探索高效工具调用的新范式，让本地函数秒变云端服务

今天介绍一个强大的工具调用协议——MCP（Message Call Protocol），作为AI工作者，无论你是想构建本地CLI工具还是云端Web服务，MCP都能提供统一的解决方案。

---

一、极简入门：安装与基础工具开发

# 安装fastmcp库
pip install fastmcp

只需5行代码，即可创建你的第一个MCP工具：

from fastmcp import FastMCP

mcp = FastMCP('demo.mcp')

@mcp.tool()
def greet(name: str) -> str:
    return f'Hello, {name}'

---

二、工具自测与调用技巧

开发完成后，立即自测验证功能：

import asyncio
from fastmcp import Client

async def main():
    client = Client(mcp)
    async with client:
        # 查看可用工具
        tools = await client.list_tools()
        print('可用工具:', tools)
        
        # 调用工具（参数名必须匹配）
        result = await client.call_tool('greet', {'name': '技术爱好者'})
        print('调用结果:', result)

asyncio.run(main())

关键点解析：

1. 使用@mcp.tool()装饰器暴露函数
2. 客户端通过call_tool调用，参数为字典格式
3. 参数名必须与函数定义完全一致

---

三、MCP服务器：三种传输模式详解

1、STDIO模式（默认）

• 适用场景：本地进程间通信
• 特点：零网络开销，高性能
• 启动方式：

  mcp.run()  # 默认STDIO模式
  

  

2、Streamable HTTP（推荐）

• 适用场景：现代Web服务
• 特点：双向实时通信，支持流式传输
• 启动方式：

  mcp.run(transport="streamable-http", port=8000, path="/mcp")
  

  

3、SSE模式（兼容旧系统）

• 适用场景：传统浏览器兼容
• 特点：单向服务器推送
• 启动方式：

  mcp.run(transport="sse", port=8000, path="/sse")
  

  

智能启动脚本：

import os

def run_server():
    mode = os.getenv('MCP_MODE', "").lower()
    if mode == 'sse':
        mcp.run(transport="sse", port=8000, path="/sse")
    elif mode == 'streamable-http':
        mcp.run(transport="streamable-http", port=8000, path="/mcp")
    else:
        mcp.run()  # 默认STDIO

if __name__ == '__main__':
    run_server()

4、总结比较

传输模式	适用场景	性能特性	推荐指数
STDIO	本地进程通信、命令行工具	零延迟，无网络开销	⭐⭐⭐⭐
Streamable HTTP	实时Web服务、云端部署	支持双向流式传输	⭐⭐⭐⭐⭐
SSE	兼容旧系统、浏览器	单向推送，存在连接保持开销	⭐⭐

---

四、实战：Streamable HTTP客户端调用

import asyncio
from fastmcp.client import Client

async def main():
    # 连接到HTTP服务器
    async with Client('http://localhost:8000/mcp/') as client:
        # 获取工具列表
        tools = await client.list_tools()
        print(f'可用工具: {[t.name for t in tools]}')
        
        # 调用远程工具
        result = await client.call_tool('greet', {'name': 'Python开发者'})
        print(f'返回结果: {result[0].text}')  # 提取TextContent内容

asyncio.run(main())

执行结果：

可用工具: ['greet']
返回结果: Hello, Python开发者

---

五、应用场景及集成

1. 本地工具链集成
   STDIO模式连接Python脚本和Shell命令

   # 直接调用MCP工具
   echo '{"name": "Terminal用户"}' | python mcp_app.py
   

2. 微服务架构
   将工具部署为独立HTTP服务，通过API网关调用

3. Chatbot插件系统
   

4. 自动化工作流
   组合多个MCP工具构建复杂流水线

---

六、MCP服务高级功能

在探索FastMCP的旅程中，许多开发者都有一个认知误区：认为MCP服务等同于MCP工具，但是MCP服务有三大核心支柱：工具(Tool)、提示(Prompt)和资源(Resource)。这三者共同构成了一个完整的AI应用开发生态系统。

1、MCP服务的三维架构

核心组件的功能对比：

组件类型	核心功能	典型应用场景	装饰器语法
工具	执行具体任务	数据计算、API调用	@mcp.tool()
提示	生成LLM指导消息	标准化提问、响应格式化	@mcp.prompt()
资源	提供可复用数据	配置信息、模板文件	@mcp.resource()

2、工具(Tool)：执行引擎

作为最基础的功能，工具负责执行具体操作：

@mcp.tool()
def calculate_discount(price: float, discount: float) -> float:
    """计算商品折扣价"""
    return price * (1 - discount/100)

特点：

• 输入输出类型严格验证
• 支持同步/异步操作
• 可直接集成现有业务逻辑

3、提示(Prompt)：AI指导者

提示是控制LLM行为的智能模板：

@mcp.prompt()
def generate_interview_questions(position: str, level: str) -> str:
    """生成职位面试问题"""
    return f"""作为资深{position}面试官，请生成5个适合{level}级候选人的技术问题，
要求：
1. 包含代码题和理论题
2. 难度递增
3. 标注考察点"""

核心优势：

1. 动态参数化：支持变量注入
2. 输出标准化：确保LLM响应一致性
3. 集中化管理：统一维护提示模板
4. 自动验证：严格检查输入参数类型

4、资源(Resource)：数据供给站

资源是MCP最被低估的功能，它提供静态或动态的可复用数据：

# Basic dynamic resource returning a string
@mcp.resource(uri="resource://greeting/{name}",
    name='greeting',
    description='用于演示的一个资源协议')
def get_greeting(name: str) -> str:
    """Provides a simple greeting message."""
    return f"Hello from {name} Resources!"

# Resource returning JSON data (dict is auto-serialized)
@mcp.resource("resource://config")
def get_config() -> dict:
    """Provides application configuration as JSON."""
    return {
        "theme": "dark",
        "version": "1.2.0",
        "features": ["tools", "resources"],
    }

资源类型：

资源类型	刷新机制	适用场景
静态资源	服务启动时加载	配置信息、常量数据
定时刷新资源	固定间隔刷新	市场数据、天气信息
按需加载资源	请求时实时获取	用户个性化数据

---

七、避坑指南

1. 参数名不匹配
   call_tool的字典key必须与函数参数名完全一致

2. 端口冲突
   多服务运行时使用不同端口：

   mcp.run(port=8001)  # 指定端口
   

3. 异步陷阱
   工具函数需为同步函数，耗时操作应使用线程池：

   @mcp.tool()
   def process_data(data: str):
       # CPU密集型任务
       return heavy_computation(data)
   

---

八、结语

MCP服务的三位一体架构为AI应用开发提供了完整解决方案：

• 工具是肌肉 - 执行具体操作
• 提示是大脑 - 指导智能行为
• 资源是血液 - 流动数据养分

MCP协议通过统一接口打通了本地与云端工具的界限。无论你构建的是：

• 🔧 本地开发工具链
• ☁️ 云端API服务
• 🤖 智能对话插件

fastmcp都能提供优雅的解决方案。现在就开始你的MCP之旅吧！欢迎在评论区分享你的应用场景和问题~

原创不易，转载请注明来源