Python 开发 MongoDB 数据库 MCP Server 实战指南

前言

MCP（Model Context Protocol）协议相当于给大模型装上了工具链的翅膀。它不仅让模型拥有强大的推理和文本生成能力，还能赋予其执行具体任务的工具调用能力。

如何开发一个 MCP 服务？

MCP 是一种协议，全称为 Model Context Protocol。官方 SDK 仓库位于：https://github.com/modelcontextprotocol/python-sdk

方案一：使用官方 FastMCP 库

这是最轻量级的实现方式，适合快速验证想法。

pip install mcp

from mcp.server.fastmcp import FastMCP
import requests

# 创建服务器实例，名称用于标识
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__":
    # stdio 模式适合本地开发和测试
    mcp.run(transport='stdio') 
    # 如需远程通信，可更改为 sse 模式
    # mcp.run(transport="sse")

代码解析： 这里我们导入了 FastMCP 类并实例化了一个名为 spider 的服务器。核心在于 @mcp.tool() 装饰器，它将 crawl 函数注册为一个可供客户端调用的工具。函数的文档字符串会被客户端（如 MCP Inspector）展示，帮助用户理解功能。

启动时指定 transport='stdio'，意味着服务器通过标准输入输出与客户端通信，非常适合本地调试。如果需要对外提供服务，可以切换到 sse（Server-Sent Events）传输方式。

方案二：基于 FastAPI 集成

如果你已经在使用 FastAPI 构建后端，可以直接利用 fastapi-mcp 库将现有服务注册为 MCP 服务，无需重复造轮子。

pip install fastapi-mcp

import requests
from fastapi import FastAPI, HTTPException, Query
from pydantic import BaseModel
from typing import Optional
from fastapi_mcp import add_mcp_server

# 创建 FastAPI 应用
app = FastAPI(
    title="Spider API",
    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=500, detail=str(e))

# 将 FastAPI 服务挂载为 MCP 服务
mcp_server = add_mcp_server(
    app, 
    mount_path="/mcp",      # MCP 服务挂载路径
    name="Item API MCP",    # 服务名称
    description="MCP server for the Item API",
    base_url="http://localhost:8000", # 服务地址
    describe_all_responses=False,
    describe_full_response_schema=False,
)

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

分析： 这个案例展示了如何将现有的 FastAPI 接口无缝转换为 MCP 服务。配置中 mount_path 决定了客户端访问 MCP 接口的路由。最后通过 uvicorn 启动服务即可。如果你熟悉 FastAPI，这种方式能极大降低接入成本。

实战：编写 MongoDB 数据库查询 MCP 服务

下面是一个结合 FastAPI、Motor（异步 MongoDB 驱动）以及化学数据处理的实际案例。虽然业务逻辑涉及化合物属性计算，但核心架构展示了如何将本地数据查询能力封装进 MCP。

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()

# ... 省略部分数据库连接及辅助类定义 ...

# 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)
    image_content = struct_obj.get_struct(filename)
    if image_content:
        return Response(content=image_content, media_type="image/jpeg")
    
    # 如果文件不存在，尝试根据 filename 获取 casno 号的基本信息，使用 rdkit 库根据 smiles 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

# 注册 MCP 服务
mcp_server = add_mcp_server(
    app, 
    mount_path="/mcp", 
    name="Item API MCP", 
    description="MCP server for the Item API", 
    base_url="http://localhost:9999", 
    describe_all_responses=False, 
    describe_full_response_schema=False, 
)

if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=9999)

运行结果： 该服务实现了查询 CAS 号基本信息，以及根据 SMILES 生成化合物的属性信息和结构图的能力。

查询结果示例

属性详情

图片生成

结构式

以上演示了如何将企业本地的数据查询能力集成到 DeepSeek 等大模型中，让企业能够紧跟 AI 技术发展的步伐。

搭建自己的本地 MCP Hub

Hub 服务器作为中央管理节点，负责连接并管理多个 MCP 服务器，为客户端提供统一的 API 入口。

Docker 部署

docker run --name=mcphub -p 3001:3000 --restart=always -d registry.cn-hangzhou.aliyuncs.com/samanhappy/mcphub

浏览器访问：http://localhost:3001/

Hub 界面

1Panel 部署

目前 1Panel 仅支持 stdio 输出协议。

Ubuntu 安装脚本：

curl -sSL https://resource.fit2cloud.com/1panel/package/quick_start.sh -o quick_start.sh && sudo bash quick_start.sh

1Panel 安装