Bagaimana cara membuat server MCP Anda sendiri menggunakan FastMCP?

Server MCP adalah program sederhana yang memungkinkan model AI dengan aman mengakses data dan alat menggunakan model Konteks Protokol (MCP). FastMCP adalah kerangka kerja Python yang membantu Anda membangun server dan klien MCP. Itu membuat bekerja dengan protokol konteks model lebih mudah dengan menyediakan alat tingkat tinggi untuk interaksi AI. Dalam posting ini, kita akan melihat bagaimana caranya Buat server MCP menggunakan FastMCP .

Buat server MCP Anda sendiri menggunakan FastMCP

Itu Model Context Protocol (MCP) terhubung dengan aman Aplikasi LLM dengan data dan fungsi eksternal, seperti a web API Dirancang untuk interaksi AI. Server MCP mengekspos sumber daya (pengambilan data get-like), alat (eksekusi tindakan mirip dengan post/put), dan Meminta (Templat terstruktur untuk interaksi).

menyiapkan jendela macet

FastMCP memudahkan untuk menggunakan protokol MCP dengan menghapus langkah -langkah yang tidak perlu seperti menyiapkan server, menangani protokol, dan mengelola kesalahan. Ini memiliki desain sederhana dan ramah pengguna yang memungkinkan kami membuat alat MCP dengan cepat, seringkali hanya dengan menambahkan dekorator ke fungsinya. Versi baru, FastMCP 2.0, menambahkan fitur seperti pustaka klien, proksi server, pola komposisi, dan integrasi dengan OpenAPI/FASTAPI. Tujuan utamanya adalah kecepatan, kesederhanaan, dan kompatibilitas penuh dengan protokol MCP.

Jika Anda ingin membuat server MCP sendiri menggunakan FastMCP, Anda dapat mengikuti langkah -langkah yang disebutkan di bawah ini.

cara menggunakan drive pemulihan windows 10

1] Unduh server FastMCP di lingkungan Anda

Mengunduh FastMCP Server cukup sederhana, tetapi kami sarankan Anda membuat lingkungan dan kemudian mengunduhnya. Meskipun Anda dapat melakukan instalasi menggunakan PowerShell atau aplikasi Command Prompt, kami akan menggunakan terminal Visual Studio. Jadi, buka Kode studio visual,  Dan kemudian buka folder tempat Anda akan mengatur proyek Anda. Sekarang, buka  Terminal> Terminal Baru  dan jalankan perintah berikut.

source .venv/bin/activate

Tunggu sebentar saat FastMCP menginstal di komputer Anda.

2] Buat sampel server MCP

Sekarang kami telah menginstal FastMCP, mari kita silakan dan membuat skrip sampel yang akan membuat server MCP. Anda dapat menulis skrip Anda sendiri atau menggunakan yang telah kami sebutkan di bawah ini. Jadi, dalam kode Visual Studio, di dalam direktori proyek Anda, buat file dan beri nama  Mcpweatherbot.py;  Tempel baris kode berikut.

from fastmcp import FastMCP
# Initialize the MCP server with a weather-related function
weather_server = FastMCP(
name="WeatherBot",
instructions="This server provides real-time weather updates for requested locations."
)
# Run the server when the script is executed directly
if __name__ == "__main__":
weather_server.run()

Skrip ini mengatur server MCP yang disebut 'MCPWeatherBot', yang dirancang untuk memberikan pembaruan cuaca real-time. Instruksi menentukan tujuannya, memastikan pengguna dapat meminta data cuaca untuk lokasi yang berbeda. Saat dieksekusi, The Weather_server.run () Perintah memulai server, membuatnya dapat diakses untuk interaksi AI.

Jika Anda tidak dapat mengetahuinya sendiri, server MCP mengikuti sintaks yang diberikan di bawah ini.

Untuk menjalankan skrip, Anda harus pergi ke  Jalankan> Mulai Debugging.  Biarkan skrip berjalan dan lakukan tugasnya.

Selain itu, jika Anda ingin menjalankan server MCP di port lokal, Anda dapat menjalankan perintah berikut.

fastmcp run servername.py

Begitulah cara Anda menjalankan server MCP.

3] Memahami alat FastMCP, prompt, dan sumber daya lainnya

Sekarang, mari kita pelajari lebih lanjut tentang FastMCP dan komponennya.

Alat FastMCP Bantuan model bahasa menjalankan fungsi Python dengan mudah, menghubungkan penalaran AI dengan tindakan dunia nyata. Anda dapat menggunakan @mcp.tool () dekorator untuk menambahkan perhitungan, panggilan API, atau pembuatan gambar (dengan fastmcp.image) ke alur kerja mereka. FastMCP membuat ini lebih mudah dengan secara otomatis membuat skema dari jenis petunjuk dan docstrings. Ini berguna untuk tugas -tugas seperti mengalikan angka, mendapatkan data langsung, atau mengaktifkan sistem eksternal. Alat -alat ini berfungsi untuk permintaan sinkron dan asinkron dan dapat menghasilkan berbagai jenis output, seperti teks biasa dan data terstruktur, membuatnya fleksibel untuk berbagai aplikasi.

Sumber Daya FastMCP Berikan akses baca saja ke data statis dan dinamis. Sumber daya statis, seperti `Config: // Versi` , mengirimkan konten tetap seperti versi perangkat lunak. Template dinamis, seperti `Users: // {user_id}/profile` , gunakan placeholder untuk mengambil data, seperti profil pengguna dengan ID. Metode ini berfungsi seperti pola yang tenang, membiarkan klien meminta data spesifik sambil menjaga logika sisi server tetap jelas dan efisien. Sumber daya ini bagus untuk database, API, atau file konfigurasi. Mereka memastikan berbagi data yang aman dan efisien tanpa kode yang tidak perlu.

windows phone menghapus akun email

Meminta Standarisasi interaksi dengan model bahasa dengan menggunakan templat yang dapat disesuaikan untuk tugas -tugas seperti merangkum atau menganalisis informasi. Konsistensi ini memastikan output yang seragam. Templat dapat memberikan teks sederhana atau objek pesan terperinci untuk kontrol input yang lebih baik. Misalnya, prompt peringkasan dapat memformat teks yang disediakan pengguna. Dengan mengatur permintaan dengan cara ini, tim mempertahankan konsistensi dan mengurangi pengulangan dalam interaksi AI.

FastMCP Parameter konteks Meningkatkan alat, sumber daya, dan permintaan. Gunakan `CTX: Konteks` dalam fungsi dekorasi untuk mengakses fitur real-time. Anda dapat mencatat pesan dengan `ctx.info ()`, mengambil data menggunakan `ctx.http_request ()`, dan mendelegasikan tugas melalui `ctx.sample ()`. Lacak kemajuan dengan `ctx.report_progress ()` dan ambil data dengan `ctx.read_resource ()`. Sistem ini menghubungkan fungsi ke komponen sadar-negara, ideal untuk tugas-tugas seperti pipa data atau kolaborasi AI multi-langkah.

Membaca:  Bagaimana cara mengkonfigurasi server MCP di Windows 11 menggunakan Claude?

Bagaimana cara mengintegrasikan data dinamis dan interaksi LLM ke dalam server MCP saya?

FastMCP merampingkan alur kerja dinamis dengan templat sumber daya, seperti pengguna: // {user_id}/profil, yang mengambil subset data spesifik menggunakan parameter. Dengan menggunakan parameter konteks, Anda dapat mengaktifkan interaksi dengan model bahasa melalui ctx.sample (), yang memungkinkan delegasi server tugas seperti ringkasan teks ke model klien. Selain itu, Anda dapat menggunakan ctx.http_request () untuk API eksternal dan ctx.read_resource () untuk akses data internal.

Membaca:  Bagaimana cara menemukan server MCP terbaik untuk kerangka kerja AI Anda?

pencarian situs pribadi

Bagaimana cara mengamankan server MCP saya saat mengekspos alat dan sumber daya?

FastMCP meningkatkan keamanan melalui Middleware FASTAPI, memungkinkan pengembang untuk mengimplementasikan token otentikasi, pembatasan tingkat, atau integrasi OAuth2 untuk mengontrol akses. Validasi input memastikan alat dan sumber daya menangani data dengan aman, sementara ctx.log () memungkinkan audit dan pemantauan aktivitas yang mencurigakan, memberikan kerangka keamanan yang kuat untuk aplikasi MCP.

Baca juga: Instal Server MCP Tavily di VS Code di Windows 11.