前言
目前 MCP 协议是给 DeepSeek 大模型插上工具链的翅膀，让大模型不仅拥有超高的推理和文本生成能力，还能具备执行大脑意识的工具能力！
如何开发一个 MCP？
MCP 是一种协议，指的是模型上下文协议 (Model Context Protocol)。
官方结成的 MCP： https://github.com/modelcontextprotocol/python-sdk
mcp 库
pip install mcp
我们先来做一个简单的案例：
from mcp.server.fastmcp import FastMCP
import requests
mcp = FastMCP("spider")
@mcp.tool()
def crawl(url: str) -> int:
"""获取网页的源代码"""
response = requests.get(url)
return response.text
if __name__ == "__main__":
mcp.run(transport='stdio') # mcp.run(transport="sse")
以上代码实现了 FastMCP 库来创建一个简单的 MCP 服务器，它提供一个基本的工具（工具名：crawl），用于实现源代码的获取。这是一个非常简单的爬虫 MCP 入门示例，适合理解 MCP 服务器的工作原理和 FastMCP 的基本用法。
代码分析
首先，从 mcp.server.fastmcp 模块中导入了 FastMCP 类。接着，创建了一个 FastMCP 类的实例，命名为 spider。
FastMCP 是服务器的核心类，它负责管理工具、资源和通信。参数「spider」是服务器的名称，用于标识这个 MCP 服务器。
然后，@mcp.tool() 是一个装饰器（decorator），它告诉 FastMCP 将 crawl 函数注册为一个可供客户端调用的工具。
文档字符串（"""获取网页的源代码"""）：这是函数的描述，客户端（如 MCP Inspector）会显示这个描述，帮助用户理解工具的功能。这个工具可以被外部客户端调用！
例如通过 MCP 协议发送请求，传入 url，服务器会返回它的网页源代码。
mcp.run(transport='stdio') 启动 MCP 服务器，进入监听状态，等待客户端的连接和请求。transport='stdio' 指定了通信方式为标准输入输出（Standard I/O）。这意味着服务器通过命令行的标准输入（stdin）和标准输出（stdout）与客户端通信，适合本地开发和测试。
mcp.run(transport='stdio') 启动 MCP 服务器，如果需要远程通信，可以更改为其他传输方式（如 'sse'，Server-Sent Events）。
fastapi-mcp 库
pip install fastapi-mcp
案例分析：
import requests
from fastapi import FastAPI, HTTPException, Query
from pydantic import BaseModel
from typing import Optional
from fastapi_mcp import add_mcp_server
# Create a simple FastAPI app
app = FastAPI(
title="spider",
description="A simple example API with integrated MCP server",
version="0.1.0",
)
@app.get("/items/{url}", tags=["items"])
def crawl(url: Optional[str] = Query(None, description="get websource from url")) -> dict:
"""获取网页的源代码"""
response = requests.get(url)
return {"response": response.text}
mcp_server = add_mcp_server(
app,
mount_path="/mcp", # 挂载 mcp 服务器的地址
name="Item API MCP", # mcp 服务的名称
description="MCP server for the Item API",
base_url="http://localhost:8000",
describe_all_responses=False,
describe_full_response_schema=False,
)
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8000)
fastapi_mcp 分析
上面的案例引入了 fastapi 和 fastapi-mcp 并实例化一个 fastapi 的类；
然后使用 fastapi 编写了一个方法用户获取一个 url 站点的源代码；
使用 fastapi-mcp 创建一个实例化的 mcp_server，将上面的 fastapi 服务注册为一个 mcp 服务，可以配置 mcp 服务调用的路由为 http://localhost:8000/mcp
最后导入 uvicorn 库，正常启动 fastapi 的服务；可以无缝的将代码转成 mcp server!
以上两种实现 MCP 服务的方式，都可以学习下，尤其是如果你本身对 fastapi 比较的熟练，那么可以直接使用 fastapi-mcp 将服务注册为 MCP server!如果熟悉 python，但是不熟悉 fastapi 也可以使用官方推荐的 mcp 库，节省学习的成本，降低学习难度系数！
实战编写 mongodb 数据库查询 MCP 服务
import sys
from datetime import datetime
import traceback
import uvicorn
from fastapi_mcp import add_mcp_server
from fastapi import FastAPI, status, HTTPException, Response, Query
import motor.motor_asyncio
app = FastAPI()
# ... 省略部分业务逻辑实现 ...
# 根据结构式获取化合物计算属性的值
@app.get("/api/computes/", status_code=status.HTTP_200_OK, summary="根据结构式获取化合物计算属性的值")
async def computed(smiles: Optional[str] = Query(None, description="Search smiles string")):
result = ChemRdkit(smiles=smiles).computed
if result and result.get("code") == 200:
del result["code"]
return ResponseModel(data=result, message="success")
return ErrorResponseModel(error=result.get("error"), code=status.HTTP_404_NOT_FOUND, message=result.get("message"))
# 获取单个化合物
@app.get("/api/chemicals/{casno}/", status_code=status.HTTP_200_OK, summary="根据 casno 获取单个化合物")
async def chemicals(casno: str):
"""根据 casno 获取化合物"""
result = await chemical_get_data(casno=casno)
if result:
return ResponseModel(data=result, message="success")
return ErrorResponseModel(error="数据不存在", code=status.HTTP_404_NOT_FOUND, message="数据不存在")
# 访问结构式图片
@app.get("/image/{filename}/", status_code=status.HTTP_200_OK, summary="访问结构式图片")
async def get_image(filename: str):
print(filename)
# 获取图片二进制
image_content = struct_obj.get_struct(filename)
if image_content:
return Response(content=image_content, media_type="image/jpeg")
# 不存在，通过 filename 获取 casno 号的基本信息，使用 rdkit 库根据 smiles（存在）生成结构式图片
obj = await get_smiles(casno=filename.replace("_", "-"))
if obj:
ChemRdkit(smiles=obj.get("smiles", "")).struct(filename=obj.get("casno"))
image_content = struct_obj.get_struct(filename)
if image_content:
return Response(content=image_content, media_type="image/jpeg")
return None
mcp_server = add_mcp_server(
app,
mount_path="/mcp", # 挂载 mcp 服务器的地址
name="Item API MCP", # mcp 服务的名称
description="MCP server for the Item API",
base_url="http://192.168.1.250:9999",
describe_all_responses=False,
describe_full_response_schema=False,
)
if __name__ == "__main__":
uvicorn.run(app, host="0.0.0.0", port=9999)
结果输出
实现查询 casno 的基本信息，以及根据 smiles 生成化合物的属性信息
以上就可以把企业本地查询数据的一般能力集成到 deepseek 中了！让企业赶得上 AI 的快车！
搭建自己的本地 MCP hub
Hub 服务器 (MCP Hub)：作为中央管理服务器，连接并管理多个 MCP 服务器。它为客户端提供统一的 API 入口，并将请求路由到相应的 MCP 服务器。
docker run --name=mcphub -p 3001:3000 --restart=always -d registry.cn-hangzhou.aliyuncs.com/samanhappy/mcphub
浏览器输入：http://localhost:3001/
1panel MCP server
目前仅支持 stdio 的输出协议！
Ubuntu 安装
curl -sSL https://resource.fit2cloud.com/1panel/package/quick_start.sh -o quick_start.sh && sudo bash quick_start.sh
