception as e:
                print(f"\n错误: {str(e)}")

    async def cleanup(self):
        """清理资源"""
        await self.exit_stack.aclose()
    ```

    ### 主入口点

    最后，我们将添加主执行逻辑：

    ```python theme={null}
    async def main():
        if len(sys.argv) < 2:
            print("用法: python client.py <path_to_server_script>")
            sys.exit(1)

        client = MCPClient()
        try:
            await client.connect_to_server(sys.argv[1])
            await client.chat_loop()
        finally:
            await client.cleanup()

    if __name__ == "__main__":
        import sys
        asyncio.run(main())
    ```

    您可以在[这里](https://gist.github.com/zckly/f3f28ea731e096e53b39b47bf0a2d4b1)找到完整的`client.py`文件。

    ## 关键组件解释

    ### 1. 客户端初始化

    * `MCPClient`类初始化会话管理和API客户端
    * 使用`AsyncExitStack`进行适当的资源管理
    * 配置Anthropic客户端以进行Claude交互

    ### 2. 服务器连接

    * 支持Python和Node.js服务器
    * 验证服务器脚本类型
    * 设置适当的通信通道
    * 初始化会话并列出可用工具

    ### 3. 查询处理

    * 维护对话上下文
    * 处理Claude的响应和工具调用
    * 管理Claude和工具之间的消息流
    * 将结果组合成连贯的响应

    ### 4. 交互式界面

    * 提供简单的命令行界面
    * 处理用户输入并显示响应
    * 包括基本错误处理
    * 允许优雅退出

    ### 5. 资源管理

    * 正确清理资源
    * 处理连接问题的错误处理
    * 优雅的关闭程序

    ## 常见定制点

    1. **工具处理**
       * 修改`process_query()`以处理特定工具类型
       * 为工具调用添加自定义错误处理
       * 实现工具特定的响应格式化

    2. **响应处理**
       * 自定义工具结果的格式化方式
       * 添加响应过滤或转换
       * 实现自定义日志记录

    3. **用户界面**
       * 添加GUI或Web界面
       * 实现丰富的控制台输出
       * 添加命令历史或自动完成

    ## 运行客户端

    要使用任何MCP服务器运行您的客户端：

    ```bash theme={null}
    uv run client.py path/to/server.py # python服务器
    uv run client.py path/to/build/index.js # node服务器
    ```

    <Note>
      如果您正在继续服务器快速入门中的天气教程，您的命令可能如下所示：`python client.py .../weather/src/weather/server.py`
    </Note>

    客户端将：

    1. 连接到指定的服务器
    2. 列出可用工具
    3. 启动一个交互式聊天会话，您可以：
       * 输入查询
       * 查看工具执行
       * 从Claude获取响应

    以下是与服务器快速入门中的天气服务器连接时的示例：

    <Frame>
      <img src="https://mintcdn.com/datalite/Wxs4Dp_Rbe4p9MYx/images/client-claude-cli-python.png?fit=max&auto=format&n=Wxs4Dp_Rbe4p9MYx&q=85&s=d58acf45c6b6828132b65806b7345d71" width="1932" height="1739" data-path="images/client-claude-cli-python.png" />
    </Frame>

    ## 工作原理

    当您提交查询时：

    1. 客户端从服务器获取可用工具列表
    2. 您的查询与工具描述一起发送到Claude
    3. Claude决定使用哪些工具（如果有）
    4. 客户端通过服务器执行任何请求的工具调用
    5. 结果发送回Claude
    6. Claude提供自然语言响应
    7. 响应显示给您

    ## 最佳实践

    1. **错误处理**
       * 始终将工具调用包装在try-catch块中
       * 提供有意义的错误消息
       * 优雅地处理连接问题

    2. **资源管理**
       * 使用`AsyncExitStack`进行适当的清理
       * 完成后关闭连接
       * 处理服务器断开连接

    3. **安全性**
       * 将API密钥安全地存储在`.env`中
       * 验证服务器响应
       * 谨慎处理工具权限

    ## 故障排除

    ### 服务器路径问题

    * 仔细检查您的服务器脚本路径是否正确
    * 如果相对路径不起作用，请使用绝对路径
    * 对于Windows用户，请确保在路径中使用正斜杠(/)或转义反斜杠(\\)
    * 验证服务器文件具有正确的扩展名（Python为.py，Node.js为.js）

    正确路径使用示例：

    ```bash theme={null}
    # 相对路径
    uv run client.py ./server/weather.py

    # 绝对路径
    uv run client.py /Users/username/projects/mcp-server/weather.py

    # Windows路径（两种格式均可）
    uv run client.py C:/projects/mcp-server/weather.py
    uv run client.py C:\\projects\\mcp-server\\weather.py
    ```

    ### 响应时间

    * 第一次响应可能需要最多30秒才能返回
    * 这是正常的，发生在以下情况时：
      * 服务器初始化
      * Claude处理查询
      * 工具正在执行
    * 后续响应通常更快
    * 在此初始等待期间不要中断进程

    ### 常见错误消息

    如果您看到：

    * `FileNotFoundError`：检查您的服务器路径
    * `Connection refused`：确保服务器正在运行且路径正确
    * `Tool execution failed`：验证工具所需的环境变量是否已设置
    * `Timeout error`：考虑增加客户端配置中的超时时间
  </Tab>

  <Tab title="Node">
    [您可以在GitHub上找到本教程的完整代码。](https://github.com/modelcontextprotocol/quickstart-resources/tree/main/mcp-client-typescript)

    ## 系统要求

    在开始之前，请确保您的系统满足以下要求：

    * Mac或Windows电脑
    * 已安装Node.js 16或更高版本
    * 已安装最新版本的`npm`
    * Anthropic API密钥（Claude）

    ## 设置您的环境

    首先，让我们创建并设置我们的项目：

    <CodeGroup>
      ```bash MacOS/Linux theme={null}
      # 创建项目目录
      mkdir mcp-client-typescript
      cd mcp-client-typescript

      # 初始化npm项目
      npm init -y

      # 安装依赖项
      npm install @anthropic-ai/sdk @modelcontextprotocol/sdk dotenv

      # 安装开发依赖项
      npm install -D @types/node typescript

      # 创建源文件
      touch index.ts
      ```

      ```powershell Windows theme={null}
      # 创建项目目录
      md mcp-client-typescript
      cd mcp-client-typescript

      # 初始化npm项目
      npm init -y

      # 安装依赖项
      npm install @anthropic-ai/sdk @modelcontextprotocol/sdk dotenv

      # 安装开发依赖项
      npm install -D @types/node typescript

      # 创建源文件
      new-item index.ts
      ```
    </CodeGroup>

    更新您的`package.json`以设置`type: "module"`和构建脚本：

    ```json package.json theme={null}
    {
      "type": "module",
      "scripts": {
        "build": "tsc && chmod 755 build/index.js"
      }
    }
    ```

    在项目根目录中创建一个`tsconfig.json`：

    ```json tsconfig.json theme={null}
    {
      "compilerOptions": {
        "target": "ES2022",
        "module": "Node16",
        "moduleResolution": "Node16",
        "outDir": "./build",
        "rootDir": "./",
        "strict": true,
        "esModuleInterop": true,
        "skipLibCheck": true,
        "forceConsistentCasingInFileNames": true
      },
      "include": ["index.ts"],
      "exclude": ["node_modules"]
    }
    ```

    ## 设置您的API密钥

    您需要从[Anthropic控制台](https://console.anthropic.com/settings/keys)获取一个Anthropic API密钥。

    创建一个`.env`文件来存储它：

    ```bash theme={null}
    echo "ANTHROPIC_API_KEY=<您的密钥>" > .env
    ```

    将`.env`添加到您的`.gitignore`文件中：

    ```bash theme={null}
    echo ".env" >> .gitignore
    ```

    <Warning>
      请确保您的`ANTHROPIC_API_KEY`安全！
    </Warning>

    ## 创建客户端

    ### 基本客户端结构

    首先，在`index.ts`中设置我们的导入并创建基本的客户端类：

    ```typescript theme={null}
    import { Anthropic } from "@anthropic-ai/sdk";
    import {
      MessageParam,
      Tool,
    } from "@anthropic-ai/sdk/resources/messages/messages.mjs";
    import { Client } from "@modelcontextprotocol/sdk/client/index.js";
    import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
    import readline from "readline/promises";
    import dotenv from "dotenv";

    dotenv.config();

    const ANTHROPIC_API_KEY = process.env.ANTHROPIC_API_KEY;
    if (!ANTHROPIC_API_KEY) {
      throw new Error("ANTHROPIC_API_KEY未设置");
    }

    class MCPClient {
      private mcp: Client;
      private anthropic: Anthropic;
      private transport: StdioClientTransport | null = null;
      private tools: Tool[] = [];

      constructor() {
        this.anthropic = new Anthropic({
          apiKey: ANTHROPIC_API_KEY,
        });
        this.mcp = new Client({ name: "mcp-client-cli", version: "1.0.0" });
      }
      // 方法将在这里
    }
    ```

    ### 服务器连接管理

    接下来，我们将实现连接到MCP服务器的方法：

    ```typescript theme={null}
    async connectToServer(serverScriptPath: string) {
      try {
        const isJs = serverScriptPath.endsWith(".js");
        const isPy = serverScriptPath.endsWith(".py");
        if (!isJs && !isPy) {
          throw new Error("服务器脚本必须是.js或.py文件");
        }
        const command = isPy
          ? process.platform === "win32"
            ? "python"
            : "python3"
          : process.execPath;
        
        this.transport = new StdioClientTransport({
          command,
          args: [serverScriptPath],
        });
        this.mcp.connect(this.transport);
        
        const toolsResult = await this.mcp.listTools();
        this.tools = toolsResult.tools.map((tool) => {
          return {
            name: tool.name,
            description: tool.description,
            input_schema: tool.inputSchema,
          };
        });
        console.log(
          "连接到服务器，可用工具:",
          this.tools.map(({ name }) => name)
        );
      } catch (e) {
        console.log("连接到MCP服务器失败: ", e);
        throw e;
      }
    }
    ```

    ### 查询处理逻辑

    现在让我们添加处理查询和处理工具调用的核心功能：

    ```typescript theme={null}
    async processQuery(query: string) {
      const messages: MessageParam[] = [
        {
          role: "user",
          content: query,
        },
      ];

      const response = await this.anthropic.messages.create({
        model: "claude-3-5-sonnet-20241022",
        max_tokens: 1000,
        messages,
        tools: this.tools,
      });

      const finalText = [];
      const toolResults = [];

      for (const content of response.content) {
        if (content.type === "text") {
          finalText.push(content.text);
        } else if (content.type === "tool_use") {
          const toolName = content.name;
          const toolArgs = content.input as { [x: string]: unknown } | undefined;

          const result = await this.mcp.callTool({
            name: toolName,
            arguments: toolArgs,
          });
          toolResults.push(result);
          finalText.push(
            `[调用工具 ${toolName} 使用参数 ${JSON.stringify(toolArgs)}]`
          );

          messages.push({
            role: "user",
            content: result.content as string,
          });

          const response = await this.anthropic.messages.create({
            model: "claude-3-5-sonnet-20241022",
            max_tokens: 1000,
            messages,
          });

          finalText.push(
            response.content[0].type === "text" ? response.content[0].text : ""
          );
        }
      }

      return finalText.join("\n");
    }
    ```

    ### 交互式聊天界面

    现在我们将添加聊天循环和清理功能：

    ```typescript theme={null}
    async chatLoop() {
      const rl = readline.createInterface({
        input: process.stdin,
        output: process.stdout,
      });

      try {
        console.log("\nMCP客户端已启动！");
        console.log("输入您的查询或输入'quit'退出。");

        while (true) {
          const message = await rl.question("\n查询: ");
          if (message.toLowerCase() === "quit") {
            break;
          }
          const response = await this.processQuery(message);
          console.log("\n" + response);
        }
      } finally {
        rl.close();
      }
    }

    async cleanup() {
      await this.mcp.close();
    }
    ```

    ### 主入口点

    最后，我们将添加主执行逻辑：

    ```typescript theme={null}
    async function main() {
      if (process.argv.length < 3) {
        console.log("用法: node index.ts <path_to_server_script>");
        return;
      }
      const mcpClient = new MCPClient();
      try {
        await mcpClient.connectToServer(process.argv[2]);
        await mcpClient.chatLoop();
      } finally {
        await mcpClient.cleanup();
        process.exit(0);
      }
    }

    main();
    ```

    ## 运行客户端

    要使用任何MCP服务器运行您的客户端：

    ```bash theme={null}
    # 构建TypeScript
    npm run build

    # 运行客户端
    node build/index.js path/to/server.py # python服务器
    node build/index.js path/to/build/index.js # node服务器
    ```

    <Note>
      如果您正在继续服务器快速入门中的天气教程，您的命令可能如下所示：`node build/index.js .../quickstart-resources/weather-server-typescript/build/index.js`
    </Note>

    **客户端将：**

    1. 连接到指定的服务器
    2. 列出可用工具
    3. 启动一个交互式聊天会话，您可以：
       * 输入查询
       * 查看工具执行
       * 从Claude获取响应

    ## 工作原理

    当您提交查询时：

    1. 客户端从服务器获取可用工具列表
    2. 您的查询与工具描述一起发送到Claude
    3. Claude决定使用哪些工具（如果有）
    4. 客户端通过服务器执行任何请求的工具调用
    5. 结果发送回Claude
    6. Claude提供自然语言响应
    7. 响应显示给您

    ## 最佳实践

    1. **错误处理**
       * 使用TypeScript的类型系统进行更好的错误检测
       * 将工具调用包装在try-catch块中
       * 提供有意义的错误消息
       * 优雅地处理连接问题

    2. **安全性**
       * 将API密钥安全地存储在`.env`中
       * 验证服务器响应
       * 谨慎处理工具权限

    ## 故障排除

    ### 服务器路径问题

    * 仔细检查您的服务器脚本路径是否正确
    * 如果相对路径不起作用，请使用绝对路径
    * 对于Windows用户，请确保在路径中使用正斜杠(/)或转义反斜杠(\\)
    * 验证服务器文件具有正确的扩展名（Node.js为.js，Python为.py）

    正确路径使用示例：

    ```bash theme={null}
    # 相对路径
    node build/index.js ./server/build/index.js

    # 绝对路径
    node build/index.js /Users/username/projects/mcp-server/build/index.js

    # Windows路径（两种格式均可）
    node build/index.js C:/projects/mcp-server/build/index.js
    node build/index.js C:\\projects\\mcp-server\\build\\index.js
    ```

    ### 响应时间

    * 第一次响应可能需要最多30秒才能返回
    * 这是正常的，发生在以下情况时：
      * 服务器初始化
      * Claude处理查询
      * 工具正在执行
    * 后续响应通常更快
    * 在此初始等待期间不要中断进程

    ### 常见错误消息

    如果您看到：

    * `Error: Cannot find module`：检查您的构建文件夹并确保TypeScript编译成功
    * `Connection refused`：确保服务器正在运行且路径正确
    * `Tool execution failed`：验证工具所需的环境变量是否已设置
    * `ANTHROPIC_API_KEY is not set`：检查您的.env文件和环境变量
    * `TypeError`：确保您为工具参数使用了正确的类型
  </Tab>

  <Tab title="Java">
    <Note>
      这是一个基于Spring AI MCP自动配置和启动器的快速入门演示。
      要了解如何手动创建同步和异步MCP客户端，请查阅[Java SDK客户端](/sdk/java/mcp-client)文档
    </Note>

    此示例演示了如何构建一个结合Spring AI的模型上下文协议（MCP协议）与[Brave搜索MCP服务器](https://github.com/modelcontextprotocol/servers/tree/main/src/brave-search)的交互式聊天机器人。该应用程序创建了一个由Anthropic的Claude AI模型驱动的对话界面，可以通过Brave搜索执行互联网搜索，从而实现对实时网络数据的自然语言交互。
    [您可以在GitHub上找到本教程的完整代码。](https://github.com/spring-projects/spring-ai-examples/tree/main/model-context-protocol/web-search/brave-chatbot)

    ## 系统要求

    在开始之前，请确保您的系统满足以下要求：

    * Java 17或更高版本
    * Maven 3.6+
    * npx包管理器
    * Anthropic API密钥（Claude）
    * Brave搜索API密钥

    ## 设置您的环境

    1. 安装npx（Node Package eXecute）：
       首先，确保安装[npm](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm)，
       然后运行：
       ```bash theme={null}
       npm install -g npx
       ```

    2. 克隆仓库：
       ```bash theme={null}
       git clone https://github.com/spring-projects/spring-ai-examples.git
       cd model-context-protocol/brave-chatbot
       ```

    3. 设置您的API密钥：
       ```bash theme={null}
       export ANTHROPIC_API_KEY='您的Anthropic API密钥'
       export BRAVE_API_KEY='您的Brave API密钥'
       ```

    4. 构建应用程序：
       ```bash theme={null}
       ./mvnw clean install
       ```

    5. 使用Maven运行应用程序：
       ```bash theme={null}
       ./mvnw spring-boot:run
       ```

    <Warning>
      请确保您的`ANTHROPIC_API_KEY`和`BRAVE_API_KEY`密钥安全！
    </Warning>

    ## 工作原理

    该应用程序通过多个组件将Spring AI与Brave搜索MCP服务器集成：

    ### MCP客户端配置

    1. 在pom.xml中所需的依赖项：

    ```xml theme={null}
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
    </dependency>
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-anthropic-spring-boot-starter</artifactId>
    </dependency>
    ```

    2. 应用程序属性（application.yml）：

    ```yml theme={null}
    spring:
      ai:
        mcp:
          client:
            enabled: true
            name: brave-search-client
            version: 1.0.0
            type: SYNC
            request-timeout: 20s
            stdio:
              root-change-notification: true
              servers-configuration: classpath:/mcp-servers-config.json
        anthropic:
          api-key: ${ANTHROPIC_API_KEY}
    ```

    这将激活`spring-ai-mcp-client-spring-boot-starter`，以根据提供的服务器配置创建一个或多个`McpClient`。

    3. MCP服务器配置（`mcp-servers-config.json`）：

    ```json theme={null}
    {
      "mcpServers": {
        "brave-search": {
          "command": "npx",
          "args": [
            "-y",
            "@modelcontextprotocol/server-brave-search"
          ],
          "env": {
            "BRAVE_API_KEY": "<PUT YOUR BRAVE API KEY>"
          }
        }
      }
    }
    ```

    ### 聊天实现

    聊天机器人使用Spring AI的ChatClient与MCP工具集成实现：

    ```java theme={null}
    var chatClient = chatClientBuilder
        .defaultSystem("You are useful assistant, expert in AI and Java.")
        .defaultTools((Object[]) mcpToolAdapter.toolCallbacks())
        .defaultAdvisors(new MessageChatMemoryAdvisor(new InMemoryChatMemory()))
        .build();
    ```

    关键特性：

    * 使用Claude AI模型进行自然语言理解
    * 通过MCP集成Brave搜索以实现实时网络搜索功能
    * 使用InMemoryChatMemory维护对话记忆
    * 作为交互式命令行应用程序运行

    ### 构建和运行

    ```bash theme={null}
    ./mvnw clean install
    java -jar ./target/ai-mcp-brave-chatbot-0.0.1-SNAPSHOT.jar
    ```

    或

    ```bash theme={null}
    ./mvnw spring-boot:run
    ```

    应用程序将启动一个交互式聊天会话，您可以在此提问。聊天机器人将在需要从互联网查找信息以回答您的问题时使用Brave搜索。

    聊天机器人可以：

    * 使用其内置知识回答问题
    * 在需要时使用Brave搜索执行网络搜索
    * 记住之前消息中的上下文
    * 结合多个来源的信息以提供全面的答案

    ### 高级配置

    MCP客户端支持额外的配置选项：

    * 通过`McpSyncClientCustomizer`或`McpAsyncClientCustomizer`进行客户端定制
    * 多种客户端与多种传输类型：`STDIO`和`SSE`（服务器发送事件）
    * 与Spring AI的工具执行框架集成
    * 自动客户端初始化和生命周期管理

    对于基于WebFlux的应用程序，您可以使用WebFlux启动器：

    ```xml theme={null}
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId>
    </dependency>
    ```

    这提供了类似的功能，但使用了基于WebFlux的SSE传输实现，推荐用于生产部署。
  </Tab>

  <Tab title="Kotlin">
    [您可以在此处找到本教程的完整代码。](https://github.com/modelcontextprotocol/kotlin-sdk/tree/main/samples/kotlin-mcp-client)

    ## 系统要求

    在开始之前，请确保您的系统满足以下要求：

    * Java 17 或更高版本
    * Anthropic API 密钥（Claude）

    ## 设置您的环境

    首先，如果您尚未安装 `java` 和 `gradle`，请先安装它们。
    您可以从 [Oracle 官方 JDK 网站](https://www.oracle.com/java/technologies/downloads/) 下载 `java`。
    验证您的 `java` 安装：

    ```bash theme={null}
    java --version
    ```

    现在，让我们创建并设置您的项目：

    <CodeGroup>
      ```bash MacOS/Linux theme={null}
      # 为我们的项目创建一个新目录
      mkdir kotlin-mcp-client
      cd kotlin-mcp-client

      # 初始化一个新的 Kotlin 项目
      gradle init
      ```

      ```powershell Windows theme={null}
      # 为我们的项目创建一个新目录
      md kotlin-mcp-client
      cd kotlin-mcp-client
      # 初始化一个新的 Kotlin 项目
      gradle init
      ```
    </CodeGroup>

    运行 `gradle init` 后，您将看到创建项目的选项。
    选择 **Application** 作为项目类型，**Kotlin** 作为编程语言，**Java 17** 作为 Java 版本。

    或者，您可以使用 [IntelliJ IDEA 项目向导](https://kotlinlang.org/docs/jvm-get-started.html) 创建一个 Kotlin 应用程序。

    创建项目后，添加以下依赖项：

    <CodeGroup>
      ```kotlin build.gradle.kts theme={null}
      val mcpVersion = "0.3.0"
      val slf4jVersion = "2.0.9"
      val anthropicVersion = "0.8.0"

      dependencies {
          implementation("io.modelcontextprotocol:kotlin-sdk:$mcpVersion")
          implementation("org.slf4j:slf4j-nop:$slf4jVersion")
          implementation("com.anthropic:anthropic-java:$anthropicVersion")
      }
      ```

      ```groovy build.gradle theme={null}
      def mcpVersion = '0.3.0'
      def slf4jVersion = '2.0.9'
      def anthropicVersion = '0.8.0'
      dependencies {
          implementation "io.modelcontextprotocol:kotlin-sdk:$mcpVersion"
          implementation "org.slf4j:slf4j-nop:$slf4jVersion"
          implementation "com.anthropic:anthropic-java:$anthropicVersion"
      }
      ```
    </CodeGroup>

    此外，将以下插件添加到您的构建脚本中：

    <CodeGroup>
      ```kotlin build.gradle.kts theme={null}
      plugins {
          id("com.github.johnrengelman.shadow") version "8.1.1"
      }
      ```

      ```groovy build.gradle theme={null}
      plugins {
          id 'com.github.johnrengelman.shadow' version '8.1.1'
      }
      ```
    </CodeGroup>

    ## 设置您的 API 密钥

    您需要从 [Anthropic 控制台](https://console.anthropic.com/settings/keys) 获取 Anthropic API 密钥。

    设置您的 API 密钥：

    ```bash theme={null}
    export ANTHROPIC_API_KEY='您的 Anthropic API 密钥'
    ```

    <Warning>
      请确保妥善保管您的 `ANTHROPIC_API_KEY`！
    </Warning>

    ## 创建客户端

    ### 基本客户端结构

    首先，让我们创建基本的客户端类：

    ```kotlin theme={null}
    class MCPClient : AutoCloseable {
        private val anthropic = AnthropicOkHttpClient.fromEnv()
        private val mcp: Client = Client(clientInfo = Implementation(name = "mcp-client-cli", version = "1.0.0"))
        private lateinit var tools: List<ToolUnion>

        // 方法将在此处定义

        override fun close() {
            runBlocking {
                mcp.close()
                anthropic.close()
            }
        }
    ```

    ### 服务器连接管理

    接下来，我们将实现连接到 MCP 服务器的方法：

    ```kotlin theme={null}
    suspend fun connectToServer(serverScriptPath: String) {
        try {
            val command = buildList {
                when (serverScriptPath.substringAfterLast(".")) {
                    "js" -> add("node")
                    "py" -> add(if (System.getProperty("os.name").lowercase().contains("win")) "python" else "python3")
                    "jar" -> addAll(listOf("java", "-jar"))
                    else -> throw IllegalArgumentException("服务器脚本必须是 .js、.py 或 .jar 文件")
                }
                add(serverScriptPath)
            }

            val process = ProcessBuilder(command).start()
            val transport = StdioClientTransport(
                input = process.inputStream.asSource().buffered(),
                output = process.outputStream.asSink().buffered()
            )

            mcp.connect(transport)

            val toolsResult = mcp.listTools()
            tools = toolsResult?.tools?.map { tool ->
                ToolUnion.ofTool(
                    Tool.builder()
                        .name(tool.name)
                        .description(tool.description ?: "")
                        .inputSchema(
                            Tool.InputSchema.builder()
                                .type(JsonValue.from(tool.inputSchema.type))
                                .properties(tool.inputSchema.properties.toJsonValue())
                                .putAdditionalProperty("required", JsonValue.from(tool.inputSchema.required))
                                .build()
                        )
                        .build()
                )
            } ?: emptyList()
            println("已连接到服务器，工具：${tools.joinToString(", ") { it.tool().get().name() }}")
        } catch (e: Exception) {
            println("连接到 MCP 服务器失败：$e")
            throw e
        }
    }
    ```

    此外，创建一个辅助函数将 `JsonObject` 转换为 Anthropic 的 `JsonValue`：

    ```kotlin theme={null}
    private fun JsonObject.toJsonValue(): JsonValue {
        val mapper = ObjectMapper()
        val node = mapper.readTree(this.toString())
        return JsonValue.fromJsonNode(node)
    }
    ```

    ### 查询处理逻辑

    现在让我们添加处理查询和处理工具调用的核心功能：

    ```kotlin theme={null}
    private val messageParamsBuilder: MessageCreateParams.Builder = MessageCreateParams.builder()
        .model(Model.CLAUDE_3_5_SONNET_20241022)
        .maxTokens(1024)

    suspend fun processQuery(query: String): String {
        val messages = mutableListOf(
            MessageParam.builder()
                .role(MessageParam.Role.USER)
                .content(query)
                .build()
        )

        val response = anthropic.messages().create(
            messageParamsBuilder
                .messages(messages)
                .tools(tools)
                .build()
        )

        val finalText = mutableListOf<String>()
        response.content().forEach { content ->
            when {
                content.isText() -> finalText.add(content.text().getOrNull()?.text() ?: "")

                content.isToolUse() -> {
                    val toolName = content.toolUse().get().name()
                    val toolArgs =
                        content.toolUse().get()._input().convert(object : TypeReference<Map<String, JsonValue>>() {})

                    val result = mcp.callTool(
                        name = toolName,
                        arguments = toolArgs ?: emptyMap()
                    )
                    finalText.add("[调用工具 $toolName，参数为 $toolArgs]")

                    messages.add(
                        MessageParam.builder()
                            .role(MessageParam.Role.USER)
                            .content(
                                """
                                    "type": "tool_result",
                                    "tool_name": $toolName,
                                    "result": ${result?.content?.joinToString("\n") { (it as TextContent).text ?: "" }}
                                """.trimIndent()
                            )
                            .build()
                    )

                    val aiResponse = anthropic.messages().create(
                        messageParamsBuilder
                            .messages(messages)
                            .build()
                    )

                    finalText.add(aiResponse.content().first().text().getOrNull()?.text() ?: "")
                }
            }
        }

        return finalText.joinToString("\n", prefix = "", postfix = "")
    }
    ```

    ### 交互式聊天

    我们将添加聊天循环：

    ```kotlin theme={null}
    suspend fun chatLoop() {
        println("\nMCP 客户端已启动！")
        println("输入您的查询或输入 'quit' 退出。")

        while (true) {
            print("\n查询：")
            val message = readLine() ?: break
            if (message.lowercase() == "quit") break
            val response = processQuery(message)
            println("\n$response")
        }
    }
    ```

    ### 主入口点

    最后，我们将添加主执行函数：

    ```kotlin theme={null}
    fun main(args: Array<String>) = runBlocking {
        if (args.isEmpty()) throw IllegalArgumentException("用法：java -jar <您的路径>/build/libs/kotlin-mcp-client-0.1.0-all.jar <服务器脚本路径>")
        val serverPath = args.first()
        val client = MCPClient()
        client.use {
            client.connectToServer(serverPath)
            client.chatLoop()
        }
    }
    ```

    ## 运行客户端

    要使用任何 MCP 服务器运行您的客户端：

    ```bash theme={null}
    ./gradlew build

    # 运行客户端
    java -jar build/libs/<您的 jar 名称>.jar path/to/server.jar # jvm 服务器
    java -jar build/libs/<您的 jar 名称>.jar path/to/server.py # python 服务器
    java -jar build/libs/<您的 jar 名称>.jar path/to/build/index.js # node 服务器
    ```

    <Note>
      如果您继续从服务器快速入门中的天气教程，您的命令可能类似于：`java -jar build/libs/kotlin-mcp-client-0.1.0-all.jar .../samples/weather-stdio-server/build/libs/weather-stdio-server-0.1.0-all.jar`
    </Note>

    **客户端将：**

    1. 连接到指定的服务器
    2. 列出可用工具
    3. 启动交互式聊天会话，您可以：
       * 输入查询
       * 查看工具执行
       * 获取 Claude 的响应

    ## 工作原理

    以下是高级工作流程示意图：

    ```mermaid theme={null}
    ---
    config:
        theme: neutral
    ---
    sequenceDiagram
        actor User
        participant Client
        participant Claude
        participant MCP_Server as MCP Server
        participant Tools

        User->>Client: 发送查询
        Client<<->>MCP_Server: 获取可用工具
        Client->>Claude: 发送带有工具描述的查询
        Claude-->>Client: 决定工具执行
        Client->>MCP_Server: 请求工具执行
        MCP_Server->>Tools: 执行所选工具
        Tools-->>MCP_Server: 返回结果
        MCP_Server-->>Client: 发送结果
        Client->>Claude: 发送工具结果
        Claude-->>Client: 提供最终响应
        Client-->>User: 显示响应
    ```

    当您提交查询时：

    1. 客户端从服务器获取可用工具列表
    2. 您的查询与工具描述一起发送到 Claude
    3. Claude 决定使用哪些工具（如果有）
    4. 客户端通过服务器执行请求的工具调用
    5. 结果被发送回 Claude
    6. Claude 提供自然语言响应
    7. 响应显示给您

    ## 最佳实践

    1. **错误处理**
       * 利用 Kotlin 的类型系统显式建模错误
       * 在可能发生异常时，将外部工具和 API 调用包装在 `try-catch` 块中
       * 提供清晰且有意义的错误消息
       * 优雅地处理网络超时和连接问题

    2. **安全性**
       * 将 API 密钥和秘密安全地存储在 `local.properties`、环境变量或秘密管理器中
       * 验证所有外部响应，以避免意外或不安全的数据使用
       * 在使用工具时谨慎处理权限和信任边界

    ## 故障排除

    ### 服务器路径问题

    * 仔细检查服务器脚本的路径是否正确
    * 如果相对路径不起作用，请使用绝对路径
    * 对于 Windows 用户，请确保在路径中使用正斜杠 (/) 或转义的反斜杠 ()
    * 确保已安装所需的运行时（Java 需要 java，Node.js 需要 npm，Python 需要 uv）
    * 验证服务器文件具有正确的扩展名（Java 为 .jar，Node.js 为 .js，Python 为 .py）

    正确路径用法的示例：

    ```bash theme={null}
    # 相对路径
    java -jar build/libs/client.jar ./server/build/libs/server.jar

    # 绝对路径
    java -jar build/libs/client.jar /Users/username/projects/mcp-server/build/libs/server.jar

    # Windows 路径（两种格式均可）
    java -jar build/libs/client.jar C:/projects/mcp-server/build/libs/server.jar
    java -jar build/libs/client.jar C:\\projects\\mcp-server\\build\\libs\\server.jar
    ```

    ### 响应时间

    * 第一次响应可能需要长达 30 秒才能返回
    * 这是正常的，发生在以下情况时：
      * 服务器初始化
      * Claude 处理查询
      * 工具正在执行
    * 后续响应通常更快
    * 在初始等待期间不要中断进程

    ### 常见错误消息

    如果您看到：

    * `Connection refused`：确保服务器正在运行且路径正确
    * `Tool execution failed`：验证工具的所需环境变量是否已设置
    * `ANTHROPIC_API_KEY is not set`：检查您的环境变量
  </Tab>
</Tabs>

## 下一步

<CardGroup cols={2}>
  <Card title="示例服务器" icon="grid" href="/examples">
    查看我们的官方MCP服务器和实现库
  </Card>

  <Card title="客户端" icon="cubes" href="/clients">
    查看支持MCP集成的客户端列表
  </Card>

  <Card title="使用LLM构建MCP" icon="comments" href="/tutorials/building-mcp-with-llms">
    学习如何使用Claude等LLM加速您的MCP开发
  </Card>

  <Card title="核心架构" icon="sitemap" href="/docs/concepts/architecture">
    了解MCP如何连接客户端、服务器和LLM
  </Card>
</CardGroup>