今天我们将使用FastAPI来构建 MCP 服务器，Anthropic 推出的这个MCP 协议，目的是让 AI 代理和你的应用程序之间的对话变得更顺畅、更清晰。FastAPI 基于 Starlette 和 Uvicorn，采用异步编程模型，可轻松处理高并发请求，尤其适合 MCP 场景下大模型与外部系统的实时交互需求，其性能接近 Node.js 和 Go，在数据库查询、文件操作等 I/O 密集型任务中表现卓越。
FastAPI基础知识
安装依赖
pip install uvicorn, fastapi
FastAPI服务代码示例
from fastapi import FastAPI
app = FastAPI()
@app.get("/")
async def root():
return {"data": "Hello MCP！"}
uvicorn启动server
uvicorn server:app --reload
接下来，我们将基于FastAPI来开发MCP服务器
FastAPI开发MCP Server
FastAPI-MCP 一个零配置工具，用于自动将FastAPI端点暴露为模型上下文协议（MCP）工具。其特点在于简洁性和高效性，以下是一些主要特点：
- 直接集成：不需要复杂的设置，直接集成到FastAPI应用中。
- 自动转换：无需手动编写代码，自动将FastAPI端点转换为MCP工具。
- 灵活性：支持自定义MCP工具，与自动生成的工具一同使用。
- 性能：基于Python 3.10+和FastAPI，保证了高性能的API服务。
- 文档友好：保持了原有的API文档，方便开发者使用和理解。
安装依赖
pip install fastapi-mcp
MCP服务代码示例
from fastapi import FastAPI
from fastapi_mcp import add_mcp_server
from typing import Any
import httpx
# 常量
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"
app = FastAPI()
mcp_server = add_mcp_server(
app, # FastAPI 应用
mount_path="/mcp", # MCP 服务器挂载的位置
name="Weather MCP Server", # MCP 服务器的名字
describe_all_responses=True, # 默认是 False。就像打开一个百宝箱，把所有可能的响应模式都包含在工具描述里，而不只是成功的响应。
describe_full_response_schema=True # 默认是 False。把完整的 JSON 模式包含在工具描述里，而不只是一个对大语言模型友好的响应示例。
)
async def make_nws_request(url: str) -> dict[str, Any] | None:
"""向 NWS API 发起请求，并进行错误处理。"""
headers = {
"User-Agent": USER_AGENT,
"Accept": "application/geo+json"
}
async with httpx.AsyncClient() as client:
try:
response = await client.get(url, headers=headers, timeout=30.0)
response.raise_for_status()
return response.json()
except Exception:
return None
@mcp_server.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
"""获取地点的天气预报。
参数:
latitude: 地点的纬度
longitude: 地点的经度
"""
points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
points_data = await make_nws_request(points_url)
if not points_data:
return "Unable to fetch forecast data for this location."
forecast_url = points_data["properties"]["forecast"]
forecast_data = await make_nws_request(forecast_url)
if not forecast_data:
return "Unable to fetch detailed forecast."
periods = forecast_data["properties"]["periods"]
forecasts = []
for period in periods[:5]:
forecast = f"""
{period['name']}:
Temperature: {period['temperature']}°{period['temperatureUnit']}
Wind: {period['windSpeed']} {period['windDirection']}
Forecast: {period['detailedForecast']}
"""
forecasts.append(forecast)
return "\n---\n".join(forecasts)
启动 mcp server
uvicorn server:app --host 0.0.0.0 --port 8001 --reload
启动 mcp inspector 调试
CLIENT_PORT=8081 SERVER_PORT=8082 npx -y @modelcontextprotocol/inspector
当集成了 MCP 的 FastAPI 应用运行起来后，可以用任何支持 SSE 的 MCP 客户端连接它。我们这里还是使用 mcp inspector 进行调试，通过 SSE 连接 Weather MCP 服务器。
SSE是一种单向通信的模式，所以它需要配合HTTP Post来实现客户端与服务端的双向通信。严格的说，这是一种HTTP Post（客户端->服务端） + HTTP SSE（服务端->客户端）的伪双工通信模式，区别于WebSocket双向通信。
如果MCP客户端不支持SSE，可以使用mcp-proxy连接MCP服务器。本质上是本地通过stdio连接到mcp-proxy，再由mcp-proxy通过SSE连接到MCP Server上。
mcp-proxy 支持两种模式，stdio to SSE 和 SSE to stdio。
安装 mcp-proxy
uv tool install mcp-proxy
配置 claude_desktop_config.json
{
"mcpServers": {
"weather-api-mcp-proxy": {
"command": "mcp-proxy",
"args": ["http://127.0.0.1:8001/mcp"]
}
}
}
FastAPI-MCP目前还有很多功能不完善，我们将持续关注进展。
大模型基建工程总结
FastAPI 构建 MCP 服务器的核心价值在于：通过类型安全的异步接口，将企业现有能力快速转化为大模型可调用的标准化服务。这种架构既保留了 FastAPI 的高效开发体验，又通过 MCP 协议实现了与前沿 AI 技术的无缝对接，同时结合 Docker 和 Kubernetes 实现弹性伸缩部署，可以快速应对大模型调用量的突发增长，是构建下一代智能系统的理想选择。
如何高效转型AI大模型领域？
学习AI 的门槛不高，给大家推荐一个非常优质的 AI 大模型资料，由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。入口直接给放下面了，扫描下方二维码即可领取↓
AI大模型知识脑图
AI大模型精选书籍
AI大模型视频教程
AI大模型面试场景题
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
扫一扫
804
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
