大家好，我是二哥呀。
求职派在后台积累了大量的校招与实习岗位数据。如果这些数据只能通过网页或者小程序供大家检索，它的价值其实只发挥了一半。
如果我们能把这套职位库做成一个标准的 MCP 服务，让外部的 AI 助手直接按需调用，体验就会完全不同。
无论是 Claude Desktop、Cursor、Trae，还是大家自己搭建的智能体，都可以通过标准协议接入求职派，实时完成岗位筛选与智能推荐。
这篇内容将完整记录求职派首个 MCP 服务的诞生过程，带大家一步步跑通协议配置、工具定义、权限鉴权与客户端联调。
系好安全带，我们粗粗发～
01、为什么要把求职派做成一个 MCP Server？
在传统开发模式下，如果想把系统的数据能力开放给外部 AI，我们通常需要单独写一套 RESTful 接口。
客户端为了调用这套接口，既要理解参数格式，又要自己编写解析代码。一旦接口定义发生变化，两端都需要同步修改。
MCP 的出现，改变了这种繁琐的对接方式。
它提供了一套基于 JSON-RPC 的统一交互规范，服务端只要声明自己拥有的工具和输入描述，客户端就能在运行时自主发现并完成调用。
我们的一期设计目标非常明确，就是根据用户的个人背景与求职意向，为其推荐匹配的校招机会。
比如用户可以在 AI 助手里直接提问“帮我看看今年有哪些适合计算机专业应届生的深圳岗位”，或者“我想进银行类国企，有什么正在开放的校招吗”。
AI 助手会通过统一协议访问求职派服务端，自动提取用户的查询条件，最终返回结构化的推荐职位。
整个交互过程可以拆分为两个阶段。
首先是配置阶段，用户把求职派的连接端点配置到客户端工具（例如 Trae）中，双方完成握手与能力协商。
随后是使用阶段，用户在客户端发起对话，大模型识别到查询意图后，触发求职派的工具方法并渲染返回结果。
通过上面的时序图可以看出，客户端与服务端之间解耦得非常彻底。我们只需要专心把服务端的接口和数据逻辑做好，剩下的意图解析与调用编排全部交给大模型来完成。
02、Spring AI 下如何快速搭建一个 MCP Server？
在 Spring AI 生态中搭建服务端并不复杂，官方已经为我们提供了高度封装的 Starter 依赖。
第一步，我们需要在工程的依赖管理文件里引入对应的 WebMVC Starter 依赖包。
<dependency>
<groupid>org.springframework.ai</groupid>
<artifactid>spring-ai-starter-mcp-server-webmvc</artifactid>
</dependency>
引入依赖之后，Spring Boot 就会自动装配底层的传输通道与请求调度器。
接下来，我们需要在配置文件中声明服务的核心参数与传输端点。
具体的配置内容如下所示。
spring:
ai:
mcp:
server:
name: 求职派
type: sync
instructions: "求职派是一个专业的校招信息推荐服务，可以根据您输入的个人求职意愿如求职公司类型、工作地点要求、求职岗位、校招或者实习、毕业年限，自动匹配返回最优的校招信息列表，让你不再错过招聘信息"
sse-endpoint: /sse
sse-message-endpoint: /mcp/messages
version: 1.0.0
capabilities:
tool: true # 是否支持工具
resource: true # 是否支持资源
prompt: true # 是否支持提示词
completion: true # 是否支持补全
其中参数 sse-endpoint 代表客户端建立监听通道的地址，服务端会通过长连接向客户端推送通知。
参数 sse-message-endpoint 则是客户端向服务端发送具体调用指令的消息入口。
我们在属性 instructions 里用清晰的自然语言描述了求职派的核心能力，这部分内容会在握手阶段直接同步给客户端，帮助大模型快速建立系...
回复