您是否遇到过这样的情况：您希望聊天机器人使用一个工具，然后回答您的问题？听起来很复杂，对吧！但是现在，MCP（模型上下文协议）为您提供了一种将 LLM 与外部工具轻松集成的方法，LLM 将能够以各种方式使用这些工具。在本教程中，我们将深入探讨如何使用 FastAPI-MCP 转换一个由 MCP 服务器驱动的使用 FastAPI 制作的简单网络应用程序。
使用MCP的FastAPI
FastAPI 是一个非常简单的 Python 工具，可帮助您使用 API 构建网络应用程序。它设计得既简单易用又快速。将 FastAPI 想象成一个聪明的服务员，他接收您的点单（HTTP 请求），前往厨房（数据库/服务器），然后接收您的点单（输出），然后将其显示给您。它是构建网络后端、移动应用程序服务等的绝佳工具。
MCP 是 Anthropic 的一个开放标准协议，它为 LLM 提供了与外部数据源和工具通信的功能。可以将 MCP 视为一个工具包，为特定任务提供合适的工具。我们将使用 MCP 创建服务器。
现在，如果将这些功能赋予您的 LLM 呢？这将使您的生活更加轻松！这就是为什么FastAPI与MCP的集成可以提供很大帮助。FastAPI 负责不同来源的服务，而 MCP 则负责 LLM 的上下文。通过将 FastAPI 与 MCP 服务器结合使用，我们可以访问部署在网络上的所有工具，并将其用作 LLM 工具，使 LLM 更有效地开展工作。
Source: Cloudflare
什么是FastAPI-MCP？
FastAPI-MCP是一种工具，它可以让您将任何FastAPI应用程序转换成像 ChatGPT 或Claude这样的LLM可以理解并轻松使用的工具。通过使用FastAPI-MCP，您可以对FastAPI端点进行包装，使其成为利用LLM的人工智能生态系统中的即插即用工具。
如果您想了解如何使用 MCP，请阅读这篇文章：如何使用 MCP？
使用FastAPI-MCP可以将哪些API转换为MCP？
使用FastAPI-MCP，任何FastAPI端点都可以转换为LLM的MCP工具。这些端点应包括
- GET 端点：转换为 MCP 资源。
- POST、PUT、DELETE 端点：转换为 MCP 工具。
- 自定义实用功能：可添加为额外的 MCP 工具
FastAPI-MCP 是一个非常易于使用的库，能自动发现这些端点并将其转换为 MCP。它还保留了这些 API 的模式和文档。
FastAPI-MCP的实际操作
让我们来看一个如何将 FastAPI 端点转换为 MCP 服务器的简单示例。首先，我们将创建一个 FastAPI 端点，然后使用 fastapi-mcp 将其转换为 MCP 服务器 。
配置FastAPI
1. 安装依赖项
安装所需的依赖项，使系统兼容。
pip install fastapi fastapi_mcp uvicorn mcp-proxy
2. 导入所需的依赖项
新建一个名为“main.py”的文件，然后在其中导入以下依赖项。
from fastapi import FastAPI, HTTPException, Query import httpx from fastapi_mcp import FastApiMCP
3. 定义 FastAPI 应用程序
让我们定义一个名为“Weather Updates API”的 FastAPI 应用程序。
app = FastAPI(title="Weather Updates API")
4. 定义路由和函数
现在，我们将为应用程序定义路由，表示哪个端点将执行哪个函数。在这里，我们使用 weather.gov API（免费）制作一个天气更新应用程序，不需要任何 API 密钥。我们只需在 https://api.weather.gov/points/{lat},{lon} 中输入正确的经纬度值即可。
我们定义了一个 get_weather 函数，该函数将州名或州代码作为参数，然后在 CITY_COORDINATES 字典中找到相应的坐标，然后用这些坐标点击基础 URL。
# Predefined latitude and longitude for major cities (for simplicity)
# In a production app, you could use a geocoding service like Nominatim or Google Geocoding API
CITY_COORDINATES = {
"Los Angeles": {"lat": 34.0522, "lon": -118.2437},
"San Francisco": {"lat": 37.7749, "lon": -122.4194},
"San Diego": {"lat": 32.7157, "lon": -117.1611},
"New York": {"lat": 40.7128, "lon": -74.0060},
"Chicago": {"lat": 41.8781, "lon": -87.6298},
# Add more cities as needed
}
@app.get("/weather")
async def get_weather(
stateCode: str = Query(..., description="State code (e.g., 'CA' for California)"),
city: str = Query(..., description="City name (e.g., 'Los Angeles')")
):
"""
Retrieve today's weather from the National Weather Service API based on city and state
"""
# Get coordinates (latitude, longitude) for the given city
if city not in CITY_COORDINATES:
raise HTTPException(
status_code=404,
detail=f"City '{city}' not found in predefined list. Please use another city."
)
coordinates = CITY_COORDINATES[city]
lat, lon = coordinates["lat"], coordinates["lon"]
# URL for the NWS API Gridpoints endpoint
base_url = f"https://api.weather.gov/points/{lat},{lon}"
try:
async with httpx.AsyncClient() as client:
# First, get the gridpoint information for the given location
gridpoint_response = await client.get(base_url)
gridpoint_response.raise_for_status()
gridpoint_data = gridpoint_response.json()
# Retrieve the forecast data using the gridpoint information
forecast_url = gridpoint_data["properties"]["forecast"]
forecast_response = await client.get(forecast_url)
forecast_response.raise_for_status()
forecast_data = forecast_response.json()
# Returning today's forecast
today_weather = forecast_data["properties"]["periods"][0]
return {
"city": city,
"state": stateCode,
"date": today_weather["startTime"],
"temperature": today_weather["temperature"],
"temperatureUnit": today_weather["temperatureUnit"],
"forecast": today_weather["detailedForecast"],
}
except httpx.HTTPStatusError as e:
raise HTTPException(
status_code=e.response.status_code,
detail=f"NWS API error: {e.response.text}"
)
except Exception as e:
raise HTTPException(
status_code=500,
detail=f"Internal server error: {str(e)}"
)
5. 设置MCP服务器
现在让我们使用 fastapi-mcp 库将 FastAPI 应用程序转换为 MCP。这个过程非常简单，我们只需添加几行代码，fastapi-mcp 就会自动将端点转换为 MCP 工具，并轻松检测其模式和文档。
mcp = FastApiMCP( app, name="Weather Updates API", description="API for retrieving today's weather from weather.gov", ) mcp.mount()
6. 启动应用程序
现在，在 Python 文件末尾添加以下内容。
if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000)
然后转到终端，运行 main.py 文件。
python main.py
现在，您的 FastAPI 应用程序应能在 localhost 中成功启动。
配置Cursor
让我们配置用于测试 MCP 服务器的 Cursor IDE。
- 从此处下载 Cursor：https://www.cursor.com/downloads。
- 安装后，注册并进入主屏幕。
- 现在从顶部工具栏进入 File，点击 Preferences，然后点击 Cursor Settings。
- 在 Cursor 设置中，点击 MCP。
- 在 MCP 选项卡上，点击 Add new global MCP Server，然后打开一个 mcp.json 文件。粘贴以下代码并保存文件。
{
"mcpServers": {
"National Park Service": {
"command": "mcp-proxy",
"args": ["http://127.0.0.1:8000/mcp"]
}
}
}
- 回到 Cursor Settings，您应该看到以下内容：
如果你在屏幕上看到这个，说明你的服务器已成功运行并连接到 Cursor IDE。如果显示错误，请尝试使用右上角的重启按钮。
我们已经在 Cursor IDE 中成功设置了 MCP 服务器。现在，让我们测试一下服务器。
测试MCP服务器
我们的 MCP 服务器可以检索天气更新。我们只需向 Cursor IDE 询问任何地点的天气更新，它就会使用 MCP 服务器为我们获取。
查询：“Please tell me what is today’s weather in San Diego”
查询：“New York weather?”
从输出结果可以看出，我们的 MCP 服务器运行良好。我们只需询问天气详情，它就会自行决定是否使用 MCP 服务器。在第二个输出中，我们含糊地问了 “纽约天气如何？”它就能根据我们之前的提示了解到查询的上下文，并使用适当的 MCP 工具进行回答。
小结
MCP 允许 LLM 通过访问外部工具来提高其回答能力，而 FastAPI 则提供了一种简单的方法来实现这一点。在本综合指南中，我们使用 fastapi-mcp 库将这两种技术结合起来。利用这个库，我们可以将任何 API 转换为 MCP 服务器，这将有助于 LLM 和人工智能代理从 API 获取最新信息。无需为每项新任务定义自定义工具。带有 FastAPI 的 MCP 将自动处理一切。MCP的引入带来了LLM的革命，而现在，FastAPI与MCP的搭配正在彻底改变LLM访问这些工具的方式。
评论留言