Python 构建 MCP 应用实战指南

2、Streamable HTTP（推荐）

• 适用场景：现代 Web 服务
• 特点：双向实时通信，支持流式传输

启动方式：

mcp.run(transport="streamable-http", port=8000, path="/mcp")

3、SSE 模式（兼容旧系统）

• 适用场景：传统浏览器兼容
• 特点：单向服务器推送

启动方式：

mcp.run(transport="sse", port=8000, path="/sse")

智能启动脚本：

import os

def run_server():
    mode = os.getenv('MCP_MODE', "").lower()
    if mode == 'sse':
        mcp.run(transport="sse", port=8000, path="/sse")
    elif mode == 'streamable-http':
        mcp.run(transport="streamable-http", port=8000, path="/mcp")
    else:
        mcp.run()  # 默认 STDIO

if __name__ == '__main__':
    run_server()

4、总结比较

四、实战：Streamable HTTP 客户端调用

import asyncio
from fastmcp.client import Client

async def main():
    # 连接到 HTTP 服务器
    async with Client('http://localhost:8000/mcp/') as client:
        # 获取工具列表
        tools = await client.list_tools()
        print(f'可用工具：{[t.name for t in tools]}')
        # 调用远程工具
        result = await client.call_tool('greet', {'name': 'Python 开发者'})
        print(f'返回结果：{result[0].text}')
        # 提取 TextContent 内容

asyncio.run(main())

执行结果：

可用工具：['greet']
返回结果：Hello, Python 开发者

五、应用场景及集成

1. 微服务架构
   将工具部署为独立 HTTP 服务，通过 API 网关调用
2. 自动化工作流
   组合多个 MCP 工具构建复杂流水线

Chatbot 插件系统

本地工具链集成
STDIO 模式连接 Python 脚本和 Shell 命令

# 直接调用 MCP 工具
echo '{"name": "Terminal 用户"}' | python mcp_app.py

六、MCP 服务高级功能

在探索 FastMCP 的旅程中，许多开发者都有一个认知误区：认为 MCP 服务等同于 MCP 工具，但是 MCP 服务有三大核心支柱：工具 (Tool)、提示 (Prompt) 和资源 (Resource)。这三者共同构成了一个完整的 AI 应用开发生态系统。

1、MCP 服务的三维架构

MCP 服务工具 Tools 提示 Prompts 资源 Resources 执行具体操作指导 LLM 生成提供静态/动态数据

核心组件的功能对比：

2、工具 (Tool)：执行引擎

作为最基础的功能，工具负责执行具体操作：

@mcp.tool()
def calculate_discount(price: float, discount: float) -> float:
    """计算商品折扣价"""
    return price * (1 - discount / 100)

特点：

• 输入输出类型严格验证
• 支持同步/异步操作
• 可直接集成现有业务逻辑

3、提示 (Prompt)：AI 指导者

提示是控制 LLM 行为的智能模板：

@mcp.prompt()
def generate_interview_questions(position: str, level: str) -> str:
    """生成职位面试问题"""
    return f"""作为资深{position}面试官，请生成 5 个适合{level}级候选人的技术问题，要求：1. 包含代码题和理论题 2. 难度递增 3. 标注考察点"""

核心优势：

1. 动态参数化：支持变量注入
2. 输出标准化：确保 LLM 响应一致性
3. 集中化管理：统一维护提示模板
4. 自动验证：严格检查输入参数类型

4、资源 (Resource)：数据供给站

资源是 MCP 最被低估的功能，它提供静态或动态的可复用数据：

# Basic dynamic resource returning a string
@mcp.resource(uri="resource://greeting/{name}", name='greeting', description='用于演示的一个资源协议')
def get_greeting(name: str) -> str:
    """Provides a simple greeting message."""
    return f"Hello from {name} Resources!"

# Resource returning JSON data (dict is auto-serialized)
@mcp.resource("resource://config")
def get_config() -> dict:
    """Provides application configuration as JSON."""
    return {"theme": "dark", "version": "1.2.0", "features": ["tools", "resources"], }

资源类型：

七、避坑指南

1. 参数名不匹配
   call_tool 的字典 key 必须与函数参数名完全一致

异步陷阱
工具函数需为同步函数，耗时操作应使用线程池：

@mcp.tool()
def process_data(data: str):
    # CPU 密集型任务
    return heavy_computation(data)

端口冲突
多服务运行时使用不同端口：

mcp.run(port=8001)  # 指定端口

八、结语

MCP 服务的三位一体架构为 AI 应用开发提供了完整解决方案：

• 工具是肌肉 - 执行具体操作
• 提示是大脑 - 指导智能行为
• 资源是血液 - 流动数据养分

MCP 协议通过统一接口打通了本地与云端工具的界限。无论你构建的是：

• 🔧 本地开发工具链
• ☁️ 云端 API 服务
• 🤖 智能对话插件

fastmcp 都能提供优雅的解决方案。