您是否遇到過這樣的情況：您希望聊天機器人使用一個工具，然後回答您的問題？聽起來很複雜，對吧！但是現在，MCP（模型上下文協議）為您提供了一種將 LLM 與外部工具輕鬆整合的方法，LLM 將能夠以各種方式使用這些工具。在本教程中，我們將深入探討如何使用 FastAPI-MCP 轉換一個由 MCP 伺服器驅動的使用 FastAPI 製作的簡單網路應用程式。
使用MCP的FastAPI
FastAPI 是一個非常簡單的 Python 工具，可幫助您使用 API 構建網路應用程式。它設計得既簡單易用又快速。將 FastAPI 想象成一個聰明的服務員，他接收您的點單（HTTP 請求），前往廚房（資料庫/伺服器），然後接收您的點單（輸出），然後將其顯示給您。它是構建網路後端、移動應用程式服務等的絕佳工具。
MCP 是 Anthropic 的一個開放標準協議，它為 LLM 提供了與外部資料來源和工具通訊的功能。可以將 MCP 視為一個工具包，為特定任務提供合適的工具。我們將使用 MCP 建立伺服器。
現在，如果將這些功能賦予您的 LLM 呢？這將使您的生活更加輕鬆！這就是為什麼FastAPI與MCP的整合可以提供很大幫助。FastAPI 負責不同來源的服務，而 MCP 則負責 LLM 的上下文。透過將 FastAPI 與 MCP 伺服器結合使用，我們可以訪問部署在網路上的所有工具，並將其用作 LLM 工具，使 LLM 更有效地開展工作。
Source: Cloudflare
什麼是FastAPI-MCP？
FastAPI-MCP是一種工具，它可以讓您將任何FastAPI應用程式轉換成像 ChatGPT 或Claude這樣的LLM可以理解並輕鬆使用的工具。透過使用FastAPI-MCP，您可以對FastAPI端點進行包裝，使其成為利用LLM的人工智慧生態系統中的即插即用工具。
如果您想了解如何使用 MCP，請閱讀這篇文章：如何使用 MCP？
使用FastAPI-MCP可以將哪些API轉換為MCP？
使用FastAPI-MCP，任何FastAPI端點都可以轉換為LLM的MCP工具。這些端點應包括
- GET 端點：轉換為 MCP 資源。
- POST、PUT、DELETE 端點：轉換為 MCP 工具。
- 自定義實用功能：可新增為額外的 MCP 工具
FastAPI-MCP 是一個非常易於使用的庫，能自動發現這些端點並將其轉換為 MCP。它還保留了這些 API 的模式和文件。
FastAPI-MCP的實際操作
讓我們來看一個如何將 FastAPI 端點轉換為 MCP 伺服器的簡單示例。首先，我們將建立一個 FastAPI 端點，然後使用 fastapi-mcp 將其轉換為 MCP 伺服器 。
配置FastAPI
1. 安裝依賴項
安裝所需的依賴項，使系統相容。
pip install fastapi fastapi_mcp uvicorn mcp-proxy
2. 匯入所需的依賴項
新建一個名為“main.py”的檔案，然後在其中匯入以下依賴項。
from fastapi import FastAPI, HTTPException, Query import httpx from fastapi_mcp import FastApiMCP
3. 定義 FastAPI 應用程式
讓我們定義一個名為“Weather Updates API”的 FastAPI 應用程式。
app = FastAPI(title="Weather Updates API")
4. 定義路由和函式
現在，我們將為應用程式定義路由，表示哪個端點將執行哪個函式。在這裡，我們使用 weather.gov API（免費）製作一個天氣更新應用程式，不需要任何 API 金鑰。我們只需在 https://api.weather.gov/points/{lat},{lon} 中輸入正確的經緯度值即可。
我們定義了一個 get_weather 函式，該函式將州名或州程式碼作為引數，然後在 CITY_COORDINATES 字典中找到相應的座標，然後用這些座標點選基礎 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. 設定MCP伺服器
現在讓我們使用 fastapi-mcp 庫將 FastAPI 應用程式轉換為 MCP。這個過程非常簡單，我們只需新增幾行程式碼，fastapi-mcp 就會自動將端點轉換為 MCP 工具，並輕鬆檢測其模式和文件。
mcp = FastApiMCP( app, name="Weather Updates API", description="API for retrieving today's weather from weather.gov", ) mcp.mount()
6. 啟動應用程式
現在，在 Python 檔案末尾新增以下內容。
if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000)
然後轉到終端，執行 main.py 檔案。
python main.py
現在，您的 FastAPI 應用程式應能在 localhost 中成功啟動。
配置Cursor
讓我們配置用於測試 MCP 伺服器的 Cursor IDE。
- 從此處下載 Cursor：https://www.cursor.com/downloads。
- 安裝後，註冊並進入主螢幕。
- 現在從頂部工具欄進入 File，點選 Preferences，然後點選 Cursor Settings。
- 在 Cursor 設定中，點選 MCP。
- 在 MCP 選項卡上，點選 Add new global MCP Server，然後開啟一個 mcp.json 檔案。貼上以下程式碼並儲存檔案。
{
"mcpServers": {
"National Park Service": {
"command": "mcp-proxy",
"args": ["http://127.0.0.1:8000/mcp"]
}
}
}
- 回到 Cursor Settings，您應該看到以下內容：
如果你在螢幕上看到這個，說明你的伺服器已成功執行並連線到 Cursor IDE。如果顯示錯誤，請嘗試使用右上角的重啟按鈕。
我們已經在 Cursor IDE 中成功設定了 MCP 伺服器。現在，讓我們測試一下伺服器。
測試MCP伺服器
我們的 MCP 伺服器可以檢索天氣更新。我們只需向 Cursor IDE 詢問任何地點的天氣更新，它就會使用 MCP 伺服器為我們獲取。
查詢：“Please tell me what is today’s weather in San Diego”
查詢：“New York weather?”
從輸出結果可以看出，我們的 MCP 伺服器執行良好。我們只需詢問天氣詳情，它就會自行決定是否使用 MCP 伺服器。在第二個輸出中，我們含糊地問了 “紐約天氣如何？”它就能根據我們之前的提示瞭解到查詢的上下文，並使用適當的 MCP 工具進行回答。
小結
MCP 允許 LLM 透過訪問外部工具來提高其回答能力，而 FastAPI 則提供了一種簡單的方法來實現這一點。在本綜合指南中，我們使用 fastapi-mcp 庫將這兩種技術結合起來。利用這個庫，我們可以將任何 API 轉換為 MCP 伺服器，這將有助於 LLM 和人工智慧代理從 API 獲取最新資訊。無需為每項新任務定義自定義工具。帶有 FastAPI 的 MCP 將自動處理一切。MCP的引入帶來了LLM的革命，而現在，FastAPI與MCP的搭配正在徹底改變LLM訪問這些工具的方式。
評論留言