fastapi-mcp让你的API接口秒变MCP tools

原创 已于 2025-04-01 12:08:28 修改 · 1.4k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#fastapi #人工智能

于 2025-04-01 10:52:58 首次发布

你是否曾想过，让你精心构建的 FastAPI 应用接口，能够被 AI 模型（比如 Cursor、Claude 等）直接调用，成为它们强大的“外部工具”？

想象一下，不再需要手动为 AI 编写繁琐的工具描述和接口规范，只需几行代码，你的 API 就能无缝接入 AI 的工作流。

听起来很酷？现在，这一切都成为了可能！隆重介绍 FastAPI-MCP！

🤔 什么是 MCP？

你可能第一次听说 MCP。简单理解，MCP 是一种新兴的开放标准，旨在规范 AI 模型如何发现、理解和使用外部工具（比如 API、函数等）。有了这个标准，AI 就能更智能、更统一地与外部世界互动。

✨ FastAPI-MCP 的亮点？简直不要太方便！

厌倦了为 AI 手动适配 API？FastAPI-MCP 来拯救你了！

  • 🤝 直接集成，无缝对接: 无需复杂的设置，直接将 MCP 服务挂载到你现有的 FastAPI 应用上。
  • ⚙️ 零配置，开箱即用: 真的！你只需要告诉它你的 FastAPI 应用在哪里，剩下的交给它。
  • 🤖 自动发现，智能转换: 它会自动扫描你所有的 FastAPI 路由（endpoints），并将其转换为 MCP 工具。
  • 📑 保留模式，信息不丢失: 你精心设计的 Pydantic 请求/响应模型（schemas）会被完整保留，AI 清晰知道如何发送请求和解析响应。
  • ✍️ 保留文档，AI 也爱看: 你在 Swagger/OpenAPI 中为端点编写的描述文档也会被一并转换，让 AI 准确理解每个工具的用途。
  • 🧩 轻松扩展，自定义无忧: 除了自动生成的工具，你还可以轻松添加自定义的 MCP 工具，满足更复
最低0.47元/天 解锁文章
movie__movie
关注
使用FastAPI-MCP，让 FastAPI 应用秒变 MCP 服务器
互联网架构师笔记
03-30 2040
FastAPI-MCP 是一款零配置工具，可让 FastAPI 应用自动暴露所有端点，并兼容 Model Context Protocol (MCP)。
LLM - 使用 FastAPI-MCP 库部署 FastAPI 接口 与 MCP 服务
AGI
09-16 1193
MCP，即 Model Context Protocol，模型上下文协议，开放协议(Open Protocol)，用于规范应用程序为语言模型提供工具和上下文。FastAPI 服务可通过 fastapi-mcp 库构建 MCP 服务，对外提供 MCP 工具。
实战|用FastAPI-MCP，几行代码打造高效MCP工具服务！
2401_84204413的博客
08-20 782
FastAPI-MCP是一个开源框架，能够将现有FastAPI接口快速转换为支持MCP协议的工具服务，无需重写API逻辑。它通过自动读取FastAPI的路由、模型和文档，生成符合MCP规范的工具集，支持LLM直接调用。主要特点包括：继承现有认证机制、极简配置、保留接口文档、灵活部署方式（可挂载或独立部署）。安装只需pip install fastapi-mcp，基础使用仅需两行代码即可完成转换。项目支持选择性暴露API、无缝集成现有认证体系，并保持高效通信性能。该方案显著降低了传统API与AI工作流的集成门
【MCP】FastAPI-MCP: 为AI模型赋能的零配置API工具
qq_20623849的博客
04-18 1773
本文深入探讨 FastAPI-MCP 库，该库利用 FastAPI 内建的 OpenAPI schema 生成能力，自动化地将 API 端点转换为符合模型上下文协议（MCP）规范的工具。我们将讨论其核心机制、实现细节、高级配置选项以及与 MCP 客户端的集成方式，旨在为需要将现有 FastAPI 服务暴露给 AI Agent 或其他 MCP 兼容系统的开发者提供技术参考。
FastAPI-MCP：原生集成MCP协议，零配置部署，连接FastAPI与大模型的必备工具！
最新发布
2401_84204413的博客
09-26 672
FastAPI-MCP是一个开源工具，可将FastAPI应用端点以MCP工具形式暴露并支持身份验证。作为原生扩展，它无需额外转换即可高效通信；零配置部署简单集成；保留完整文档和架构；支持安全灵活部署。适合需要快速启用MCP功能的FastAPI开发者，尤其对安全性、灵活性和效率有要求的团队。
将现有 REST API 转换为 MCP Server工具 -higress
04-03 3948
Higress 是一款云原生 API 网关，集成了流量网关、微服务网关、安全网关和 AI 网关的功能。它基于 Istio 和 Envoy 开发，支持使用 Go/Rust/JS 等语言编写 Wasm 插件。提供了数十个通用插件和开箱即用的控制台。Higress AI 网关支持多种 AI 服务提供商，如 OpenAI、DeepSeek、通义千问等，并具备令牌限流、消费者鉴权、WAF 防护、语义缓存等功能。
如何将普通的HTTP API接口快速变成MCP Server？
m0_71746299的博客
07-21 1297
《MCP协议：大模型与外部系统的标准桥梁》 摘要：MCP协议（模型上下文协议）作为连接大语言模型与外部系统的标准化方案，自2024年11月发布以来迅速获得行业关注。文章解析了MCP Server的三种实现形态：标准输入/输出（C/S架构）、服务器发送事件（B/S架构）和新型Streamable HTTP方式，重点指出后者在可靠性、兼容性和扩展性方面的优势。MCP协议不仅解决了大模型调用外部工具的技术标准化问题，更创新性地实现了工具开发者与智能体开发者的角色分离。通过对比Function Calling的工作
快速将HTTP API转为 MCP Server
chasiona的专栏
06-13 1723
本教程介绍了两种将聚合数据API转为MCP Server的方法。方法一使用Python FastMCP SDK，详细讲解了从项目创建、环境配置到代码编写的完整流程，重点展示了如何对接聚合天气API并启动MCP服务。方法二推荐使用聚合MCP中心的一键开通服务。教程包含具体代码示例和测试截图，适合开发者快速实现API到MCP的转换，使大模型能够直接调用聚合数据服务。
大模型新基座，基于FastAPI，利用Python开发MCP服务器
ai_tech_talk的博客
04-01 2078
别被MCP协议吓退！Python服务器搭建超简单。
MCP协议转换架构设计文档及FastAPI-MCP工具实现原理
分享平时的学习心得和笔记
05-14 866
本文探讨了MCP协议转换架构的设计与实现，旨在解决服务框架迁移和兼容性问题。MCP协议通过标准化接口和适配器模式，实现不同服务框架的互操作性。文章详细介绍了MCP协议转换架构的设计原则，包括标准化接口、适配器模式和模块化设计，并展示了如何通过协议适配器将HSF服务转换为MCP兼容服务。此外，文章还介绍了基于FastAPI的MCP协议转换工具的实现原理，包括服务发现、接口适配和数据传递功能，并提供了代码示例。最后，文章阐述了MCP Server的运行原理和搭建步骤，帮助开发者快速实现服务迁移。通过MCP协议转
某大厂HSF转MCP实战解析与FastAPI-MCP协议转换核心技术揭秘
分享平时的学习心得和笔记
05-14 725
某头部互联网企业面临HSF微服务向MCP协议AI化转型的挑战，主要问题包括协议迭代冲突和技术栈割裂。为应对这些挑战，企业提出了零代码侵入、支持灰度发布和保留现有服务治理体系的核心诉求。解决方案包括设计HSF转MCP架构，实现协议卸载层、语义映射层和服务治理层的技术突破，如字段动态描述注入和协议卸载引擎。此外，开发了FastAPI-MCP协议转换工具，利用反射式元数据捕获和AST语法树解析等技术实现协议转换。生产环境调优方案通过性能优化和安全加固措施提升系统效率和安全性。行业应用启示强调了协议演进策略、生态建
FastAPI-MCP
JacinLee的博客
04-20 1061
开源地址： https://github.com/tadata-org/fastapi_mcpFastAPI-MCP 是一个开源项目，旨在简化 FastAPI 应用与现代 AI 代理（如基于大语言模型的系统）之间的集成。它通过自动将 FastAPI 的所有 API 端点暴露为符合 Model Context Protocol（MCP）标准的工具，使得 AI 代理能够直接调用和理解这些接口，整个过程无需额外配置，极大地降低了开发者的集成难度。
【亲测免费】 fastapi_mcp：零配置自动转换FastAPI端点为MCP工具
gitblog_00209的博客
03-28 1490
fastapi_mcp：零配置自动转换FastAPI端点为MCP工具 【免费下载链接】fastapi_mcp 一种零配置工具，用于自动将 FastAPI 端点公开为模型上下文协议 (MCP) 工具。 项目地址: https://g...
【MCP实战】用 Fastapi-MCP 快速从 0 开发一个 MCP Server
EnjoyEDU的博客
04-25 2415
新增简单工具：获取当前时间format: str = "human" # 可选: iso | timestamp | human至此，我们就学会了怎么用Fastpi-MCP的工具来实现自己的 MCP服务。建议一定要到官网学习：https://github.com/tadata-org/fastapi_mcp。
API协作云：API→MCP极速构建MCP服务
zyun360的博客
08-27 1211
基于APICloud API生成可部署的MCP服务，供AI调用。通过APICloud，可生成 OPENAPI 3.0规范文档及MCP服务源码，进而上传至MCP市场生成可访问的MCP服务，也可部署在本地MCP服务器或第三方MCP服务平台供访问。步骤1：MCP Generator主页，点击API文档项目生成MCP按钮。或项目列表操作列生成MCP步骤2：选择API接口文档页面步骤3：选择后的API接口文档列表，可编辑、删除步骤4：生成MPC服务源码列表，可下载压缩MCP源码包，可修改API接口参数等。
在langchian中集成本地部署的llama3.1大模型
2401_82469710的博客
10-06 1160
Ollama是一个工具和框架，主要用于本地部署和使用大语言模型（Large Language Models, LLMs）。
开源项目FastAPI-MCP：一键API转换MCP服务
独立开发，substack顶级编辑
04-20 1871
FastAPI MCP是一个零配置工具，可自动将您的FastAPI端点作为模型上下文协议(MCP)工具暴露出来。FastAPI MCP的优点在于其简洁性 — 它接管您现有的API端点并使其对AI模型可访问，而无需您重写代码或创建单独的实现。使用FastAPI MCP，您可以：自动将FastAPI端点转换为MCP工具保留您的API架构和文档将MCP服务器与您的API一起部署或作为单独的服务自定义哪些端点作为工具暴露控制如何生成工具描述。
FastAPI-MCP是什么轻松实现FastAPI的AI集成
九十分的博客
04-25 1531
开始使用FastAPI MCP非常简单。只需极少的工作量，您就能将现有API转化为AI可访问的接口，无需重写代码或花费时间定制适配器。核心步骤如下：安装Python安装依赖项（fastapi、uvicorn 和 fastapi-mcp）创建一个 FastAPI 应用只需几行代码即可添加 MCP 支持从您喜欢的AI集成开发环境或工具连接并测试如需了解更多功能及最新特性，请参阅GitHub 上的 FastAPI MCP 官方文档。
快速接入MCP服务！将 MCP 服务与 FastAPI 集成
EnjoyEDU的博客
05-19 2325
MCP（模型上下文协议，Model Context Protocol）是一种标准化的通信层，使得像 Claude 或 GPT 这样的 AI 智能体（MCP 客户端）能够理解并与外部 API（MCP 服务器）进行交互。它为 API 提供了一种结构化的方式，用于描述其：
fastapi 写一个 mcp 服务
07-15
<think>我们正在讨论如何使用FastAPI实现MCP服务。根据引用内容，FastAPI-MCP是一个工具，它可以帮助我们将FastAPI应用转换为MCP服务。具体步骤和实现方法如下： 1. **环境准备与依赖安装**：首先需要安装FastAPI和fastapi_mcp库。可以使用pip进行安装。 2. **创建FastAPI应用**：使用FastAPI创建一个基本的应用实例。 3. **挂载MCP服务器**：使用fastapi_mcp库中的`add_mcp_server`函数将MCP服务器挂载到FastAPI应用上，并指定挂载路径和名称。 4. **运行应用**：使用uvicorn或其他ASGI服务器运行应用。 根据引用[3]的代码示例，我们可以这样实现： ```python from fastapi import FastAPI from fastapi_mcp import add_mcp_server # 创建FastAPI应用 app = FastAPI() # 挂载MCP服务器 add_mcp_server( app, # 你的FastAPI应用 mount_path="/mcp", # 挂载MCP服务器的路径 name="MyAPIMCP", # MCP服务器的名称 ) ``` 这样，我们就创建了一个基本的MCP服务。但是，我们可能还需要定义一些工具（tools）以供AI模型调用。引用[4]中提到了一个示例文件（05_reregister_tools_example.py），我们可以参考它来注册工具。 具体步骤： 1. 定义工具函数：这些函数将作为AI模型可以调用的工具。 2. 使用`register_tool`装饰器注册这些函数，以便MCP服务能够识别它们。 例如，假设我们有一个获取天气的工具函数： ```python from fastapi_mcp import register_tool @register_tool def get_weather(city: str) -> str: """ 根据城市名获取天气信息 Args: city (str): 城市名称 Returns: str: 天气信息 """ # 这里实现获取天气的逻辑，例如调用第三方API return f"{city}的天气是晴天" ``` 然后，我们将这个工具注册到MCP服务中。注意，上面的`register_tool`装饰器会自动将工具注册到MCP中。 最后，我们运行应用： ```bash uvicorn main:app --reload ``` 这样，MCP服务就运行在指定的路径（例如：/mcp）下，AI模型可以通过这个端点来调用我们注册的工具。 另外，引用[1]提到，FastAPI的高性能特性（异步支持和优化的请求处理流程）使得构建的MCP服务器具有高性能。同时，FastAPI的模块化和插件系统也方便我们扩展MCP服务器。 总结步骤： 1. 安装依赖：fastapi, uvicorn, fastapi_mcp 2. 创建FastAPI应用 3. 使用`add_mcp_server`挂载MCP服务 4. 使用`register_tool`注册工具函数 5. 运行应用 注意：fastapi_mcp的具体用法可能还需要参考其文档（引用[4]提供的链接）。 如果我们需要更复杂的功能，比如跨模态上下文传递，可能需要扩展MCP协议，但根据当前问题，我们只需要实现一个基本的MCP服务即可。 现在，我们根据上述步骤编写一个完整的示例。</think>### 使用 FastAPI 实现 MCP 服务的完整指南 #### 1. **环境准备与依赖安装** ```bash # 创建虚拟环境（可选） python -m venv mcp-env source mcp-env/bin/activate # 安装核心依赖 pip install fastapi uvicorn fastapi-mcp ``` #### 2. **基础服务搭建** ```python from fastapi import FastAPI from fastapi_mcp import add_mcp_server # 初始化 FastAPI 应用 app = FastAPI(title="AI 服务网关") # 挂载 MCP 服务器 add_mcp_server( app=app, # FastAPI 应用实例 mount_path="/mcp", # MCP 服务端点路径 name="AIServiceMCP", # MCP 服务名称 description="AI 模型集成平台" # 服务描述 ) ``` #### 3. **注册自定义功能工具** ```python from fastapi_mcp import register_tool # 注册天气查询工具 @register_tool async def get_weather(location: str) -> dict: """ 获取指定位置的天气信息 参数: - location: 城市名称 (如 "北京") 返回: - 包含温度、天气状况的字典 """ # 这里实现实际的天气API调用 return {"location": location, "temp": 25, "condition": "晴"} # 注册股票查询工具 @register_tool async def get_stock_price(symbol: str) -> float: """ 查询股票实时价格 参数: - symbol: 股票代码 (如 "AAPL") 返回: - 当前股价 """ # 这里实现实际的股票API调用 return 175.43 ``` #### 4. **配置上下文管理** ```python from fastapi_mcp import McpContext # 自定义上下文处理器 @app.middleware("http") async def add_context(request: Request, call_next): # 创建MCP上下文对象 context = McpContext( user_id=request.headers.get("X-User-ID"), session_id=request.cookies.get("session_id") ) # 将上下文附加到请求状态 request.state.mcp_context = context response = await call_next(request) # 更新上下文状态（如保存对话历史） context.save_session_data() return response ``` #### 5. **启动服务** ```bash # 使用 Uvicorn 启动服务 uvicorn main:app --reload --port 8000 ``` #### 6. **服务验证** 访问以下端点验证服务状态： - MCP 服务文档：`http://localhost:8000/mcp/docs` - 工具列表：`http://localhost:8000/mcp/tools` - 服务健康检查：`http://localhost:8000/mcp/health` #### 7. **AI 模型集成示例** ```python # 在 FastAPI 路由中使用 MCP @app.post("/ask-ai") async def ask_ai(question: str, request: Request): # 获取当前上下文 context = request.state.mcp_context # 构建 AI 请求 ai_response = await context.query_ai( prompt=question, model="gpt-4", max_tokens=500 ) # 处理可能的工具调用 if ai_response.tool_calls: results = await execute_tools(ai_response.tool_calls) return {"answer": results} return {"answer": ai_response.content} ``` #### 8. **高级配置选项** ```python # 高级 MCP 配置 add_mcp_server( app=app, mount_path="/mcp", name="AdvancedMCP", # 性能优化配置 max_workers=8, # 最大工作线程数 rate_limit="100/minute", # 请求速率限制 # 安全配置 api_keys=["SECRET_KEY_1", "SECRET_KEY_2"], # 模型集成 default_model="claude-3", fallback_model="gpt-3.5-turbo" ) ``` #### 关键优势与特性 1. **高性能基础**：继承 FastAPI 的异步特性，支持高并发请求处理[^1] 2. **自动文档生成**：内置 OpenAPI 文档，自动展示所有注册工具 3. **上下文管理**：支持跨请求的上下文持久化 4. **工具热注册**：运行时动态添加/移除工具函数 5. **统一错误处理**：标准化错误响应格式 6. **多模型支持**：可同时集成多个AI模型后端 > 实际部署时建议添加： > - API网关层（如 Nginx） > - 监控系统（Prometheus/Grafana） > - 分布式缓存（Redis） > - 消息队列（RabbitMQ/Kafka）用于异步任务处理 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值