JSCODE Logo
JSCODE 박재성JSCODE 제이온JSCODE 시니
온라인 강의프로그래밍 과외책/전자책무료 강의
유튜브블로그
후기
완강 후기 이벤트블로그 리뷰 이벤트AWS SAA 합격 후기 이벤트
회사명 : JSCODE대표 : 박재성사업자 등록번호 : 244-22-01557통신판매업 : 제 2023-인천미추홀-0381 호

서울특별시 구로구 경인로 20가길 11(오류동, 아델리아)

Copyright ⓒ 2026 JSCODE - 최상위 현업 개발자들의 프로그래밍 교육 All rights reserved.

이용약관개인정보처리방침

실무에 바로 적용하는 Spring AI: Spring 서비스에 챗봇·RAG·MCP 도입하기

백엔드 개발자를 위한 LLM 기초

Prompt란 무엇일까?
Tokens란 무엇일까? /
Embeddings란 무엇일까? / Semantic Space
Fine Tuning이란 무엇일까?
RAG란 무엇일까?
AI Models란 무엇일까?
AI Model Providers란 무엇일까?

Spring AI 기본기

Spring AI란 무엇일까? / 백엔드 개발자가 왜 Spring AI를 배워야할까?
Spring AI 1.0 GA의 탄생
Spring AI와 LangChain - 어떤 도구를 선택해야 할까?
Spring AI와 LangChain - Chat Model 쉽게 이해하기
Spring AI와 LangChain - VectorStore 인터페이스

Spring AI 핵심 구성요소

핵심 컴포넌트 - ChatClient, Advisors, Prompts, Models, Structured Output
Spring AI ChatClient란 무엇일까?
Spring AI Advisor란 무엇일까?
Spring AI Prompts란 무엇일까?
Spring AI Models이란 무엇일까?
Spring AI Structured Output이란 무엇일까?

Spring AI로 만드는 채팅 API — 클라우드(OpenAI)와 로컬(Ollama

[실습] Spring AI 로컬 환경 설정 - Spring Boot 4.x, Gradle
[실습] OpenAI API Key 발급받기
[실습] OpenAI API를 활용한 채팅 API 환경 구축
[실습] Swagger UI를 활용한 테스트 - OpenAI API
[실습] Ollama 설치하기 / Hugging Face란 무엇일까? / GGUF
[실습] Ollama를 활용한 채팅 API 환경 구축
[실습] Swagger UI를 활용한 테스트 - Ollama
Spring AI 응답의 형태 - ChatClient Responses
[실습] Streaming으로 Flux 형태로 응답받기

실무에 쓰는 챗봇 만들기 - ‘대화 기억’부터 ‘CS 문의 자동 분류’까지

Spring AI Prompts - Chat Options란 무엇일까?
Spring AI Prompts - 프롬프트 엔지니어링 9가지 패턴
[실습] CLI 챗봇 개발 환경 아키텍처 미리보기
[실습] Chat Memory Advisor로 메모리 기능 추가하기
[실습] Chat Service 구현 - Advisor, CONVERSATION_ID
[실습] Spring Boot에서 CLI 기능 구현 및 테스트하기
[실습] Chat Controller 구현 - call과 stream 방식의 Chat REST API
[실습] Structured Output Converter를 통한 쇼핑몰 CS 문의 긴급도 분류하기

Vector Database와 유사도 검색 - RAG를 위한 핵심 개념

Vector Database란 무엇일까?
Vector Database Cosine Similarity란 무엇일까? / Spring AI의 Similarity Score
Spring AI Vector Store API
Metadata Filters란 무엇일까?

RAG 챗봇 만들기 - 데이터 전처리부터 ElasticSearch 연동까지

LLM 한계 극복을 위한 RAG 도입
실무에서 Spring AI를 통한 RAG 구현 방법
고품질 RAG를 위한 데이터 전처리 - Extract, Transform, Load
Spring AI RAG 기본 설계
[실습] RAG 챗봇 개발을 위한 로컬 환경 구축
[실습] RAG ETL 파이프라인 구현
[실습] RAG Advisors 구현
[실습] RAG Service 구현
[실습] RAG CLI 구현 및 실행 테스트
[실습] RAG REST API 구현
[실습] Docker 설치
[실습] ElasticSearch 기반 VectorStore로 변경하기

AI와 외부 시스템 연결하기 - Tool Calling으로 API 호출 자동화

Spring AI Tool Calling과 작동 프로세스
[실습] Tool Calling 개발 환경 구축
[실습] 지역별 날씨 조회 외부 API Tool 구현
[실습] Tool Service 구현
[실습] ToolCallingManager 설정
[실습] ToolChatConfig, ToolController 구현 - CLI, REST API
[실습] CLI 및 REST API 테스트

MCP로 완성하는 AI 연동 - Client & Server 개발과 외부 서버 활용

MCP란 무엇일까?
Tool Calling VS MCP
[실습] 아키텍처 미리보기
[실습] MCP Client 개발 환경 구축
[실습] MCP Server 개발 환경 구축
[실습] 외부 MCP Server와 연동한 실시간 날씨 조회 - MCP Client 개발
[실습] 외부 MCP Server와 연동한 실시간 날씨 조회 - MCP Server 개발
[실습] 외부 MCP Server와 연동한 실시간 날씨 조회 - MCP 연동
[실습] CLI 및 RestAPI 테스트
← 블로그 목록으로 돌아가기

[실습] 외부 MCP Server와 연동한 실시간 날씨 조회 - MCP Client 개발

JSCODE 시니
JSCODE 시니
2026. 06. 13.
author
JSCODE 시니
category
Spring AI
createdAt
Jun 13, 2026 09:55 AM
isPublic
isPublic
series
실무에 바로 적용하는 Spring AI: Spring 서비스에 챗봇·RAG·MCP 도입하기
slug
practice-mcp-client-development-for-weather-service
type
post
updatedAt

✅ 1. 파이썬 설치 및 mcp_weather_server 설치

💁‍♀️
파이썬이 설치되지 않으신 분들은 파이썬을 설치하고 진행해주시길 바랍니다.
mcp-weather-server
An MCP server for weather information
mcp-weather-server
https://pypi.org/project/mcp-weather-server/
mcp-weather-server
pip3 install mcp pip3 install mcp_weather_server python -m mcp_weather_server
 

✅ 2. application.yaml 수정

spring: application: name: tool # 애플리케이션 이름 ai: mcp: client: enabled: true # MCP Client 활성화 type: SYNC # MCP Client 타입 stdio: connections: weather-mcp-server: # MCP 서버 실행 Python 경로 command: /Users/siyeon/Downloads/tool/venv/bin/python args: - -m - mcp_weather_server # MCP 서버 실행 인자
 
 
 

✅ 3. Service 구현

package com.jscode.tool.service; @Slf4j @Service public class McpService { private final ChatClient chatClient; public McpService(ChatClient.Builder chatClientBuilder, Advisor[] advisors, @Value("${app.chat.default-system-prompt:}") String systemPrompt, ToolCallbackProvider[] toolCallbackProviders) { // 1. ToolCallback 추출 및 로깅 List<ToolCallback> callbackList = new ArrayList<>(); // 툴 콜백들을 임시로 담아둘 리스트 생성 for (ToolCallbackProvider provider : toolCallbackProviders) { // 주입받은 프로바이더 배열 순회 for (ToolCallback callback : provider.getToolCallbacks()) { // 각 프로바이더가 가지고 있는 콜백(기능)들을 다시 순회 // 각 툴의 이름과 설명을 로그로 출력 (어떤 툴들이 로드되었는지 확인용) log.info("Tool loaded – name: {}, description: {}", callback.getToolDefinition().name(), callback.getToolDefinition().description()); callbackList.add(callback); // 확인된 콜백을 리스트에 추가 } } // 리스트에 모인 콜백들을 ChatClient 설정에 넣기 위해 배열 형태로 변환 ToolCallback[] toolCallbacks = callbackList.toArray(new ToolCallback[0]); // 2. ChatClient 설정 this.chatClient = chatClientBuilder .defaultSystem(systemPrompt) .defaultOptions(ToolCallingChatOptions.builder().temperature(0.2).build().mutate()) .defaultAdvisors(advisors) .defaultToolCallbacks(toolCallbacks) .build(); } private ChatClient.ChatClientRequestSpec createRequest(String conversationId, Prompt prompt) { return chatClient.prompt(prompt) .advisors(advisors -> advisors.param(ChatMemory.CONVERSATION_ID, conversationId)); } public Flux<String> stream(String conversationId, Prompt prompt) { return createRequest(conversationId, prompt).stream().content(); } public ChatResponse call(String conversationId, Prompt prompt) { return createRequest(conversationId, prompt).call().chatResponse(); } }