FastMCP让AI智能体用自然语言调用API，小白也能成为大模型开发专家！

FastMCP是一个开源协议，革新了AI智能体与外部工具的交互方式，将传统复杂CRUD式API调用转变为自然语言对话。文章通过天气查询实例，展示了如何在LangGraph中集成FastMCP，让AI智能体能理解自然语言指令并调用工具。这种技术范式让人机协作更高效，开发者可从"编写代码"转向"设计流程"，使AI真正成为数字同事，大幅降低开发门槛。

LLand520

171人浏览 · 2025-09-01 14:21:15

LLand520 · 2025-09-01 14:21:15 发布

简介

熟悉我的朋友们都知道我对智能体的自定义开发一直都是情有独钟的，我始终坚信，通过自定义开发出来的智能体最终一定是要超越通用智能体的能力的，至少在对于你的个性化需求这个方面。因此，我也非常关注智能体开发的这个领域，尤其是LangGraph的开发，我最近也买了沧海九粟老师的新书《LangGraph实战》。非常痴迷与通过构建自己的智能体来完成个性话的任务。

那么在开发自己的智能体的过程中，你是否也经历过这样的尴尬？在构建一个智能体时，为了调用一个简单的天气API，不得不写一长串复杂的代码，然后还要处理异常、解析JSON。这不仅繁琐，而且一旦API更新，整个逻辑就得重写。这正是传统“CRUD”式调用的痛点。

现在，FastMCP为我们提供了一种全新的范式。它允许我们的AI智能体，像一个刚入职的实习生一样，用一句自然语言就能完成复杂操作。今天，我就带大家快速上手这个革命性的技术。

一、FastMCP是什么？为什么它能“杀死”CRUD？

一句话定义：FastMCP是一个开源协议，它为大型语言模型（LLM）与外部工具（如API、数据库、文件系统）之间的交互建立了一套标准化接口。
核心思想：与其让AI学习如何“硬编码”调用API，不如让它学会“自然对话”。你可以把FastMCP看作是AI与外部世界的“翻译官”。
对比：

传统方式 (CRUD)

： requests.get("https://api.weather.com/v1?city=Beijing") → json.loads(response.text) → print(data['temperature'])
FastMCP方式

：AI说：“请告诉我北京的天气。”

结论：FastMCP的核心价值在于“自然性”，它让AI的交互方式从“编程”回归到“沟通”。

二、实战指南：3步搭建你的第一个FastMCP Agent

下面，我将以一个“天气查询”为例，演示如何集成FastMCP。

Step 1: 创建MCP服务端 (提供工具)

首先，我们需要创建一个MCP服务器来暴露“查询天气”这个能力。使用 FastMCP库非常简单。

# mcp_servers/weather_server.py
from mcp.server.fastmcp importFastMCP

# 初始化一个名为 "Weather" 的MCP服务器
mcp =FastMCP("Weather")

# 使用 @mcp.tool() 装饰器，将Python函数注册为一个MCP工具
@mcp.tool()
def get_weather(location: str)-> str:
# 这里可以接入真实的天气API
# 为了演示，我们返回一个模拟结果
return f"当前{location}的天气是晴朗，气温25度。"

# 启动服务器，监听SSE连接
mcp.run(transport="sse")

运行命令： python mcp_servers/weather_server.py

Step 2: 在LangGraph中加载MCP工具

接下来，我们需要让我们的LangGraph智能体知道这个新工具的存在。

# agent.py
from langchain_mcp_adapters.client importMultiServerMCPClient
from langgraph.graph importStateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt importToolNode, tools_condition

# 1. 加载MCP工具
async def load_mcp_tools():
# 指定MCP服务器的地址
    servers ={
"weather":{
"transport":"sse",
"url":"http://127.0.0.1:8001",# 确保与上面的端口一致
}
}
# 通过MultiServerMCPClient加载工具
    client =MultiServerMCPClient(servers)
    tools = await client.get_tools()
return tools

# 2. 构建工作流
graph_builder =StateGraph(State)
graph_builder.add_node("agent", call_model)# 你的大模型节点
graph_builder.add_node("tool",ToolNode(tools))# 工具节点

# 3. 定义边
graph_builder.add_edge("tool","agent")# 工具执行完后，回到Agent继续决策

# 4. 将MCP工具注入工作流
async with load_mcp_tools()as tools:
    graph_builder.add_node("tool",ToolNode(tools))
    graph_builder.add_edge("tool","agent")

Step 3: 让AI“说话”

现在，当用户问“帮我查一下上海的天气”时，AI会自动识别这是一个需要调用外部工具的任务，并通过FastMCP协议向 weather_server发送请求，最终得到答案。