FastAPI-MCP 是一个开源框架，能将现有 FastAPI 接口自动转换为 MCP 工具服务，无需重写代码。它支持零配置、保留原有认证和文档、灵活部署，并通过 ASGI 接口高效通信。开发者可通过几行代码让大模型直接调用已有 API，降低 AI 与传统系统集成门槛，支持选择性暴露接口、独立部署等功能，是 FastAPI 开发者赋能大模型的理想工具。

若你之前已经开发部署了大量 FastAPI 接口服务，打算让 LLM 调用这些已有的 API 服务来查询数据，执行任务。通常，需要将已有的 API 服务改写为支持 MCP 协议的服务：手写大量的“胶水代码”，定义工具（Tool）。工作繁琐，且容易出错。

如何快速将已有的 API 服务转换成 MCP 服务呢？

本文介绍一个开源项目：https://github.com/tadata-org/fastapi_mcp，几行代码就把现有 FastAPI 接口升级为支持 MCP 协议的工具服务，并保留原有的鉴权、数据校验和文档，极大降低了传统 API 与 AI 工作流之间的集成门槛，支持独立部署、SSE 流式传输、实时文档同步等功能。

一、什么是 FastAPI-MCP

  • GitHub: https://github.com/tadata-org/fastapi_mcp
  • 官方文档: https://fastapi-mcp.tadata.com/

FastAPI-MCP 是一个能将现有的 FastAPI 接口（Endpoints）自动转换并暴露为模型上下文协议（Model Context Protocol）工具服务的框架。

这意味着，不需要为 LLM 重写任何 API 调用逻辑。FastAPI-MCP 会自动读取 FastAPI 应用的路由、Pydantic 模型、甚至是接口文档，然后生成完全符合 MCP 规范的工具集，让 LLM 可以直接理解和调用。

FastAPI-MCP 特性

  • 自带认证：直接复用 FastAPI 中已有的安全依赖（Depends()）。无论是 HTTPBearer 令牌认证还是复杂的 OAuth2 流程，都无需为 LLM 重复开发，安全性无缝继承。
  • 零/极简配置：大多数情况下，需要两行代码就能完成所有设置，真正做到“即插即用”。
  • 保留结构与文档：精确地将 Pydantic 模型和接口文档（docstrings）翻译成 LLM 能理解的工具输入/输出结构（Schema）和描述，保证了调用时的准确性。
  • 灵活部署：可以将 MCP 服务直接挂载到现有的 FastAPI 应用上，也可以将其作为独立服务分开部署。
  • 高效通信：通过 ASGI 接口直接与 FastAPI 应用通信，避免了从 MCP 服务到 API 服务的额外 HTTP 调用，延迟更低，效率更高。

二、安装步骤

安装 fastapi-mcp 包，使用 uv 工具或 pip 进行安装。

使用 uv (推荐):

uv add fastapi-mcp

使用 pip：

pip install fastapi-mcp

三、代码示例

1、基础用法

假设已经有了一个标准的 FastAPI 应用 app。现在，想让它所有的 API 都能被 LLM 调用。

  • FastApiMCP(app)：自动完成了所有 API 的扫描和转换
  • mcp.mount_http()：创建了一个新的接口（默认为 /mcp），这个接口就是 LLM 和应用沟通的桥梁。
from fastapi import FastAPI
from fastapi_mcp import FastApiMCP

# 已有的 FastAPI app
app = FastAPI()

# 1. 从你的 FastAPI app 创建一个 MCP 实例
mcp = FastApiMCP(app)
# 2. 将 MCP 服务挂载到你的 app 上
mcp.mount_http()

# 启动服务
if __name__ == "__main__":
import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

2、无缝集成现有认证

假设应用中有一个需要授权才能访问的接口。已有的FastAPI 应用代码如下：

from fastapi import Depends, FastAPI
from fastapi.security import HTTPBearer

app = FastAPI()
token_auth_scheme = HTTPBearer()

# 一个受保护的接口，必须提供有效的 Bearer Token
@app.get("/private")
asyncdefprivate(token: str = Depends(token_auth_scheme)):
return {"message": f"Your token is: {token.credentials}"}

现在，如何让 LLM 在调用这个工具时也带上认证信息？使用 FastAPI-MCP，几乎不需要做任何额外的事：

from fastapi_mcp import FastApiMCP, AuthConfig

# ... (前面的 app 和 token_auth_scheme 定义)

# 创建 MCP 服务时，将 FastAPI 中已有的 Depends(token_auth_scheme) 传递给 AuthConfig
# 通过 AuthConfig 告诉 FastApiMCP 需要哪些认证依赖
mcp = FastApiMCP(
    app,
    name="Protected MCP",
    auth_config=AuthConfig(
        dependencies=[Depends(token_auth_scheme)], # 把认证依赖传进去
    ),
)

# 挂载服务
mcp.mount_http()

当 MCP 客户端尝试调用这个受保护的工具但未提供 Authorization 头时，FastAPI-MCP 会正确地返回 401 Unauthorized，从而触发客户端启动标准的 OAuth 流程，引导用户完成登录并获取Token，然后用这个 Token 再次调用工具。整个过程完全符合现代安全实践，而几乎没写任何额外的认证代码！

3、选择性暴露的 API

我们可能不想把所有的 API 都暴露给 LLM。FastAPI-MCP 同样提供了非常灵活的过滤机制，可以通过 operation_id 或 tags 来精确控制。这种灵活性使得管理和维护面向 LLM 的工具集变得异常轻松和安全。

# 仅暴露 operation_id 为 "get_item" 和 "list_items" 的接口
include_operations_mcp = FastApiMCP(
    app,
    name="Item API MCP - Included Operations",
    include_operations=["get_item", "list_items"],
)

# 暴露除了带有 "search" 标签以外的所有接口
exclude_tags_mcp = FastApiMCP(
    app,
    name="Item API MCP - Excluded Tags",
    exclude_tags=["search"],
)

# 挂载不同的 MCP 服务到不同的路径
include_operations_mcp.mount_http(mount_path="/include-operations-mcp")
exclude_tags_mcp.mount_http(mount_path="/exclude-tags-mcp")

以上是 FastAPI-MCP 项目介绍。该项目对 FastAPI 开发者十分友好，可以将已有的 API 服务快速高效地转换为 MCP 工具服务，从而将现有的业务能力赋能给大模型。

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

在这里插入图片描述

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

在这里插入图片描述

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

在这里插入图片描述

4. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

在这里插入图片描述

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

在这里插入图片描述

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

在这里插入图片描述

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】

# fastapi # AI
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

【必藏】企业知识库系统+大模型集成，可接入Deepseek从零到一构建智能知识问答平台

avatar 2048 AI社区

​​【本地化需求】FLUX.1 Kontext中文支持优化：解决“中英文指令效果差”的终极方案？​

​在AI绘画领域，FLUX.1 Kontext凭借其等核心优势，已成为众多创作者的“心头好”。但不少中文用户在实际使用时发现了一个“隐藏痛点”——​！比如输入“穿红色汉服的少女，站在樱花树下”，生成的角色可能变成“穿蓝色外套的路人”，甚至服装、场景都与中文描述无关；而同样的内容用英文指令（如“A girl in red Hanfu standing under cherry blossom tre

avatar 2048 AI社区

强大的开源文档问答工具-Kotaemon

Kotaemon是一个基于RAG架构的开源文档问答工具，支持与文档的智能交互。它采用模块化设计，整合了多种AI技术和向量数据库，提供混合检索、多模态处理和本地化部署能力。核心功能包括文档索引、智能问答和知识管理，适用于企业、教育和个人场景。项目优势在于可扩展的架构、直观的Web界面和丰富的开发者支持，但也面临资源消耗大、配置复杂等挑战。通过二次开发可增强分布式部署、多语言支持和安全功能，是构建定制

avatar 2048 AI社区