Python FastMCP 实践：15 分钟从零搭建你的首个 MCP Server 指南

Model Context Protocol (MCP) 是一个开放标准，旨在为 LLM 提供一个清晰、统一的方式来发现和调用外部工具。它让你省去编写自定义解析器和维护脆弱胶水代码的麻烦，本身就是一个非常实用的协议。

许多 MCP 教程一上来就搬出 JSON-RPC 规范和传输层协议，把简单的事情复杂化了。实际上，使用 MCP 就像构建 Web 应用不必去研读 HTTP 规范一样，无需深究其内部协议构造。你真正需要掌握的核心概念只有三个，花上 15 分钟足矣。

三个核心概念

MCP 的核心架构围绕三样东西展开：

Server（服务器）：对外暴露工具的服务端，本质上是一个 Python 脚本。它的作用是声明“这些函数可以被 LLM 调用”，运行后便开始监听请求。

Tool（工具）：你希望 LLM 能够使用的函数。它可以是任何功能：查询天气、访问数据库或发送邮件。这与编写普通的 Python 函数几乎没有区别，你只需要加上一个装饰器，剩下的就交给 MCP 框架来处理。

Client（客户端）：连接 Server 并调用其工具的客户端。在生产环境中，客户端通常就是你的 LLM 应用本身。在测试阶段，你可以直接使用 FastMCP 框架自带的客户端，开箱即用。

简单来说，Server 暴露工具，Client 发现并调用工具。传输方式、JSON-RPC 细节、能力协商等都属于实现细节，在上生产环境之前完全可以不用操心。

步骤 1：安装 FastMCP

FastMCP 是一个让 MCP 变得简单易用的 Python 框架。安装它只需要一条命令，无需任何额外配置。

pip install fastmcp

提示：本教程为简化流程，未使用虚拟环境。但在实际生产开发中，强烈建议使用虚拟环境来管理依赖。

步骤 2：创建你的第一个 Server

新建一个名为 my_server.py 的文件，并写入以下代码：

from fastmcp import FastMCP

# 使用一个名称来初始化服务器
mcp = FastMCP("my-first-server")

# 使用 @mcp.tool 装饰器定义一个工具
@mcp.tool
def get_weather(city: str) -> dict:
    """Get the current weather for a city."""
    # 在生产环境中，这里应该调用真实的天气API
    # 目前，我们先返回模拟数据
    weather_data = {
        "new york": {"temp": 72, "condition": "sunny"},
        "london": {"temp": 59, "condition": "cloudy"},
        "tokyo": {"temp": 68, "condition": "rainy"},
    }

    city_lower = city.lower()
    if city_lower in weather_data:
        return {"city": city, **weather_data[city_lower]}
    else:
        return {"city": city, "temp": 70, "condition": "unknown"}

# 运行服务器
if __name__ == "__main__":
    mcp.run(transport="stdio")

代码解析：

• FastMCP("my-first-server") 创建了一个带有标识名称的服务器实例。
• @mcp.tool 装饰器将普通 Python 函数注册为 MCP 工具。函数的文档字符串（docstring）会成为工具的描述，LLM 正是依靠这个描述来判断何时调用该工具。
• 类型提示（如 city: str 和 -> dict）用于告知 MCP 框架输入和输出的数据类型。
• mcp.run(transport="stdio") 中的 transport="stdio" 表示通过标准输入/输出进行通信，这对于本地测试来说已经足够。

至此，你的 Server 就编写完成了，实际功能代码仅15行左右。

步骤 3：编写一个 Client 进行测试

现在，我们创建一个测试客户端来验证 Server 是否正常工作。新建一个 test_client.py 文件：

import asyncio
from fastmcp import Client

async def main():
    # 将客户端指向你的服务器文件
    client = Client("my_server.py")

    # 使用 async with 自动管理连接生命周期
    async with client:
        # 列出服务器中所有可用的工具
        tools = await client.list_tools()
        print("Available tools:")
        for tool in tools:
            print(f"  - {tool.name}: {tool.description}")

        print("\n" + "="*50 + "\n")

        # 调用天气查询工具
        result = await client.call_tool(
            "get_weather",
            {"city": "Tokyo"}
        )
        print(f"Weather result: {result}")

if __name__ == "__main__":
    asyncio.run(main())

代码解析：

• Client("my_server.py") 指定了要连接的 Server 脚本路径。
• async with client: 上下文管理器会自动处理连接的建立和关闭。
• list_tools() 方法用于动态发现 Server 暴露的所有工具，这是 MCP 的核心能力之一。
• call_tool("get_weather", {"city": "Tokyo"}) 用于调用具体的工具并传入参数。

步骤 4：运行并查看结果

在终端中执行你的测试客户端：

python test_client.py

你应该能看到类似下面的输出：

Available tools:
  - get_weather: Get the current weather for a city.

==================================================

Weather result: {'city': 'Tokyo', 'temp': 68, 'condition': 'rainy'}

恭喜！你已经成功搭建了一个 MCP Server，并且客户端也顺利调用了它提供的工具。

步骤 5：轻松扩展更多工具

MCP 的一大优势在于极低的扩展成本。让我们为 Server 再添加两个工具，看看它是多么简单。

修改 my_server.py 文件，增加新的工具函数：

from fastmcp import FastMCP
from datetime import datetime

mcp = FastMCP("my-first-server")

@mcp.tool
def get_weather(city: str) -> dict:
    """Get the current weather for a city."""
    weather_data = {
        "new york": {"temp": 72, "condition": "sunny"},
        "london": {"temp": 59, "condition": "cloudy"},
        "tokyo": {"temp": 68, "condition": "rainy"},
    }
    city_lower = city.lower()
    if city_lower in weather_data:
        return {"city": city, **weather_data[city_lower]}
    return {"city": city, "temp": 70, "condition": "unknown"}

@mcp.tool
def get_time(timezone: str = "UTC") -> str:
    """Get the current time in a specified timezone."""
    # 简化版 - 生产环境中建议使用 pytz 或 zoneinfo
    return f"Current time ({timezone}): {datetime.now().strftime('%H:%M:%S')}"

@mcp.tool
def calculate(expression: str) -> dict:
    """Safely evaluate a mathematical expression."""
    try:
        # 仅允许安全的数学运算字符
        allowed_chars = set("0123456789+-*/.() ")
        if not all(c in allowed_chars for c in expression):
            return {"error": "Invalid characters in expression"}

        result = eval(expression)  # 因为已验证输入，所以使用eval是安全的
        return {"expression": expression, "result": result}
    except Exception as e:
        return {"error": str(e)}

if __name__ == "__main__":
    mcp.run(transport="stdio")

再次运行 test_client.py，你会发现三个工具都被自动发现了，无需任何额外的配置或路由代码。

Available tools:
  - get_weather: Get the current weather for a city.
  - get_time: Get the current time in a specified timezone.
  - calculate: Safely evaluate a mathematical expression.

最后一步：接入真正的 LLM 框架

前面编写的 Client 仅用于测试。在生产环境中，LLM 框架（如 Claude、GPT 等）本身将充当 Client 的角色。整个 人工智能 应用的调用流程概念上如下图所示：

MCP 如何连接你的 LLM 与外部工具：框架调用客户端，客户端发现并调用你服务器中的工具。

你之前编写的 Server 端代码完全不需要改动，这正是 MCP 的核心价值所在——工具只需编写一次，任何兼容 MCP 协议的客户端都能直接使用。

当需要进行生产部署时，你需要将 Server 的传输方式从 stdio 切换为 http，以便通过网络进行远程调用：

if __name__ == "__main__":
    mcp.run(transport="http", host="0.0.0.0", port=8000)

这样，你的 MCP Server 就会作为一个 HTTP 服务端点运行在 http://0.0.0.0:8000，允许远程客户端进行连接。

总结

现在，你已经拥有了一个可以实际运行的 MCP Server，整个过程大约只用了 15 分钟。下一步，就是将它接入到真实的 LLM 应用中，去解决一些实际的问题。MCP 协议极大地简化了 LLM 与外部工具的集成，希望这篇指南能帮助你快速上手。

探索更多技术实践与深度讨论，欢迎访问 云栈社区，与广大开发者共同学习成长。