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。
开始今天的正题前，我们来回顾下相关的知识内容：
《高性能Python Web服务部署架构解析》、《使用Python开发MCP Server及Inspector工具调试》、《构建智能体MCP客户端：完成大模型与MCP服务端能力集成与最小闭环验证》
FastAPI基础知识
安装依赖
pip install uvicorn, fastapiFastAPI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-mcpMCP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。在《大模型基建工程：基于 FastAPI 自动构建 SSE MCP 服务器 —— 进阶篇》中我们手搓了一个自动挂载的功能，并基于现有fastapi base_url 将 api 挂载至 mcp_server。
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。
