Python 开发 MongoDB 数据库 MCP Server 实战指南

前言

目前 MCP (Model Context Protocol) 协议是给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 Server

MCP 是一种协议，指的是模型上下文协议 (Model Context Protocol)。

官方 SDK：https://github.com/modelcontextprotocol/python-sdk

使用 mcp 库

安装依赖：

pip install mcp

代码示例：

from mcp.server.fastmcp import FastMCP
import requests

mcp = FastMCP("spider")

@mcp.tool()
def crawl(url: str) -> str:
    """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

从 mcp.server.fastmcp 模块中导入了 FastMCP 类。
创建了一个 FastMCP 类的实例，命名为 spider。
@mcp.tool() 是一个装饰器，将 crawl 函数注册为一个可供客户端调用的工具。
文档字符串描述了函数的功能，客户端会显示这个描述。
mcp.run(transport='stdio') 启动 MCP 服务器，指定通信方式为标准输入输出，适合本地开发和测试。

使用 fastapi-mcp 库

安装依赖：

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}")
def crawl(url: Optional[str] = Query(None, description="get websource from url")) -> dict:
    """获取网页的源代码"""
    try:
        response = requests.get(url)
        return {"response": response.text}
    except Exception as e:
        raise HTTPException(status_code=400, detail=str(e))

mcp_server = add_mcp_server(
    app, 
    mount_path="/mcp",
    name="Item API MCP",
    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)

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；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!

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
from typing import Optional

app = FastAPI()

# ... 此处为具体的业务逻辑处理代码 ...
# 例如定义数据库连接、数据模型等

# 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"))
    pass

# 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")
    pass

# 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)
    # 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",
    name="Item API MCP",
    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。

文章配图

以上就可以把企业本地查询数据的一般能力集成到 AI 中了！

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/

文章配图

其他 MCP 服务参考

https://github.com/punkpeye/awesome-mcp-servers/tree/main