MCP 原理及 FastMCP 框架实践指南

已于 2025-05-07 10:02:57 修改
阅读量1.1k 收藏 29
点赞数 32
文章标签： mcp fastmcp cherry LLM AIGC
于 2025-05-07 09:56:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq128252/article/details/147753777
版权

MCP 原理及 FastMCP 框架实践指南

MCP 原理及 FastMCP 框架实践指南

模型上下文协议 (MCP) 概述

模型上下文协议 (MCP) 是一种标准化的安全机制，旨在帮助大语言模型 (LLM) 应用程序暴露其数据和功能。您可以将 MCP 视为专为 LLM 交互而设计的 Web API。

MCP 服务器主要具备以下三种能力：

  • 通过资源暴露数据：类似于 HTTP GET 请求，将信息加载到 LLM 的上下文中。
  • 通过工具提供功能：类似于 HTTP POST/PUT 请求，允许 LLM 执行特定操作。
  • 通过提示定义交互模式：提供可复用的提示模板，规范和引导 LLM 的交互行为。

MCP 相关资源

MCP 资源聚合

MCP 综述论文

主流 MCP 框架

目前，业界存在多种 MCP 框架的实现，各有特点：

FastMCP 框架详解

FastMCP 简介

MCP 协议本身功能强大，但从头开始实现会涉及大量繁琐的样板代码，例如服务器搭建、协议处理、内容类型管理和错误处理等。FastMCP 框架通过提供高级、Pythonic 的接口，极大地简化了 MCP 服务器和客户端的开发过程，使开发者能够更专注于业务逻辑和工具的实现。在大多数情况下，仅需为函数添加装饰器即可完成开发。

FastMCP 的设计目标：

  • 🚀 快速 (Fast)：提供高级接口，显著减少代码量，提升开发效率。
  • 🍀 简单 (Simple)：极简的样板代码，轻松搭建 MCP 服务器。
  • 🐍 Pythonic：符合 Python 开发者的编程习惯和风格。
  • 🔍 完整 (Complete)：致力于完整实现 MCP 协议的核心规范，同时支持服务器端和客户端的开发。

FastMCP 服务器

创建服务器
from fastmcp import FastMCP

# 创建基础服务器实例
mcp = FastMCP(name="MyAssistantServer")

# 添加交互说明的服务器实例
mcp_with_instructions = FastMCP(
    name="HelpfulAssistant",
    instructions="本服务器提供数据分析工具。调用 get_average() 可分析数值型数据。"
)

FastMCP 构造函数支持以下参数：

  • name (可选): 服务器的易懂名称，默认为 “FastMCP”。
  • instructions (可选): 描述服务器的目的和用法，帮助客户端理解可用的功能。
  • lifespan (可选): 异步上下文管理器函数，用于控制服务器启动和关闭时的逻辑。
  • tags (可选): 服务器的标签集合。
  • settings (可选): 额外的 ServerSettings 配置。
组件类型

  1. 工具 (Tool)

    工具是客户端可以调用的函数，用于执行特定的动作或与外部系统交互。

    @mcp.tool()
def multiply(a: float, b: float) -> float:
    """返回两个数的乘积"""
    return a * b

  2. 资源 (Resource)

    资源用于暴露可供读取的数据源。

    @mcp.resource("data://config")
def get_config() -> dict:
    """提供应用配置"""
    return {"theme": "dark", "version": "1.0"}

  3. 资源模板 (Resource Template)

    参数化的资源，允许客户端根据需要请求特定的数据。服务器可以将数据库内容作为 LLM 交互的上下文素材开放给客户端读取。

    @mcp.resource("users://{user_id}/profile")
def get_user_profile(user_id: int) -> dict:
    """根据用户 ID 获取用户资料"""
    return {"id": user_id, "name": f"User {user_id}", "status": "active"}

    数据库示例：

    import json

# 假设以下函数已定义:
# get_tables() -> list: 返回表列表
# get_database_schema() -> dict: 返回数据库结构
# get_table_constraints() -> dict: 返回表约束

# 表列表资源
@mcp.resource("mysql://tables")
def get_tables_resource():
    """获取所有表的列表作为资源。"""
    tables = get_tables()
    if isinstance(tables, dict) and "error" in tables:
        return json.dumps(tables)
    table_names = [table["TABLE_NAME"] for table in tables]
    return json.dumps(table_names, indent=2)

# 数据库架构资源
@mcp.resource("mysql://schema")
def get_schema_resource():
    """获取数据库架构作为资源。"""
    schema = get_database_schema()
    return json.dumps(schema, indent=2)

# 表约束资源
@mcp.resource("mysql://constraints")
def get_constraints_resource():
    """获取数据库约束作为资源。"""
    constraints = get_table_constraints()
    return json.dumps(constraints, indent=2)

  4. 提示 (Prompt)

    Prompt 是可复用的 LLM 消息模板，用于引导模型完成特定的任务。

    @mcp.prompt()
def analyze_data(data_points: list[float]) -> str:
    """生成数值数据分析提示语"""
    formatted_data = ", ".join(str(point) for point in data_points)
    return f"请分析以下数据点：{formatted_data}"
传输机制

  1. STDIO (标准输入输出，1 对 1)

    • 每个会话启动一个独立的服务器进程。
    • 通过标准输入/输出流进行通信。
    • 客户端断开连接时，服务器进程自动终止。
    • 适用于本地集成场景，例如 Claude Desktop，其中每个对话都拥有独立的服务器实例。
    mcp.run(transport="stdio")

  2. SSE (服务器发送事件，多对 1)

    • 服务器作为持久的 Web 服务持续运行。
    • 支持多个客户端并发连接。
    • 需要手动终止服务器进程。
    • 适合远程访问服务。
    # 基本运行
mcp.run(transport="sse")

# 指定主机、端口和日志级别
mcp.run(
    transport="sse",
    host="127.0.0.1",
    port=8888,
    log_level="debug"
)

# 或者在 FastMCP 构造函数中配置
mcp_configured = FastMCP(
    name="ConfiguredServer",
    port=8080,
    on_duplicate_tools="error" # 处理重复工具的策略
)
# app = mcp_configured.sse_app() # 获取 ASGI 应用实例
# uvicorn.run(app, host="0.0.0.0", port=8080) # 需配合 uvicorn 运行

FastMCP 客户端

FastMCP 客户端架构将协议逻辑 (Client) 与连接机制 (Transport) 进行了解耦：

  • Client：负责发送 MCP 请求 (例如 tools/call、resources/read)，接收响应并管理回调。
  • Transport：负责与服务器建立并维护连接，支持 WebSockets、SSE、STDIO、本地内存等多种传输方式。
STDIO 客户端 (适合本地使用)

在子进程中运行基于 Python 的 MCP 服务器脚本：

import asyncio
from fastmcp import Client
from fastmcp.client.transports import PythonStdioTransport

# 假设 my_mcp_server.py 文件存在并包含 mcp.run()
server_script = "my_mcp_server.py"

# 方式一：自动推断传输方式
client_inferred = Client(server_script)

# 方式二：显式指定传输方式（例如指定 Python 版本、参数等）
transport_explicit = PythonStdioTransport(
    script_path=server_script,
    python_cmd="/usr/bin/python3.11",  # 可选，指定 Python 解释器路径
    # args=["--some-server-arg"],      # 可选，传递给服务器脚本的参数
    # env={"MY_VAR": "value"},         # 可选，设置环境变量
    # cwd="/path/to/run/in"           # 可选，设置工作目录
)
client_explicit = Client(transport_explicit)

async def use_stdio_client(client):
    async with client:
        tools = await client.list_tools()
        print(f"通过 Python STDIO 连接，发现工具: {tools}")

# 运行示例
# asyncio.run(use_stdio_client(client_inferred))
# asyncio.run(use_stdio_client(client_explicit))
SSE 客户端 (适合远程服务器)

通过 HTTPS 连接到暴露的 MCP 服务器，通常使用 mcp.run(transport="sse") 启动。

import asyncio
from fastmcp import Client
from fastmcp.client.transports import SSETransport

sse_url = "http://localhost:8000/sse" # 替换为实际的服务器 SSE URL

# 方式一：自动推断传输方式
client_inferred = Client(sse_url)

# 方式二：显式指定传输方式（例如添加自定义 Header）
headers = {"Authorization": "Bearer mytoken"} # 示例 Header
transport_explicit = SSETransport(url=sse_url, headers=headers)
client_explicit = Client(transport_explicit)

async def use_sse_client(client):
    async with client:
        tools = await client.list_tools()
        print(f"通过 SSE 连接，发现工具: {tools}")

# 运行示例
# asyncio.run(use_sse_client(client_inferred))
# asyncio.run(use_sse_client(client_explicit))

MCP 底层代码原理

MCP 架构图

在这里插入图片描述

  • Server (服务器)：配置并提供函数信息，发送 POST 请求，传递数据。
  • Client (客户端)：
    • 提示词 (Prompt)：定义一个工具调用者，列出可用的工具及其描述和参数。
    • 输入内容 (Input Content)：用户的请求。
    • 组合 (Combine)：将提示词和用户输入组合。
    • 发送 (Send)：将组合后的内容发送给大模型。
    • 解析执行 (Parse & Execute)：接收大模型的输出，解析并执行相应的工具调用。
    • 输出固定结构 (Output Fixed Structure)：大模型根据指令输出特定格式的 JSON 对象。
    • 传回数据 (Return Data)：将工具执行结果或直接回复返回给用户。
  • 大模型 (Large Model)：接收组合内容，根据提示词和用户输入选择是否调用工具，并以指定格式输出结果。

原理代码片段

tools_description (工具描述)
Tool: [工具名称]
Description: [工具描述]
Arguments:
- param1: 参数1的描述 (required)
- param2: 参数2的描述
system_message (系统消息模板)
{
  "tools_description": "\nTool: [tool_name_1]\nDescription: [description_1]\nArguments:\n- arg1_1: (required)\n- arg1_2:\n\nTool: [tool_name_2]\n...",
  "system_message": "You are a helpful assistant with access to these tools:\n\n{tools_description}\nChoose the appropriate tool based on the user's question. If no tool is needed, reply directly.\n\nIMPORTANT: When you need to use a tool, you must ONLY respond with the exact JSON object format below, nothing else:\n{\n    \"tool\": \"tool-name\",\n    \"arguments\": {\n        \"argument-name\": \"value\"\n    }\n}\n\nAfter receiving a tool's response:\n1. Transform the raw data into a natural, conversational response\n2. Keep responses concise but informative\n3. Focus on the most relevant information\n4. Use appropriate context from the user's question\n5. Avoid simply repeating the raw data\n\nPlease use only the tools that are explicitly defined above.",
  "messages": [
    {
      "role": "system",
      "content": "{system_message_content_with_tools_description}"
    }
  ]
}

示例：给小李发消息

交互流程图
  1. 用户输入/系统提示 (Prompt for LLM):
    1. 你是一个工具调用者
2. 工具列表：
   {
       Tool: [邮箱]
       Description: [发邮件]
       Arguments:
               - 收件人: 收件人名 (required)
               - 内容: 发送的内容
   }
3. 如果选好了工具以以下结构输出
   {
        "tool": "tool-name",
        "arguments":
        {
                 "argument-name": "value"
       }
   }
帮我给小李发送一条信息让他下午来我这里
  2. 组合 (Combine): 将上述提示与用户信息组合。
  3. 发送 (Send to LLM): 将组合内容发送给大模型。
  4. LLM 输出 (LLM Output):
    {
    "tool": "email_send",
    "arguments":
    {
         "收件人": "小李",
         "内容": "下午过来一趟"
   }
}
  5. 解析并执行 (Parse & Execute): MCP Server 解析 LLM 输出，调用 email_send 工具。
  6. 发送 Post 请求 (Send POST Request): 执行 email_send 操作。
  7. 传回结果 (Return Result): 将 email_send 的执行结果返回。
服务器日志示例
  • 图中显示了服务器处理 ToolCallRequest 和 PingRequest 的日志信息。
    在这里插入图片描述
    在这里插入图片描述

注意点

  • 大语言模型 (LLM) 生成的内容具有一定的随机性。MCP 协议要求输出结果必须 100% 精确地遵循特定规范。
  • 如果 LLM 的能力较弱，或者无法通过提示词被严格约束以按要求输出，那么 MCP 协议的实现将面临困难。
  • 实践中观察到，Claude 系列模型在调用 MCP 工具方面表现更佳，这可能得益于其针对性的训练。
  • OpenAI 早期提出的 Function Calling 功能，其本质实现逻辑与 MCP 相似。OpenAI 现已宣布支持 MCP，预示着 MCP 可能成为未来的主流协议。
  • 近期谷歌提出的 A2A (Agent-to-Agent) 框架，其核心原理似乎也与 MCP 有共通之处。

Cherry Studio 接入 MCP 实践

启动服务端 (天气服务示例)

import asyncio
import uvicorn
import datetime
import sys
from typing import Dict, Any, Optional

from fastmcp import FastMCP # 更正：从 fastmcp 导入
# from mcp.server.stdio import stdio_server # 根据实际 FastMCP 版本调整或移除

# 创建MCP服务器实例
mcp = FastMCP("天气服务")

# 模拟天气数据库（实际应用中可以替换为API调用）
WEATHER_DATA = {
    "北京": {"温度": "15°C", "天气": "晴", "湿度": "45%", "风力": "3级"},
    "上海": {"温度": "18°C", "天气": "多云", "湿度": "65%", "风力": "2级"},
    "广州": {"温度": "26°C", "天气": "阵雨", "湿度": "80%", "风力": "2级"},
    "深圳": {"温度": "25°C", "天气": "多云", "湿度": "75%", "风力": "3级"},
    "杭州": {"温度": "17°C", "天气": "晴", "湿度": "55%", "风力": "2级"}
}

@mcp.tool()
def get_weather(location: str) -> Dict[str, Any]:
    """
    获取指定城市的今日天气信息
    参数:
    location: 需要查询天气的城市名称
    返回:
    包含温度、天气状况、湿度和风力的字典
    """
    if location in WEATHER_DATA:
        result = WEATHER_DATA[location].copy()
        result["日期"] = datetime.datetime.now().strftime("%Y-%m-%d")
        result["查询时间"] = datetime.datetime.now().strftime("%H:%M:%S")
        return result
    else:
        return {"错误": f"没有找到城市 {location} 的天气数据"}

@mcp.tool()
def list_cities() -> list:
    """
    列出所有可查询天气的城市
    返回:
    城市名称列表
    """
    return list(WEATHER_DATA.keys())

@mcp.resource("weather://{location}")
def weather_resource(location: str) -> str:
    """
    以资源形式提供天气数据
    参数:
    location: 城市名称
    返回:
    格式化的天气信息字符串
    """
    if location in WEATHER_DATA:
        weather = WEATHER_DATA[location]
        return f"{location}天气: {weather['天气']}, 温度: {weather['温度']}, 湿度: {weather['湿度']}, 风力: {weather['风力']}"
    return f"没有找到城市 {location} 的天气数据"

@mcp.prompt()
def weather_query(location: Optional[str] = None) -> str:
    """
    创建天气查询的提示模板
    参数:
    location: 可选的城市名称，如果不提供则请求模型查询一个城市
    返回:
    格式化的提示字符串
    """
    if location:
        return f"请帮我查询{location}的天气情况，并解释一下天气状况。"
    else:
        return "请帮我查询一个中国城市的天气情况，你可以使用list_cities工具获取可查询的城市列表。"

# 提供SSE和stdio两种运行方式
async def run_stdio():
    """使用stdio方式运行服务器"""
    # 根据 FastMCP 的 stdio 实现方式调整
    # 例如：
    # await mcp.run(transport="stdio")
    # 或如果 FastMCP 提供了更底层的 stream 处理：
    # async with stdio_server() as (read_stream, write_stream): # 假设 stdio_server 存在
    #     await mcp.run_streams(read_stream, write_stream)
    # 具体实现需参考 FastMCP 文档
    print("stdio 模式启动逻辑需要根据 FastMCP 版本进行适配")
    # 临时代替，实际应为 FastMCP 的 stdio 运行方式
    if hasattr(mcp, 'run_stdio_separately'): # 假设有这样的方法
        await mcp.run_stdio_separately()
    else:
        # Fallback or raise error if stdio direct run isn't straightforward
        print("stdio 模式启动逻辑未完全适配，请查阅 FastMCP 最新文档。")
        # 尝试使用通用的 run 方法（如果 FastMCP 支持）
        # await mcp.run(transport="stdio") # 这行在原始文档中是针对基础 mcp 实例的

if __name__ == "__main__":
    if len(sys.argv) > 1 and sys.argv[1] == "stdio":
        # 以stdio模式运行
        asyncio.run(run_stdio())
    else:
        #以SSE模式运行（默认）
        port = 9055
        app = mcp.sse_app() # FastMCP 提供 ASGI 应用
        uvicorn.run(app, port=port, host='0.0.0.0')

Cherry 客户端配置

  1. 添加服务器

    • 在 Cherry Studio 的设置中找到 “MCP 服务器” 选项。
    • 点击 “+ 添加服务器”。
      在这里插入图片描述
      在这里插入图片描述

  2. 配置详情

    • 通用 (General):
      • 名称 (Name): 例如 lnn_mcp_demo
      • 描述 (Description): (可选)
      • 类型 (Type): 选择 “服务器发送事件 (SSE)”
      • URL: 输入 SSE 服务器的地址，例如 http://ip:9055/sse
      • 请求头 (Headers): (可选) 例如 Content-Type=application/json, Authorization=Bearer token
    • 工具 (Tools): 配置后会自动列出可用的工具，如 get_weather 和 list_cities。
    • 提示 (Prompts): (可选)
    • 资源 (Resources): (可选)
      在这里插入图片描述

使用详情

案例一：grok-3 (模型)
  • 用户输入: “随便帮我查一个城市的天气”
  • 模型行为:
    1. 调用 list_cities 工具获取城市列表。
    2. 调用 get_weather 工具查询其中一个城市 (例如北京) 的天气。
    3. 返回北京的天气信息。
  • 截图:
    在这里插入图片描述
    在这里插入图片描述
案例二：qwen2_7B (模型)
  • 用户输入: “随便帮我查一个城市的天气”
  • 模型行为: 直接调用 get_weather 工具 (可能随机选择或默认选择一个城市，例如上海)。
  • 截图:
    在这里插入图片描述
案例三：Deepseek-chat (模型)
  • 问题: Function calling 不稳定，可能出现循环无限调用的情况。
  • 截图:

在这里插入图片描述

详解 MCP 核心架构原理
AI天才研究院
04-17 142
MCP 协议是一个基于主机-客户端-服务器架构的通信协议，旨在为大模型应用提供安全、可扩展的外部能力集成方案。核心架构采用主机-客户端-服务器三层架构主机负责协调和管理多个客户端实例客户端与服务器建立 1:1 的独立连接服务器提供特定资源和能力的外部程序协议设计原则服务器构建简单，专注于特定能力服务器高度可组合，支持模块化扩展服务器隔离设计，不读取完整对话功能可逐步添加，保持向后兼容关键组件基础协议：JSON-RPC 通信、连接生命周期、传输机制功能特性：资源、提示词、工具、采样等。
MCP 实践 — 构建 text2sql 工具
iCloudEnd的博客
05-04 30
MCP（模型上下文协议）是当今的热门词汇。使用 MCP，你可以将 LLM 与各种外部工具连接起来。LLM 使用外部工具（换句话说，函数调用）并不新鲜。那么，为什么它如此流行呢？因为，顾名思义，MCP 提供了统一的函数调用协议。LLM 的函数调用方式有很多，但使用一种统一的函数调用方法可以显著降低代码复杂度，并顺利集成不同的框架和工具。在这篇博客中，我将引导您了解如何创建一个与 MongoDB 集成的简单工具，并将该工具与 Claude 桌面一起使用作为客户端。
FastMCP实践开发应用
weixin_40992287的博客
04-25 69
FastMCP是一个基于Python的高级框架，用于构建MCP（Model Context Protocol）服务器。它能够帮助开发者以最小的代码量创建MCP服务器，从而让AI助手能够更好地与本地工具进行交互。以下是关于FastMCP的详细介绍定义：FastMCP是一个用于构建MCP服务器的Python框架，它为开发者提供了一种简单优雅的方式来创建MCP服务器，使AI助手能够访问本地工具和资源。
Python使用FastMCP开发MCP服务端
南宫乘风-Linux运维-虚拟化容器-Python编程 ownit.top
04-15 1319
Model Context Protocol (MCP) 是一个专门为 LLM（大语言模型）应用设计的协议，它允许你构建服务器以安全、标准化的方式向 LLM 应用程序公开数据和功能。FastMCP 作为 Python 生态中的一款轻量级框架，利用装饰器来简化路由与工具函数的开发，帮助开发者快速构建面向工具的服务端应用。1. Tool（工具）Tool 允许服务器公开可执行的函数，这些函数可由客户端调用并由 LLM 使用来执行操作。
【LLM】构建和使用MCP Server：理解python-sdk与fastmcp
qq_20623849的博客
04-08 1278
MCP协议使用
Python FastMCP实现MCP实践全解析：SSE与STDIO通信模式详解
lingding_cn的专栏
04-19 3301
本文全面介绍Python FastMCP框架在MCP实践中的应用，详细解析了MCP中SSE和STDIO两种通信模式的区别和实现方法，并提供了完整的代码示例，帮助开发者快速搭建MCP服务。
FastMCP与FastAPI：构建自定义MCP服务器
像风一样自由的博客
04-24 1528
FastMCP是一个Python库，简化了MCP服务器的构建。易用的装饰器语法自动处理请求/响应参数验证和错误处理高性能（基于ASGI）自动生成交互式文档数据验证和序列化基于Python类型提示# 示例1：基础计算器服务器x: floaty: float"""将两个数字相加""""""从第一个数字中减去第二个数字""""""将两个数字相乘""""""将第一个数字除以第二个数字"""raise ValueError("除数不能为零")# 示例2：天气信息服务器。
MCP（5）：MCP的权限管理与隐私保护
分享一些感兴趣的技术方面
04-19 1185
随着模型上下文协议（MCP）的广泛应用，安全性问题变得突显。在前几篇文章中，我们已经探讨了MCP的基本概念、技术架构、实践应用以及工具调用机制。本篇文章将聚焦于MCP的安全性考量，包括权限管理、隐私保护以及风险缓解策略。对于企业和开发者而言，了解如何保障MCP应用的安全性至关重要，尤其是在处理敏感数据或部署于生产环境时。本文将帮助你构建更安全、更可靠的MCP生态系统。随着MCP应用的不断普及，安全性和隐私保护变得愈发重要。
【如何自建MCP服务器？从协议原理到实践的全流程指南】
zsr154278963的博客
04-08 1105
是AI领域的一项革命性开放标准，由Anthropic推动，旨在解决大语言模型（LLM）与外部系统的集成难题。它类似于AI应用的"USB-C接口"，通过标准化协议让AI模型能够动态访问本地/远程数据源、工具和API，实现真正的"即插即用"能力。通过自建MCP服务器，开发者可以突破传统AI应用的边界，构建真正智能化的数字助手。随着OpenAI等厂商的官方支持，MCP正在成为AI时代的"万用接口"。让模型具备实时获取天气、访问数据库、执行计算等能力，解决"时间盲区"、"数据孤岛"等问题。
基于官方FastMCP框架搭建的MCP实现SSE请求实例Python实例
03-29
基于官方FastMCP框架搭建的MCP实现SSE请求实例Python实例，包含2个官方tool案例，1个调用api工具以及一个爬网站工具 启动：uvicorn walkerAPI-mcp-server:app --host 0.0.0.0 --port 8000 如果缺包自己pip install ...
精品推荐-最新大模型MCP核心架构及最佳实践资料合集（18份）.zip
04-11
精品推荐-最新大模型MCP核心架构及最佳实践资料合集，共18份。 1、2025年程序员必学技能：大模型MCP核心技术.pdf 2、MCP 架构设计剖析：从 Service Mesh 演进到 Agentic Mesh.pdf 3、MCP 架构设计深度剖析：使用 ...
深入浅出：MCP 原理及实用开发实践指南
分享平时的学习心得和笔记
05-04 650
在这个技术飞速发展的时代，MCP（Model-Controller-Processor）架构逐渐崭露头角，为众多开发者提供了全新的思路和解决方案。今天，就让我们一起深入探索 MCP 的奥秘，掌握其实践技巧，让你的开发项目脱颖而出。
from fastmcp import FastMCP和from mcp.server.fastmcp import FastMCP的区别是什么？
xiezhipu的博客
04-06 173
一直比较困惑的是，好像用python实现mcp server有两种实现方式。但是，这个info不好的点在于，它会干扰cline，让它误认为我们有什么错。而且，我们刚才改的那个代码，如果不改，两边都报info，改了之后就都不报了。按照大模型的说法，应该是前者比较权威，设计网上的资料比较多。作为程序员我们都知道，info这个东西不是报错，不影响使用。就很离谱，暂时没搞清楚，这样重复造轮子的意义是什么。因此，觉得以实际尝试，来看看二者的区别。但我现在，直接最终它的代码，看看有啥发现。启动了一个服务，咱访问一下。
如何使用 FastMCP 库来创建一个简单的 MCP 服务器？
分享平时的学习心得和笔记
04-29 929
通过本文的示例，你已经掌握了使用 FastMCP 创建一个简单的 MCP 服务器的基本方法。FastMCP 的简洁性和灵活性使其成为开发 MCP 服务的理想选择。无论是开发 AI 工具集、企业知识库，还是其他复杂应用，FastMCP 都能为你提供强大的支持。如果你觉得这篇文章对你有所帮助，请！关注**公主号 **后可私信领取《MCP协议实战手册》和《智能工具开发案例集》！
「Mac畅玩AIGC与多模态24」开发篇20 - 多语言输出工作流示例
天月智联
05-07 580
本篇介绍如何根据用户选择的语言，动态生成多语言版本的输出内容。开发人员将学习如何配置语言下拉输入、使用条件判断节点切换提示词，并实现统一格式输出，适用于国际化应用、语言切换展示、全球用户支持等场景。使用下拉选项输入控制语言分支判断节点多分支处理逻辑多语言文本模板的构建与统一格式输出本案例适用于国际化支持、客户问候、多语种播报等典型场景，是提升多模态交互多语言能力的关键实践。
「Mac畅玩AIGC与多模态22」开发篇18 - 多段输出拼接与格式化展现工作流示例
天月智联
05-06 488
本篇以已有多字段输出为基础，介绍如何通过执行 LLM 节点对多个上游字段进行统一拼接与格式化处理。开发人员将学习如何从多个节点输出中提取数据字段，并组合为结构清晰、风格统一的最终输出，提升用户阅读体验。多个字段内容的格式化组合方法上下游节点字段引用与整合提示词控制文本风格与输出结构本案例为多信息整合输出提供实践范式，为构建完整模板渲染、报告生成、个性化消息通知等提供了基础模板结构。
「Mac畅玩AIGC与多模态28」开发篇24 - 使用模板转换节点拼接多段文本输出示例
最新发布
天月智联
05-09 255
本文介绍了如何在 Dify 平台中使用模板转换节点（Template Join）将数组格式的内容拼接为整段文本。通过创建和配置工作流，用户可以设置模板拼接规则，使用分隔符连接数组字段，并生成自然语言格式的输出段落。具体步骤包括新建工作流应用、配置开始节点、添加执行 LLM 节点、设置模板转换节点以及发布和测试工作流。本文还提供了输入和输出示例，展示了如何将多个关键词转换为建议性语句。通过本案例，用户可以掌握模板转换节点的基本用法，适用于兴趣清单处理、结果归纳等多项内容合成任务。
「Mac畅玩AIGC与多模态26」开发篇22 - 多项兴趣格式化建议输出工作流示例
天月智联
05-08 596
本文介绍了一个简化版的工作流设计，旨在通过大型语言模型（LLM）处理用户兴趣内容。工作流在Dify平台上实现，包括创建应用、配置输入变量、添加LLM节点和结束节点等步骤。LLM节点负责提取用户兴趣关键词并生成个性化建议，最终合并为一段流畅的中文文本。通过测试，工作流成功将用户兴趣转化为鼓励性建议，展示了其在兴趣推荐和内容归纳等轻量场景中的应用潜力。此案例为后续更复杂的内容处理任务奠定了基础。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

江小皮不皮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值