Python FastMCP：让你的AI工具链飞起来

---

官方文档：

• FastMCP官方文档 ：https://gofastmcp.com/
• MCP协议规范：https://modelcontextprotocol.io/
• github: https://github.com/jlowin/fastmcp

FastMCP

The fast, Pythonic way to build MCP servers and clients.

FastMCP 是什么？

FastMCP 是一个基于 Python 的高效框架，用于构建符合 MCP 协议（Model Context Protocol）的服务器和客户端。MCP 协议由 Anthropic 提出，旨在为大语言模型（LLM）提供标准化接口，使其能安全访问本地工具、私有数据和外部服务 。

FastMCP将python MCP开发变成简洁优雅的代码，让你用装饰器就能构建AI生产力工具链！

# 3行开启
from fastmcp import FastMCP
mcp = FastMCP("Financial", port=9000)  # 取名+端口
mcp.run(transport="sse")  # 一键启动服务

FastMCP 的核心价值在于：

• 协议隐形化：把复杂的MCP协议压缩成@tool、@resource装饰器，告别协议文档噩梦
• 开发闪电化：工具开发代码量直降90%，原本3天的集成现在3小时搞定
• 生产就绪化：自带OAuth安全校验/资源缓存/多协议传输，出生即战士

“以前对接Claude要写200行胶水代码，现在FastMCP只需15行”

• 核心功能（三大组件）：
  • 工具 (Tools)
  • 资源 (Resources)
  • 提示模板 (Prompts)

核心库：pip install fastmcp uvicorn

1. 工具 (Tools)：赋予LLM执行能力

功能：

1. 动态执行层：处理写操作（POST/PUT）、计算、API调用, 支持同步/异步/多进程任务调度
2. 协议映射：将Python函数转化为MCP协议的tools/call端点
3. 安全沙箱：隔离LLM对本地系统的直接访问

仅需通过@mcp.tool()装饰器, 实现函数到MCP端点的动态映射

   @mcp.tool(
       description="...",    # 功能说明（AI决策依据）
       tags=["text", "util"] # 分类标签
       						 # 可选thread/process/asyncIO执行器
   )
   def func(param: type) -> return_type:
   # FastMCP自动将类型转换为JSON Schema

实际案例：

能力维度	真实场景	安全机制
数据写入	数据库更新/API调用	Pydantic参数校验
复杂计算	风险价值分析/实时货币换算	异常结构化返回
异步操作	多源新闻聚合/批量文件处理	权限标签控制

代码实例：

from pydantic import BaseModel, Field
from fastmcp import FastMCP
mcp = FastMCP("FinanceTools", port=9000)

# 1. 基础工具：类型提示自动生成Schema
@mcp.tool
def currency_converter(amount: float, from_currency: str, to_currency: str) -> dict:
    """实时货币兑换（支持180种法定货币）"""
    # 实际对接ExchangeRateAPI
    return {"converted": amount * 0.85, "rate": 0.85} 

# 2. 复杂参数校验：Pydantic模型
class TradeRequest(BaseModel):
    stock: str = Field(..., pattern=r"^[A-Z]{1,5}$")
    shares: int = Field(gt=0, le=1000, description="单次交易上限1000股")
    action: Literal["buy", "sell"]

@mcp.tool
def execute_trade(request: TradeRequest) -> dict:
    """执行证券交易（自动风控）"""
    if request.action == "sell":
        return {"status": "SUCCESS", "order_id": f"SELL_{request.stock}_{uuid.uuid4()}"}
    # Buy逻辑...

# 3. 异步工具：处理IO密集型操作
@mcp.tool
async def query_news(keywords: list[str]) -> list:
    """聚合10家媒体实时新闻（支持关键词过滤）"""
    async with httpx.AsyncClient() as client:
        tasks = [client.get(f"https://news.org/search?q={k}") for k in keywords]
        return await asyncio.gather(*tasks)

技巧：

1. 使用@mcp.tool(name=“custom_name”)覆盖默认函数名

2. 异常处理返回结构化错误：raise mcp.ToolReturn(code=403, message=“Insufficient balance”)

3. 敏感操作添加权限标签：@mcp.tool(tags=[“financial”])

---

2. Resources（资源）：安全数据通道

• 只读数据源：类比GET请求，无副作用
• 动态模板：URI参数化实现按需查询（如users://{user_id}/profile）
• 自动编码：支持JSON/Text/Blob返回类型

URI模板引擎原理:

# 动态路由解析伪代码
def resolve_resource(uri: str):
    if "{var}" in uri:
        pattern = uri.replace("{var}", "(?P[\w-]+)") 
        match = re.match(pattern, request_uri)
        return handlers[uri].call(**match.groupdict())

金融数据服务案例：

# 1. 静态资源配置
@mcp.resource("config://risk_policy")
def get_risk_policy() -> dict:
    """获取当前风控阈值（JSON格式）"""
    return {"max_trade": 100000, "currency_blacklist": ["IRR", "VES"]}

# 2. 动态模板资源（带参数验证）
@mcp.resource("market://{symbol}/price")
def get_stock_price(symbol: str) -> float:
    """查询实时股价（支持6000+美股）"""
    if not re.match(r"^[A-Z]{1,5}$", symbol):
        raise ValueError("Invalid stock symbol")
    return yf.Ticker(symbol).fast_info.last_price

# 3. 二进制资源（图片/PDF等）
@mcp.resource(
    uri="reports://{date}/daily.pdf",
    mime_type="application/pdf"
)
def generate_report(date: datetime) -> bytes:
    """生成当日交易报告PDF"""
    return pdfkit.from_string(f"
{date} Report
...")

技巧：

1. 缓存机制：@mcp.resource(uri=“…”, ttl=3600) 设置资源缓存时间
2. 按需启用：动态控制资源可见性

  market_resource = mcp.resource("market://{symbol}")(get_stock_price)
  market_resource.disable()  # 收盘后自动禁用

3. 上下文注入：访问请求元数据

  def get_logs(ctx: mcp.Context) -> str:
      return f"Request from {ctx.client_id} at {ctx.timestamp}"

---

3. Prompts（提示模板）：标准化LLM交互

核心：

• 动态工作流：组合工具调用、资源加载、多轮对话
• 企业级复用：统一客服/代码分析等场景的提示词规范
• 客户端集成：支持Cursor/Sublime等IDE的快捷命令

动态生成原理：

@mcp.prompt("portfolio_risk")
def gen_prompt(user_id: str) -> list[dict]:
    # 实时获取资源数据
    portfolio = mcp.resources.read(f"portfolio://{user_id}")  
    return [
        {"role": "user", "content": f"分析{user_id}的资产"},
        {"role": "assistant", "content": {
            "type": "tool_call",  # 关键！嵌入工具调用指令
            "tool": "calculate_var",
            "parameters": {"data": portfolio}  
        }}
    ]

实际案例：

# 1. 注册提示模板（服务端）
mcp.register_prompt(
    name="analyze_portfolio",
    description="投资组合风险评估",
    arguments=[
        {"name": "user_id", "required": True},
        {"name": "time_range", "enum": ["1d", "1w", "1m"]}
    ]
)

# 2. 动态提示生成器
@mcp.prompt("analyze_portfolio")
def portfolio_prompt(user_id: str, time_range: str) -> list[dict]:
    """构造包含实时数据的多步骤提示"""
    return [
        {
            "role": "system",
            "content": "你是一位CFA持证金融分析师，请评估用户投资组合风险"
        },
        {
            "role": "user",
            "content": {
                "type": "resource",  # 嵌入资源
                "resource": {
                    "uri": f"portfolio://{user_id}?range={time_range}",
                    "mimeType": "application/json"
                }
            }
        },
        {
            "role": "user",
            "content": "基于以上数据，分析：1) 最大回撤 2) 行业集中度 3) 建议调整方案"
        }
    ]

# 3. 客户端调用（Python示例）
async def get_analysis_prompt(user: str):
    async with mcp.Client() as client:
        return await client.get_prompt(
            "analyze_portfolio", 
            {"user_id": user, "time_range": "1m"}
        )

技巧：

1. 多步骤工作流：在content中嵌入tools/call指令实现链式调用
2. 条件分支：基于参数返回差异化提示结构
3. 混合内容：同一消息内组合text+resource+tool_call

---

4.组件协同：构建项目AI工具链

金融行业实战：股票分析工作流

# 全链路代码实现
@mcp.tool
def calculate_var(portfolio: dict) -> float:
    """计算投资组合VaR（风险价值）"""

@mcp.resource("risk://models/{model_id}")
def get_risk_model(model_id: int) -> dict: ...

# 组合提示模板：Prompt串联一切！
@mcp.prompt("full_analysis")
def analysis_prompt(user_id: str):
    portfolio = await mcp.resources.read(f"portfolio://{user_id}")
    return {
        "messages": [
            {"role": "user", "content": f"用户{user_id}的持仓分析"},
            {"role": "assistant", "content": {
                "type": "tool_call",
                "tool": "calculate_var",
                "parameters": {"portfolio": portfolio} # 动态注入数据
            }},
            {"role": "user", "content": {
                "type": "resource",
                "resource": "risk://models/1024"  # 调用风控模型
            }}
        ]
    }

---

5. 部署架构与性能优化

调试与监控技巧:

# 1. 自动化测试工具
fastmcp test server.py --tool "stress_test" --params '{"portfolio":{}}'

# 2. 实时性能监控
fastmcp monitor --metric qps --tool "execute_trade"

# 3. 安全审计日志
docker logs -f mcp-server | grep SECURITY_ALERT

多环境部署方案对比:

---

博主热门文章推荐：

一篇读懂系列：

• 一篇读懂无线充电技术（附方案选型及原理分析）
• 一篇读懂：Android/iOS手机如何通过音频接口（耳机孔）与外设通信
• 一篇读懂：Android手机如何通过USB接口与外设通信（附原理分析及方案选型）

LoRa Mesh系列：

• LoRa学习：LoRa关键参数（扩频因子，编码率，带宽）的设定及解释
• LoRa学习：信道占用检测原理（CAD）
• LoRa/FSK 无线频谱波形分析（频谱分析仪测试LoRa/FSK带宽、功率、频率误差等）

网络安全系列：

• ATECC508A芯片开发笔记（一）：初识加密芯片
• SHA/HMAC/AES-CBC/CTR 算法执行效率及RAM消耗 测试结果
• 常见加密/签名/哈希算法性能比较 (多平台 AES/DES, DH, ECDSA, RSA等)
• AES加解密效率测试（纯软件AES128/256）–以嵌入式Cortex-M0与M3 平台为例

嵌入式开发系列：

• 嵌入式学习中较好的练手项目和课题整理（附代码资料、学习视频和嵌入式学习规划）
• IAR调试使用技巧汇总：数据断点、CallStack、设置堆栈、查看栈使用和栈深度、Memory、Set Next Statement等
• Linux内核编译配置（Menuconfig）、制作文件系统 详细步骤
• Android底层调用C代码（JNI实现）
• 树莓派到手第一步：上电启动、安装中文字体、虚拟键盘、开启SSH等
• Android/Linux设备有线&无线 双网共存（同时上内、外网）

AI / 机器学习系列：

• AI: 机器学习必须懂的几个术语：Lable、Feature、Model…
• AI：卷积神经网络CNN 解决过拟合的方法 （Overcome Overfitting）
• AI: 什么是机器学习的数据清洗（Data Cleaning）
• AI: 机器学习的模型是如何训练的？（在试错中学习）
• 数据可视化：TensorboardX安装及使用（安装测试+实例演示）

---