大模型的相关应用实践模块，如：
FastMCP：构建 MCP Server 和客户端的快速、Pythonic 的方式

概述

MCP 协议：Model Context Protocol：LLM 应用访问外部“工具”（执行动作）和“资源”（获取数据）的标准方式

FastMCP

FastMCP：构建 MCP Server 和客户端的快速、Pythonic 的方式

特点：
- 屏蔽 MCP 协议的底层复杂性，让开发者以 Python 语法和模式，专注于创造真正有价值的功能，而无需在协议处理、Server 管理、内容类型协商等事务上耗费心神。
- 快速开发：提供高层级接口，开发者不需要处理复杂的协议细节和服务器管理，减少了编写代码的工作量。
- 简单易用：仅需少量的样板代码即可构建 MCP 服务器，开发者可以通过装饰器的方式，轻松定义工具、资源和提示，大大减少了冗余代码。
- Pythonic 风格：充分利用了 Python 的语言特性，让代码编写更加符合 Python 的编程习惯。
- 功能完整：提供对 MCP 核心规范的完整实现，目前核心功能已经能够满足大多数开发需求，并仍处于活跃开发中。
核心组件：
- 工具（Tools）：定义 LLM 可执行的操作（如计算、API 调用），支持同步和异步函数。
- 资源（Resources）：提供结构化数据访问（如配置信息、用户数据），支持动态路径参数。
- 上下文（Context）：内置日志记录、进度报告、资源读取等能力，增强交互控制。
- 提示（Prompts）：可复用交互模板，指导 LLM 更高效地使用工具。
优势：
- 快速开发：通过高级接口，减少代码量，加速开发。
- 简洁易用：使用最少的样板代码构建 MCP 服务器。
- Pythonic：符合 Python 开发者的习惯。
- 完整实现：全面支持 MCP 核心规范。
使用场景：
- ai 助手工具集：为 AI 助手提供本地功能扩展。
- 数据库交互：安全地暴露数据库查询功能。
- 文件处理：读取和处理本地文件。
- API 集成：将现有 API 包装为 AI 可用的工具。
- 智能客服：可以使用 FastMCP 构建服务器，为客服人员提供快速查询知识库、调用数据分析工具等功能
- 数据分析：通过 FastMCP 将各种数据分析工具集成到 LLM 中，让用户能够更方便地进行数据处理和分析

基本使用

# server.py
from fastmcp import FastMCP

# 1. 创建一个 FastMCP 服务器实例
mcp = FastMCP("计算器 Demo")


# 2. 使用 @mcp.tool() 装饰器暴露一个函数作为工具
@mcp.tool()
def add(a: int, b: int) -> int:
    """将两个数字相加"""
    return a + b


# 3. (非必要) 使脚本可以直接运行
if __name__ == '__main__':
    mcp.run()  # 启动服务器

运行

# 开发模式 (推荐用于调试):
fastmcp dev server.py  

# 生产模式（直接运行）
python server.py