Tutorial ini menunjukkan cara mengintegrasikan model bahasa besar anda (LLM) dengan alat luaran menggunakan Protokol Konteks Model (MCP) dan FastAPI. Kami akan membina aplikasi web mudah menggunakan FastAPI dan menukarnya ke pelayan MCP, membolehkan LLM anda mengakses dan menggunakan fungsi aplikasi.

Jadual Kandungan

• Fastapi dan MCP: Gabungan yang kuat
• Memperkenalkan Fastapi-MCP
• Keserasian API dengan Fastapi-MCP
• Hands-on: Membina pelayan MCP dengan fastapi-mcp
• Konfigurasi Fastapi
• Konfigurasi Kursor
• Menguji pelayan MCP anda
• Kesimpulan

Fastapi dan MCP: Gabungan yang kuat

FastAPI memudahkan penciptaan aplikasi web dan API menggunakan Python. Ia terkenal dengan kemudahan penggunaan dan kelajuannya. MCP, protokol standard terbuka dari antropik, membolehkan LLMs berinteraksi dengan sumber data dan alat luaran. Menggabungkan FastAPI dengan MCP memberi kuasa kepada LLM anda dengan menyediakan akses kepada pelbagai alat berasaskan web.

Rajah di atas menggambarkan pelayan MCP yang disambungkan ke titik akhir API, yang boleh menjadi titik akhir FastAPI atau API pihak ketiga yang lain.

Memperkenalkan Fastapi-MCP

FastAPI-MCP adalah perpustakaan yang mengubah aplikasi FastAPI anda dengan lancar ke dalam alat yang mudah digunakan oleh LLM seperti ChatGPT atau Claude. Ia memudahkan proses mengintegrasikan titik akhir Fastapi anda ke dalam ekosistem AI.

Keserasian API dengan Fastapi-MCP

Fastapi-MCP menyokong pelbagai jenis endpoint FastAPI:

• Dapatkan titik akhir: ditukar menjadi sumber MCP.
• Pos, letakkan, padamkan titik akhir: ditukar menjadi alat MCP.
• Fungsi Utiliti Custom: Boleh diintegrasikan sebagai alat MCP tambahan.

Perpustakaan secara automatik mengesan dan menukarkan titik akhir ini, memelihara skema dan dokumentasi mereka.

Hands-on: Membina pelayan MCP dengan fastapi-mcp

Mari kita bina aplikasi cuaca yang mudah menggunakan API Weather.gov (tiada kunci API diperlukan) dan menukarnya menjadi pelayan MCP.

Konfigurasi Fastapi

1. Pasang Ketergantungan:

 PIP Pasang Fastapi Fastapi-MCP UVicorn MCP-Proxy

2. Ketergantungan import: (di main.py )

 Dari Fastapi Import Fastapi, HttPException, pertanyaan
Import httpx
dari fastapi_mcp import fastapimcp

3. Tentukan App Fastapi:

 App = fastapi (title = "API Kemas Kini Cuaca")

4. Tentukan laluan dan fungsi: (Contoh ini menggunakan carian koordinat bandar yang dipermudahkan. Aplikasi pengeluaran akan menggunakan perkhidmatan geokod yang betul.)

 City_coordinates = { # ... (data koordinat bandar seperti contoh asal) ...}

@app.get ("/cuaca")
async def get_weather (statecode: str = query (..., description = "code state"), city: str = query (..., description = "city name")):
    # ... (interaksi API cuaca seperti dalam contoh asal) ...

5. Sediakan pelayan MCP:

 MCP = fastapimcp (app, name = "API kemas kini cuaca", deskripsi = "API untuk mendapatkan data cuaca")
mcp.mount ()

6. Mulakan aplikasi:

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

Konfigurasi Kursor

1. Muat turun dan pasang kursor.
2. Buat fail mcp.json dengan konfigurasi berikut (laraskan port jika perlu):

 {
  "McPservers": {
    "Weatherapi": {
      "Perintah": "MCP-Proxy",
      "args": ["http://127.0.0.1:8000/mcp"]
    }
  }
}

3. Tambah konfigurasi mcp.json ke tetapan MCP kursor.

Menguji pelayan MCP anda

Sekarang, gunakan kursor untuk menanyakan API cuaca anda. Sebagai contoh: "Apa cuaca di San Francisco?"

Kesimpulan

Dengan menggabungkan Fastapi dan MCP dengan perpustakaan fastapi-mcp , anda boleh mengintegrasikan API sedia ada atau baru anda ke dalam aliran kerja LLM anda, dengan ketara mengembangkan keupayaannya. Pendekatan ini menyelaraskan proses membuat alat tersuai untuk LLM anda, yang membolehkannya mengakses dan menggunakan pelbagai sumber dalam talian.

Atas ialah kandungan terperinci Tutorial Fastapi -MCP untuk Pemula dan Pakar - Analytics Vidhya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!