Dieses Tutorial zeigt, wie Sie Ihr gro?es Sprachmodell (LLM) mit dem Modellkontextprotokoll (MCP) und Fastapi in externe Tools integrieren. Wir erstellen eine einfache Webanwendung mit Fastapi und konvertieren sie in einen MCP -Server, sodass Ihr LLM zugreifen und die Funktionen der Anwendung nutzen kann.

Inhaltsverzeichnis

• Fastapi und MCP: Eine m?chtige Kombination
• Einführung von Fastapi-MCP
• API-Kompatibilit?t mit Fastapi-MCP
• Praktisches: Erstellen eines MCP-Servers mit Fastapi-MCP
• Fastapi -Konfiguration
• Cursorkonfiguration
• Testen Sie Ihren MCP -Server
• Abschluss

Fastapi und MCP: Eine m?chtige Kombination

Fastapi vereinfacht die Erstellung von Webanwendungen und APIs mithilfe von Python. Es ist bekannt für seine Benutzerfreundlichkeit und Geschwindigkeit. MCP, ein offenes Standardprotokoll von Anthropic, erm?glicht LLMs, mit externen Datenquellen und -Tools zu interagieren. Die Kombination von Fastapi mit MCP erm?glicht Ihre LLM, indem Sie Zugriff auf eine breite Palette von webbasierten Tools erm?glichen.

Das obige Diagramm veranschaulicht einen MCP-Server, der mit einem API-Endpunkt verbunden ist, der ein Fastapi-Endpunkt oder einen anderen API von Drittanbietern sein k?nnte.

Einführung von Fastapi-MCP

Fastapi-MCP ist eine Bibliothek, die Ihre Fastapi-Anwendungen nahtlos in Tools verwandelt, die von LLMs wie ChatGPT oder Claude leicht verwendet werden k?nnen. Es vereinfacht den Prozess der Integration Ihrer Fastapi -Endpunkte in ein AI -?kosystem.

API-Kompatibilit?t mit Fastapi-MCP

Fastapi-MCP unterstützt verschiedene Fastapi-Endpunkttypen:

• Endpunkte erhalten: In MCP -Ressourcen umgewandelt.
• Post, Put, Endpunkte l?schen: Konvertiert in MCP -Tools.
• Benutzerdefinierte Dienstprogrammfunktionen: Kann als zus?tzliche MCP -Tools integriert werden.

Die Bibliothek erkennt und konvertiert diese Endpunkte automatisch und erhalten ihr Schema und ihre Dokumentation.

Praktisches: Erstellen eines MCP-Servers mit Fastapi-MCP

Erstellen wir eine einfache Wetteranwendung mit der wetter.gov -API (kein API -Schlüssel erforderlich) und konvertieren sie in einen MCP -Server.

Fastapi -Konfiguration

1. Abh?ngigkeiten installieren:

 PIP Installieren Sie Fastapi Fastapi-MCP Uvicorn MCP-Proxy

2. Abh?ngigkeiten importieren: (in main.py )

 von fastapi import fastapi, httpexception, abfrage
HTTPX importieren
von fastapi_mcp import fastapimcp importieren

3. Definieren Sie die Fastapi -App:

 app = fastapi (title = "Wetteraktualisierungen API"))

4. Definieren Sie Routen und Funktionen: (In diesem Beispiel wird eine vereinfachte St?dtekoordinaten -Lookup verwendet. Eine Produktionsanwendung würde einen ordnungsgem??en Geokodierungsdienst verwenden.)

 City_coordinates = { # ... (Stadtkoordinatendaten wie im Originalbeispiel) ...}

@app.get ("/wetter")
Async def get_weather (STATECODE: STR = Abfrage (..., Beschreibung = "State Code"), Stadt: Str = Abfrage (..., Beschreibung = "Stadtname")):
    # ... (Weather API -Interaktion wie im ursprünglichen Beispiel) ...

5. MCP Server einrichten:

 MCP = Fastapimcp (App, Name = "Wetteraktualisierungen API", Beschreibung = "API zum Abrufen von Wetterdaten")
mcp.mount ()

6. Starten Sie die App:

 Wenn __name__ == "__main__":
    Uvicorn importieren
    uvicorn.run (App, Host = "0.0.0.0", Port = 8000)

Cursorkonfiguration

1. Cursor herunterladen und installieren.
2. Erstellen Sie eine mcp.json -Datei mit der folgenden Konfiguration (passen Sie den Port gegebenenfalls an):

 {
  "McPservers": {{
    "Weatherapi": {
      "Befehl": "McP-Proxy",
      "Args": ["http://127.0.0.1:8000/mcp"]
    }
  }
}

3. Fügen Sie die mcp.json -Konfiguration zu den MCP -Einstellungen von Cursor hinzu.

Testen Sie Ihren MCP -Server

Verwenden Sie nun Cursor, um Ihre Wetter -API zu fragen. Zum Beispiel: "Was ist das Wetter in San Francisco?"

Abschluss

Durch die Kombination von Fastapi und MCP mit der fastapi-mcp -Bibliothek k?nnen Sie Ihre vorhandenen oder neuen APIs problemlos in Ihren LLM-Workflow integrieren und seine F?higkeiten erheblich erweitern. Dieser Ansatz str?mt den Prozess des Erstellens benutzerdefinierter Tools für Ihr LLM und erm?glicht es ihm, zug?nglich zu machen und eine Vielzahl von Online -Ressourcen zu nutzen.

Das obige ist der detaillierte Inhalt vonFASTAPI -MCP -Tutorial für Anf?nger und Experten - Analytics Vidhya. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!