实战篇：Python开发monogod数据库mcp server看完你就会了

Ne0inhk

— 8 min read
实战篇：Python开发monogod数据库mcp server看完你就会了
原创不易,请关注公众号：【爬虫与大模型开发】,大模型的应用开发之路，整理了大模型在现在的企业级应用的实操及大家需要注意的一些AI开发的知识点！持续输出爬虫与大模型的相关文章。

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 from mcp.server.fastmcp import FastMCP

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""" resposne = 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），用于是实现源代码的获取。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 from fastapi_mcp import add_mcp_server

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}", response_model=Item, tags=["items"]) def crawl(url: Optional[str] = Query(None, description="get websource from url")) -> dict:     """获取网页的源代码""" resposne = requests.get(url)     return {"response":response.text} mcp_server = add_mcp_server( app, mount_path="/mcp", # 挂着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fastspi-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() ......代码省略..... # 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") # raise HTTPException(400, "Something went wrong") # 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", # 挂着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！让企业赶的上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
其他MCP服务参考

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

送书福利

DeepSeek作为开源大模型的典范，融合了Transformer架构、MoE（混合专家）机制及自监督学习等前沿技术，在性能与扩展性上优势显著。为助力技术人员系统掌握DeepSeek的开发原理与应用，笔者撰写了本书，旨在为读者提供从理论到实践的全面指导。

只要关注+点赞+评论 评论区选择2人送书

联系方式

加入星球：
原创不易，点个关注！
不会错过后面的优质文章！
觉着写的不错的可以帮忙点点赞
关注公众号：【爬虫与大模型开发】
需要以上源代码的下面关注并私信！
活跃在一线的Python工程师分享自己学习之路
我创建了【爬虫与大模型开发】的知识星球
适合爱好爬虫及从事爬虫的同学
需要代码提示词加我星球！

需要完整代码扫码星球自提！

Read more

一天开13个会、一个Bug要修200天！前亚马逊L7爆料：这轮大裁员，AI只是“背锅侠”

一天开13个会、一个Bug要修200天！前亚马逊L7爆料：这轮大裁员，AI只是“背锅侠”

整理 | 郑丽媛 出品 | ZEEKLOG（ID：ZEEKLOGnews） 过去一年，大型科技公司的裁员消息几乎从未停过。但当公司对外给出的理由越来越统一，“AI 让组织更高效”，也有越来越多内部员工开始提出另一种质疑：事情或许没那么简单。 最近，一段来自前亚马逊员工 Becky 的 YouTube 视频在开发者社区流传开来。她曾在亚马逊工作 7 年，其中 5 年担任 L7 级别的技术管理者，负责过团队年度规划（OP1）等核心管理工作——可去年，她主动离开了亚马逊。 就在最近，她的三位前同事接连被裁，其中两人还是 H-1B 签证员工，都背着房贷压力。其中一位同事忍不住给 Becky 发消息：“你去年离开的时候，是不是已经预料到会发生这些？” 对此，Becky 的回答很坦诚：她不知道具体什么时候会裁员，但她早就感觉情况不对劲了。 在她看来，这轮裁员被归因为

By Ne0inhk
用 10% GPU 跑通万亿参数 RL！马骁腾拆解万亿参数大模型的后训练实战

用 10% GPU 跑通万亿参数 RL！马骁腾拆解万亿参数大模型的后训练实战

整理 | 梦依丹 出品 | ZEEKLOG（ID：ZEEKLOGnews） 左手是提示词的工程化约束，右手是 Context Learning 的自我进化。 在 OpenAI 新发布的《Prompt guidance for GPT-5.4》中，反复提到了 Prompt Contracts（提示词合约）。要求开发者像编写代码一样，严谨地定义 Agent 的输入边界、输出格式与工具调用逻辑，进而换取 AI 行为的确定性。 但在现实操作中，谁又能日复一日地去维护那些冗长、脆弱的“提示词代码”？ 真正的 Agent，不应只靠阅读 Context Engineering，更应该具备 Context Learning 的能力。 为此，在 4 月 17-18

By Ne0inhk
当OpenClaw引爆全网，谁来解决企业AI Agent的“落地焦虑”？

当OpenClaw引爆全网，谁来解决企业AI Agent的“落地焦虑”？

2026 年 3 月，开源 AI Agent 框架 OpenClaw 在 GitHub 上的星标突破28万，并一度超越 React，成为 GitHub 最受关注的软件项目之一。短时间内，开发者利用它构建了大量实验性应用：从全栈开发辅助，到自动化营销脚本，再到桌面操作自动化，AI Agent 的能力边界正在迅速被拓展。 这股热潮也带动了另一个趋势——本地部署与算力硬件需求的快速增长。越来越多开发者尝试在个人设备或企业服务器上运行 Agent 系统，以获得更高的控制权和数据安全性。 从表面上看，AI Agent 似乎正从“概念验证”走向更广泛的开发实践。但在企业环境中，情况却没有想象中乐观。当企业负责人开始追问—— “它能直接解决我的业务问题吗？” 很多演示级产品仍难以给出令人满意的答案。 如何让 Agent 真正融入企业既有系统、适配复杂业务流程，正成为大模型产业落地必须跨越的一道门槛。 与此同时，中国不同城市的产业结构差异明显：互联网、

By Ne0inhk
遭“美国政府封杀”后，Anthropic正式提起诉讼！

遭“美国政府封杀”后，Anthropic正式提起诉讼！

整理 | 苏宓 出品 | ZEEKLOG（ID：ZEEKLOGnews） 据路透社报道，当地时间周一，AI 初创公司 Anthropic 正式对美国国防部及特朗普政府提起诉讼，抗议五角大楼将其列为“国家安全供应链风险”主体的决定。 Anthropic 在向美国加州北区地方法院提交的诉讼文件中表示，这一认定“史无前例且非法”，已对公司造成“不可挽回的损害”。公司希望法院撤销该决定，并指示联邦机构停止执行相关认定。 划定 AI 应用红线，双方观点不一 正如我们此前报道，这场争端的核心在于 Anthropic 为其核心 AI 模型 Claude 设定的两条技术使用红线，与美国国防部的使用需求发生根本冲突。 此前，Anthropic 曾与五角大楼签署一份价值最高可达 2 亿美元的合作合同，Claude 也成为少数被纳入美国机密网络环境进行测试的 AI 系统之一。 对此，Anthropic 一直坚持两条底线： * Claude 等技术不得被用于对美国民众的大规模国内监控；

By Ne0inhk