AgentHubAgentHub
返回全部博客

Python FastMCP 极速开发指南:5 分钟构建本地 AI 智能体扩展

AgentHub 核心团队··2 分钟阅读·65 次阅读
Python FastMCP 极速开发指南:5 分钟构建本地 AI 智能体扩展

什么是 FastMCP?

FastMCP 是 Python 生态中类似于 FastAPI 的 MCP 开发框架。它大幅精简了底层 JSON-RPC 与生命周期通信协议,允许开发者通过标准的 Python 类型提示和装饰器编写 AI 工具。


1. 安装与环境准备

推荐使用 uv 快速管理 Python 依赖:

uv init fastmcp-demo && cd fastmcp-demo
uv add "mcp[cli]" httpx

2. 编写 FastMCP 脚本

创建 server.py:

from mcp.server.fastmcp import FastMCP
import httpx

# 初始化服务
mcp = FastMCP("Developer-Toolkit")

@mcp.tool()
async def query_github_repo(owner: str, repo: str) -> str:
    """查询 GitHub 仓库的 Star 数量与最近更新描述"""
    url = f"https://api.github.com/repos/{owner}/{repo}"
    async with httpx.AsyncClient() as client:
        res = await client.get(url, headers={"User-Agent": "FastMCP-Agent"})
        if res.status_code != 200:
            return f"获取失败: HTTP {res.status_code}"
        data = res.json()
        return (
            f"仓库: {data.get('full_name')}\n"
            f"描述: {data.get('description')}\n"
            f"Stars: {data.get('stargazers_count')}\n"
            f"默认分支: {data.get('default_branch')}"
        )

@mcp.resource("config://app-settings")
def get_settings() -> str:
    """提供应用运行时的配置信息供模型参考"""
    return "env=production; timeout=30; retry=3"

if __name__ == "__main__":
    mcp.run()

3. 本地调试与测试

FastMCP 内置了开发调试命令,可以在终端中直接通过交互界面测试:

mcp dev server.py

该命令会自动启动 MCP Inspector Web 界面,直观查看工具注册、入参 Schema 并手动触发工具测试。


4. 接入 Cursor 与 Claude

在 Cursor 的 MCP 配置文件中添加:

{
  "mcpServers": {
    "developer-toolkit": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/fastmcp-demo", "python", "server.py"]
    }
  }
}

FastMCP 自动推导类型并生成 JSON Schema,省去了大量样板代码,是 Python 开发者构建 MCP 的首选利器。

推荐阅读

实战教程

为什么 AI 读错截图里的数字:它拿到的图比屏幕上那张小得多

你把截图原图丢给 AI,它把 9,847 读成 9,347,或者把发票上一行小字整段编出来。原因大概率不在「眼神」,在尺寸:Claude 官方明写它按 28×28 的像素块看图,每块算一个视觉词元,超过上限的图会先缩小;1920×1080 压到 1456×819,你屏幕上 12 像素的小字到它眼里只剩 9.1 像素,而 4K 截图压完和 1080p 一模一样大——分辨率白涨了。这篇给出三张能自己复算的数:面积、字高、词元。最有用的结论反直觉:别放大整张图,裁一块再发——600×400 的局部不缩、字高完整保留、只付 330 个词元,比整张的 1,560 还便宜 4.7 倍。另附一个扫描口径:论文实测约 300ppi 追平传统 OCR、150ppi 以下明显退化,而 9.1 像素的字折算下来只有 62ppi。

实战教程

为什么同一个问题问 AI 两遍,答案不一样:它不是在算答案,是在按概率抽一个词

同一句话原封不动问两遍,AI 的措辞不一样、甚至结论不一样。原因不是它心情不好:它每步拿到的不是一个答案,而是「一整排候选加各自的概率」,然后从中抽一个,连抽几百次就是一篇回答。这篇把「温度」讲回它的本义——softmax 公式里那个除号(Hinton 原话「T 是通常设为 1 的温度」「T 越大概率越平」),再给三张你我能自己复算的表:同一排候选,温度 0 抽一千次只出 1 种结果、0.2 出 2 种、2.0 时最冷门的词已占 7.35%;每个词有九成把握一致,写到 50 个词整段逐字一致的概率只剩 0.5%;单次七成答对的模型,抽九次投票变 90.1%(谷歌 Self-Consistency 论文实测 GSM8K +17.9 个百分点)。最关键的一条纠正:温度调到 0 官方也不保证复现——Anthropic 明写它「从未保证输出相同」,微软 Azure 的 seed=42 自家示例第三遍照样变了。还有一个 2026 年的现在时:Kimi 固定 1.0、传其他值报错,Gemini 新模型直接忽略,Claude 新代传非默认值返回 400,大厂正在把这些旋钮拆掉。

实战教程

为什么 AI 数不清 strawberry 里有几个 r:它看到的不是十个字母,是三块

问 ChatGPT「strawberry 里有几个 r」,它常常答 2。原因不是笨,而是它根本没收到十个字母——我用官方分词库实测,strawberry 在三本不同词表里都是三块:st / raw / berry,三个 r 分散在其中两块里,而「逐块拆开再累加」这个动作从来没被训练过。这篇用「矗字里有几个直」讲清这件事,再给你四个自己跑得出来的数:同一句 17 个汉字,老词表切 34 块、新词表切 15 块;站内一篇 5,500 汉字的中文稿实测 7,112 块,约 0.77 汉字一块,换本词表变 9,491 块、多算 33%(和 Anthropic 官方那句「约 30 percent more tokens」对得上);9.11 之所以比 9.9 大,是因为它看到的是整块「11」。也有一条必须纠正的流行说法:分词不是唯一原因,arXiv 三篇论文给的图景更麻烦,而「换了 tokenizer 就修好了」厂商从未公开解释过。

实战教程

冬天掉的电会还给你,夏天掉的不会:笔记本电池的两条账

冬天续航从六小时掉到三小时,进屋放一会儿又涨回来——这不是电池冻坏了,而是低温让你“暂时取不出”那部分电。Battery University 的 BU-502 给的数是:同一块电池在 27°C 能放出 100%,到 -18°C 只放得出约 50%。真正不会还给你的是另外三件事:高温、长期满电、低温充电。而“充到 80% 更耐用”也有代价——BU-808 的表写明 4.20V(充到 100%)大约 300–500 次循环,压到 4.00V 能到 1,200–2,000 次,但每次能用的电量也更少。这篇把八家厂商(微软、苹果 iPhone、苹果 Mac、华硕、戴尔、三星、谷歌、联想)的官方充电上限摆在一起,讲清“电池健康 87%”是怎么算的、为什么 0°C 以下不要充电,以及充电宝上的 3C 为什么是 2024 年才强制的。

探索更多生产力神器

不想只停留在理论?立即体验下一代 AI 工具与 MCP 插件

收录 ChatGPT 6、Claude 3.7、Devin 等热门 AI,以及 3000+ 开发者开源 MCP 插件与一键安装脚本。