【全栈实战】Spring AI + MCP：手把手教你实现“指数基金实时估值”与 AI 全链路观测系统
前言
想在盘中随时看到自己持仓组合的实时估值，而不是等到深夜才看净值更新？ 同时，作为开发者，在接入大模型、MCP 工具和向量库后，如何一眼看清Token 消耗、响应时长、Tool 调用耗时，做到可观测、可调优？
本文将从一个指数基金估值实时计算的需求出发，串联MCP 工具、Prometheus 指标与 Grafana 仪表盘，讲清楚如何构建一套工业级的金融 AI 助手。
一、 核心故事：指数基金估值为何能实时计算？
1.1 为什么指数基金可以“盲拆”估值？
与主动基金经理频繁调仓不同，指数基金（或 ETF）的持仓高度透明且被动跟踪。 只要获取到对应指数的实时涨跌幅，就能通过以下公式高精度还原当前估值：
1.2 MCP 在其中的关键角色
在本项目中，MCP Server负责数据采集与逻辑计算的核心工作：
- 提供行情类 Tool：定义了
hs300Index、csi930713等工具，实时从新浪行情接口拉取最新价与涨跌幅。 - 持久化持仓数据：在 MySQL 的
index_position表中存储「指数代码 → 持仓金额」。 - 逻辑计算与打点：内置
IndexMetricsCollector每 10 秒读取持仓并结合 Tool 抓取的实时行情算出估值，再通过Micrometer转换成 Prometheus 指标
二、 观测神器：从金融行情到 AI 调用的全方位监控
项目预置了两大核心仪表盘，让后端数据流向清晰可见。
2.1 「MCP 指数行情」仪表盘：投资动态实时掌控
该面板直接从 Prometheus 读取指标，实现以下可视化功能：
- 持仓估值表：实时展示各指数的持仓金额与当前估值，并自动算出。
- 趋势曲线：展示三大指数（沪深 300、人工智能、中证 500）的最新价与涨跌幅实时波动曲线。
2.2 「AI 调用观测」仪表盘：性能调优不再黑盒
针对Streaming AI Service的调用过程，我们可以监控：
Token 消耗：按Input/Output/Total维度实时统计，精准监控成本。
响应时长：拆解Chat/Advisor的平均与最大响应时间，判断系统瓶颈。
工具与向量库耗时：实时展示 MCP Tool（如查询行情）和向量库检索的 MAX 耗时趋势，快速定位慢调用。
三、 智能交互：你的金融 AI 助手能聊什么？
得益于 MCP 协议将大模型与实时数据、监控指标打通，你的 AI 助手可以处理复杂的实时请求：
- 行情分析：“总结今日人工智能指数的表现。”（AI 自动调用行情 Tool 获取数据并分析）
- 持仓诊断：“我现在的持仓里，哪个指数收益最好？”（AI 触发 MCP 逻辑，对比 MySQL 持仓与实时估值）
四、 技术实现：项目架构与部署
4.1 整体架构组件
项目通过 Docker Compose 一键编排，包含以下核心模块：
mcp-server (8001)：基于 Spring AI MCP 构建，提供 Tools 接口，依赖 MySQL 存储持仓。
streaming-ai-service (8080)：流式对话主应用，连接 MCP 使用其 Tools，依赖 MongoDB 存储会话记忆。
监控全家桶：Prometheus 采集指标，Grafana 负责仪表盘展示。
4.2 部署方式：Docker Compose 一键启动
为了方便开发者快速上手，项目采用了全容器化部署：
本地构建：需先通过
mvn package将mcp-server与streaming-ai-service打成可执行 jar 包。镜像编排：由 Docker Compose 统一构建镜像并启动包含 MySQL、MongoDB、Prometheus、Grafana 在内的全量服务。
指标采集配置：在
prometheus.yml中预配置了对my-mcp-server:8001和streaming-ai-service:8080的自动抓取任务。开箱即用：Grafana 通过provisioning机制自动挂载数据源与 Dashboards 目录。 只要服务启动，访问 3000 端口即可直接看到「MCP 指数行情」与「AI 调用观测」面板。
结语
整条故事线可以概括为：用 MCP 侧的行情 Tool 和持仓数据算估值，通过指标暴露给监控系统，最后由 AI 助手提供自然的交互入口。这套方案不仅解决了“基金实时估值”的痛点，更为构建可观测、可调优的工业级 AI 应用提供了一个完整模版。