在人工智能領域，模型上下文協議（Model Context Protocol，簡稱 MCP）作為一種標準化的協議，為大型語言模型（LLM）提供了豐富的上下文和工具支持。而 FastMCP 作為構建 MCP 服務器和客戶端的 Python 框架，以其簡潔的 API 設計、高效的開發體驗以及強大的擴展能力，正逐漸成為開發者們的首選工具。
一、FastMCP 簡介
FastMCP 是一個用于構建 MCP 服務器和客戶端的 Python 框架，其目標是讓開發者能夠以更少的代碼、更高的效率構建出功能強大的 MCP 應用。相比官方的 MCP Python SDK，FastMCP 在多個方面進行了優化和改進，提供了更簡潔的 API 設計、更高效的開發體驗以及更強大的擴展能力。
FastMCP 的核心優勢主要體現在以下幾個方面：
（一）簡潔的 API 設計
FastMCP 采用了 Pythonic 的設計風格，通過裝飾器（Decorator）即可輕松定義工具（Tools）、資源（Resources）和提示（Prompts）。這種設計方式極大地減少了開發過程中的樣板代碼，讓開發者能夠更加專注于業務邏輯的實現。
（二）高效的開發體驗
FastMCP 提供了豐富的內置功能，如服務器組合、遠程服務器代理、OpenAPI/FastAPI 集成等，這些功能不僅提高了開發效率，還為開發者提供了更多的靈活性。此外，FastMCP 還支持多種客戶端/服務端傳輸模式，包括 Stdio、SSE 和內存傳輸，能夠滿足不同場景下的開發需求。
（三）強大的擴展能力
FastMCP 的設計具有高度的可擴展性，開發者可以根據自己的需求輕松添加新的功能和模塊。無論是構建復雜的 AI 應用，還是進行簡單的數據處理，FastMCP 都能夠提供強大的支持。
二、FastMCP 與官方 SDK 的關系
FastMCP 1.0 的核心概念已經被納入官方的 MCP Python SDK，而當前的 FastMCP 2.0 則是在此基礎上進行的進一步擴展和優化。FastMCP 2.0 不僅繼承了 1.0 版本的基礎功能，還引入了完整的客戶端支持、服務器組合、OpenAPI/FastAPI 集成、遠程服務器代理以及內置測試工具等新功能，顯著提升了開發效率和應用的靈活性。
三、開發示例
為了更好地理解 FastMCP 的強大功能和簡潔的開發方式，我們以一個基于 FastMCP 的數學運算智能問答應用為例，詳細介紹其開發過程。
（一）安裝 FastMCP
首先，需要安裝 FastMCP 框架。通過以下命令即可完成安裝：
uv pip install fastmcp
（二）服務端實現
服務端的實現非常簡單，只需要定義幾個基本的數學運算工具即可。以下是服務端的代碼示例：
from fastmcp import FastMCPmcp = FastMCP(name="MyAssistantServer")@mcp.tool()
def add(a: float, b: float) -> float:"""加法運算參數:a: 第一個數字b: 第二個數字返回:兩數之和"""return a + b@mcp.tool()
def subtract(a: float, b: float) -> float:"""減法運算參數:a: 第一個數字b: 第二個數字返回:兩數之差 (a - b)"""return a - b@mcp.tool()
def multiply(a: float, b: float) -> float:"""乘法運算參數:a: 第一個數字b: 第二個數字返回:兩數之積"""return a * b@mcp.tool()
def divide(a: float, b: float) -> float:"""除法運算參數:a: 被除數b: 除數返回:兩數之商 (a / b)異常:ValueError: 當除數為零時"""if b == 0:raise ValueError("除數不能為零")return a / bif __name__ == "__main__":mcp.run(transport='sse', host="127.0.0.1", port=8001)
在上述代碼中，我們定義了四個基本的數學運算工具：加法、減法、乘法和除法。通過裝飾器 @mcp.tool()，這些函數被注冊為 MCP 服務器的工具，可供客戶端調用。最后，通過調用 mcp.run() 方法啟動服務器，并指定使用 SSE 傳輸模式。
（三）客戶端實現
客戶端的實現同樣簡單。通過一行代碼即可創建一個 MCP 客戶端，并連接到服務端。以下是客戶端的代碼示例：
from fastmcp import Client
import asyncioasync def main():# 測試 mcp 客戶端的功能async with Client("http://127.0.0.1:8001/sse") as mcp_client:tools = await mcp_client.list_tools()print(f"Available tools: {tools}")result = await mcp_client.call_tool("add", {"a": 5, "b": 3})print(f"Result: {result[0].text}")if __name__ == "__main__":asyncio.run(main())
在上述代碼中，我們通過 Client 類創建了一個 MCP 客戶端，并連接到服務端。通過調用 list_tools() 方法，我們可以獲取服務端提供的所有工具列表。然后，通過調用 call_tool() 方法，我們可以調用服務端的工具并獲取結果。
（四）數學運算智能問答應用
基于 FastMCP，我們還可以構建一個數學運算智能問答應用。該應用通過與大語言模型（LLM）進行交互，根據用戶的輸入調用相應的工具進行計算，并返回結果。以下是該應用的代碼示例：
import asyncio
import json
import logging
import os
from typing import List, Dictfrom fastmcp import Client
from openai import OpenAIclass LLMClient:"""LLM客戶端，負責與大語言模型API通信"""def __init__(self, model_name: str, url: str, api_key: str) -> None:self.model_name: str = model_nameself.url: str = urlself.client = OpenAI(api_key=api_key, base_url=url)def get_response(self, messages: List[Dict[str, str]]) -> str:"""發送消息給LLM并獲取響應"""response = self.client.chat.completions.create(model=self.model_name,messages=messages,stream=False)return response.choices[0].message.contentclass ChatSession:"""聊天會話，處理用戶輸入和LLM響應，并與MCP工具交互"""def __init__(self, llm_client: LLMClient, mcp_client: Client) -> None:self.mcp_client: Client = mcp_clientself.llm_client: LLMClient = llm_clientasync def process_llm_response(self, llm_response: str) -> str:"""處理LLM響應，解析工具調用并執行"""try:# 嘗試移除可能的markdown格式if llm_response.startswith('```json'):llm_response = llm_response.strip('```json').strip('```').strip()tool_call = json.loads(llm_response)if "tool" in tool_call and "arguments" in tool_call:# 檢查工具是否可用tools = await self.mcp_client.list_tools()if any(tool.name == tool_call["tool"] for tool in tools):try:# 執行工具調用result = await self.mcp_client.call_tool(tool_call["tool"], tool_call["arguments"])return f"Tool execution result: {result}"except Exception as e:error_msg = f"Error executing tool: {str(e)}"logging.error(error_msg)return error_msgreturn f"No server found with tool: {tool_call['tool']}"return llm_responseexcept json.JSONDecodeError:# 如果不是JSON格式，直接返回原始響應return llm_responseasync def start(self, system_message: str) -> None:"""啟動聊天會話的主循環"""messages = [{"role": "system", "content": system_message}]while True:try:# 獲取用戶輸入user_input = input("用戶: ").strip().lower()if user_input in ["quit", "exit", "退出"]:print('AI助手退出')breakmessages.append({"role": "user", "content": user_input})# 獲取LLM的初始響應llm_response = self.llm_client.get_response(messages)print("助手: ", llm_response)# 處理可能的工具調用result = await self.process_llm_response(llm_response)# 如果處理結果與原始響應不同，說明執行了工具調用，需要進一步處理while result != llm_response:messages.append({"role": "assistant", "content": llm_response})messages.append({"role": "system", "content": result})# 將工具執行結果發送回LLM獲取新響應llm_response = self.llm_client.get_response(messages)result = await self.process_llm_response(llm_response)print("助手: ", llm_response)messages.append({"role": "assistant", "content": llm_response})except KeyboardInterrupt:print('AI助手退出')breakasync def main():async with Client("http://127.0.0.1:8001/sse") as mcp_client:# 初始化LLM客戶端，使用通義千問模型llm_client = LLMClient(model_name='qwen-plus-latest', api_key=os.getenv('DASHSCOPE_API_KEY'),url='https://dashscope.aliyuncs.com/compatible-mode/v1')# 獲取可用工具列表并格式化為系統提示的一部分tools = await mcp_client.list_tools()dict_list = [tool.__dict__ for tool in tools]tools_description = json.dumps(dict_list, ensure_ascii=False)# 系統提示，指導LLM如何使用工具和返回響應system_message = f'''你是一個智能助手，嚴格遵循以下協議返回響應：可用工具：{tools_description}響應規則：1、當需要計算時，返回嚴格符合以下格式的純凈JSON：{{"tool": "tool-name","arguments": {{"argument-name": "value"}}}}2、禁止包含以下內容：- Markdown標記（如```json）- 自然語言解釋（如"結果："）- 格式化數值（必須保持原始精度）- 單位符號（如元、kg）校驗流程：? 參數數量與工具定義一致? 數值類型為number? JSON格式有效性檢查正確示例：用戶：單價88.5買235個多少錢？響應：{{"tool":"multiply","arguments":{{"a":88.5,"b":235}}}}錯誤示例：用戶：總金額是多少？錯誤響應：總價500元 → 含自然語言錯誤響應：```json{{...}}```→ 含Markdown3、在收到工具的響應后：- 將原始數據轉化為自然、對話式的回應- 保持回復簡潔但信息豐富- 聚焦于最相關的信息- 使用用戶問題中的適當上下文- 避免簡單重復使用原始數據'''# 啟動聊天會話chat_session = ChatSession(llm_client=llm_client, mcp_client=mcp_client)await chat_session.start(system_message=system_message)if __name__ == "__
__main__":asyncio.run(main())
（五）運行驗證
運行服務端代碼：
python fast_mcp_server.py
運行客戶端代碼：
python fast_mcp_client.py
在客戶端中輸入數學問題，例如：
用戶: 現在要購買一批貨，單價是 1034.32423，數量是 235326。商家后來又說，可以在這個基礎上，打95折，折后總價是多少？
客戶端會調用服務端的 multiply 工具進行計算，并返回結果：
助手: {"tool": "multiply","arguments": {"a": 1034.32423,"b": 235326}
}
助手: {"tool": "multiply","arguments": {"a": 243403383.74898,"b": 0.95}
}
助手: 折后總價是231233214.56。
四、FastMCP 的更多功能
除了上述提到的功能外，FastMCP 還提供了許多其他強大的功能，例如：
（一）服務器組合
通過 mcp.mount() 或 mcp.import_server() 方法，可以將多個 FastMCP 實例組合到一個父服務器中，從而構建出模塊化的應用程序。這種方式不僅提高了代碼的可維護性，還方便了功能的擴展。
（二）OpenAPI/FastAPI 集成
FastMCP 提供了從現有的 OpenAPI 規范或 FastAPI 應用程序生成 FastMCP 服務器的功能。通過這種方式，開發者可以輕松地將現有的 Web API 集成到 MCP 生態系統中，進一步擴展了 MCP 的應用場景。
（三）代理服務器
通過 FastMCP.as_proxy() 方法，可以創建一個代理服務器，該服務器可以作為本地或遠程 MCP 服務器的中間層。這種方式特別適用于橋接不同的傳輸協議（例如，將遠程 SSE 服務器代理到本地 Stdio 客戶端）或為不受控制的服務器添加邏輯層。
（四）內置測試工具
FastMCP 提供了強大的內置測試工具，支持通過內存傳輸直接連接到 FastMCP 服務器實例，從而在測試過程中無需進行進程管理和網絡調用。這種方式極大地提高了測試效率，降低了測試成本。
五、總結
FastMCP 作為一個高效、簡潔且功能強大的 Python 框架，為構建 MCP 服務器和客戶端提供了極大的便利。通過其簡潔的 API 設計、高效的開發體驗和強大的擴展能力，開發者可以快速構建出功能豐富的 MCP 應用。無論是簡單的工具開發，還是復雜的 AI 應用構建，FastMCP 都能夠滿足開發者的需求。
如果你對 MCP 或 FastMCP 感興趣，不妨嘗試使用它來構建自己的應用。相信你一定會被其強大的功能和簡潔的設計所吸引。同時，也歡迎關注我的后續文章，我將繼續介紹更多關于 MCP 的內容，以及 FastMCP 的高級用法和實戰案例。
)
)
![Could not get unknown property ‘mUser‘ for Credentials [username: null]](http://pic.xiahunao.cn/Could not get unknown property ‘mUser‘ for Credentials [username: null])
