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！