如果你最近有在關注 AI 開發生態圈，應該會發現一個詞不斷出現——MCP。全名 Model Context Protocol，它正在快速成為 AI 助手連接外部工具的標準協議。而 FastMCP 這個 Python 套件，讓建立 MCP Server 變得簡單到有點不真實。

我自己在三個月前開始用 FastMCP，從一開始的小工具到現在公司內部有十幾個 MCP Server 在跑，這篇文章把我踩過的坑和最佳實踐一次整理給你。

MCP 是什麼

簡單來說，MCP（Model Context Protocol）是 Anthropic 在 2024 年底提出的開放協議，目的是讓 AI 模型能夠透過標準化的方式來呼叫外部工具、讀取資料來源、執行動作。你可以把它想成是「AI 界的 USB」——定義好插頭的規格，任何裝置都能連上去。

在 MCP 出現之前，每個 AI 平台都有自己的 function calling 格式。OpenAI 用 JSON Schema 定義 functions，Google 用 Vertex AI 的 Tool，各家都不一樣。MCP 統一了這些定義方式，讓你寫一次工具就能被所有支援 MCP 的 AI 助手使用。

截至 2026 年初，支援 MCP 的平台包括：Claude Desktop、Claude Code、ChatGPT（透過插件）、Cursor、Windsurf、以及大量的第三方 AI 應用。據統計，目前全球有超過 70% 的 MCP Server 是用 FastMCP 建的——這個數字還在持續增長。

MCP 的三個核心概念

Tools：AI 可以呼叫的函式，例如查詢天氣、操作資料庫、發送訊息
Resources：AI 可以讀取的資料來源，例如文件內容、設定檔、API 回應
Prompts：預先定義好的提示模板，讓使用者可以快速觸發常見工作流程

FastMCP 安裝與設定

安裝非常簡單。我推薦用 Python Ruff 來管理程式碼品質，然後用 uv 或 pip 來裝 FastMCP：

pip install fastmcp

或者如果你跟我一樣在用 uv：

uv add fastmcp

安裝完之後，建立一個最基本的 MCP Server 只需要四行程式碼：

from fastmcp import FastMCP

mcp = FastMCP("My Server")

@mcp.tool()
def hello(name: str) -> str:
    """跟使用者打招呼"""
    return f"你好，{name}！"

if __name__ == "__main__":
    mcp.run()

就這樣。執行 python server.py 之後，你就有一個運作中的 MCP Server 了。FastMCP 會自動處理所有的協議細節——JSON-RPC 通訊、參數驗證、錯誤處理，全部幫你搞定。

第一個 MCP Tool

讓我們來做一個更實用的例子。假設你想建立一個能查詢公司內部知識庫的 MCP Tool：

from fastmcp import FastMCP
import httpx

mcp = FastMCP("Knowledge Base")

@mcp.tool()
async def search_docs(query: str, limit: int = 5) -> str:
    """搜尋公司內部知識庫
    
    Args:
        query: 搜尋關鍵字
        limit: 回傳結果數量上限
    """
    async with httpx.AsyncClient() as client:
        resp = await client.get(
            "https://api.internal.com/search",
            params={"q": query, "limit": limit}
        )
        results = resp.json()
    
    formatted = []
    for doc in results["items"]:
        formatted.append(f"## {doc['title']}
{doc['summary']}")
    
    return "

".join(formatted)

這裡有幾個重點值得注意。首先，FastMCP 完全支援 async/await，所以你可以直接用非同步的 HTTP client。其次，函式的 docstring 非常重要——AI 模型會讀這段文字來判斷什麼時候該呼叫這個工具。寫得越清楚，AI 的判斷就越準確。

型別標註（type hints）也很關鍵。FastMCP 會根據你定義的型別自動產生 JSON Schema，讓 AI 知道每個參數應該傳什麼格式的值。如果你想更精確地控制參數驗證，可以搭配 Pydantic 的 Field 使用：

from pydantic import Field

@mcp.tool()
def calculate_price(
    base_price: float = Field(description="原始價格", gt=0),
    discount: float = Field(description="折扣百分比", ge=0, le=100)
) -> str:
    """計算折扣後的價格"""
    final = base_price * (1 - discount / 100)
    return f"折扣後價格：${final:.2f}"

如果你之前有用過 FastAPI 建立 API，你會發現 FastMCP 的設計理念非常相似。這不是巧合——FastMCP 的作者就是受到 FastAPI 啟發而開發的。

Resource 與 Prompt

除了 Tool 之外，MCP 還定義了 Resource 和 Prompt 兩個概念。

Resource 代表 AI 可以讀取的資料來源。跟 Tool 不同的是，Resource 通常是被動的——AI 會在需要背景資訊的時候去讀取它，而不是主動執行某個動作。

@mcp.resource("config://app")
def get_app_config() -> str:
    """取得應用程式設定"""
    config = load_config()
    return json.dumps(config, indent=2)

@mcp.resource("file://{path}")
def read_file(path: str) -> str:
    """讀取指定路徑的檔案內容"""
    with open(path, "r") as f:
        return f.read()

Prompt 則是預定義的提示模板，讓使用者在 AI 介面中可以快速選擇常見的工作流程：

@mcp.prompt()
def code_review(code: str, language: str = "python") -> str:
    """產生程式碼審查的提示"""
    return f"請審查以下 {language} 程式碼，指出潛在問題並提供改進建議：

```{language}
{code}
```"

我個人的經驗是，大多數場景用 Tool 就夠了。Resource 在需要提供大量背景資料的時候特別好用（例如讓 AI 讀取整個設定檔或文件），而 Prompt 則適合團隊內部共享常用的 AI 工作流程。

部署到生產環境

開發階段用 mcp.run() 跑 stdio 模式就好，但生產環境我推薦用 SSE（Server-Sent Events）模式：

if __name__ == "__main__":
    mcp.run(transport="sse", host="0.0.0.0", port=8000)

這樣你的 MCP Server 就會以 HTTP 服務的方式運作，可以部署到任何支援 Python 的雲端平台。我自己是部署在 Railway 上，每月成本大概是 5 美金，處理幾千次呼叫完全沒問題。

如果你的工具需要呼叫其他 API 或資料庫，記得把敏感資訊放在環境變數裡：

import os

DB_URL = os.environ["DATABASE_URL"]
API_KEY = os.environ["API_KEY"]

另外一個常見的部署方式是透過 Docker。FastMCP 官方有提供 Dockerfile 範例，基本上就是標準的 Python Docker 映像加上你的程式碼。如果你對 Web 框架部署比較熟悉，也可以參考 FastHTML 的部署方式，概念是類似的。

連接到 Claude Desktop

要讓 Claude Desktop 使用你的 MCP Server，需要編輯設定檔 claude_desktop_config.json：

{
  "mcpServers": {
    "my-server": {
      "command": "python",
      "args": ["path/to/server.py"]
    }
  }
}

重啟 Claude Desktop 之後，你的工具就會出現在聊天介面中。每次 Claude 判斷需要使用你的工具時，會自動呼叫對應的 function 並把結果帶回對話裡。

常見問題

FastMCP 跟直接用 MCP SDK 有什麼差別？

MCP SDK 是底層的協議實作，你需要自己處理很多細節。FastMCP 是高階的包裝層，用裝飾器的方式讓你專注在商業邏輯上。關係就像 ASGI 跟 FastAPI 的關係。

一個 MCP Server 可以有幾個 Tool？

技術上沒有限制，但實務上建議不要超過 20 個。太多工具會讓 AI 模型難以判斷該用哪一個，反而降低準確度。如果你有很多工具，建議拆成多個 MCP Server。

FastMCP 支援串流回應嗎？

目前 MCP 協議本身不支援 Tool 的串流回應，但 Resource 可以。FastMCP 會在未來版本中支援更多串流場景。如果你需要處理大量資料的回傳，建議先把資料存起來，然後回傳一個存取連結。

安全性怎麼處理？

MCP Server 本質上就是一個被 AI 呼叫的 API，所以標準的 API 安全實踐都適用：驗證輸入、限制權限、加密傳輸。FastMCP 內建了基本的輸入驗證（透過型別標註和 Pydantic），但你還是應該在工具內部做額外的權限檢查。

MCP 生態圈還在快速發展中，但核心概念已經穩定了。如果你是 Python 開發者，現在就是開始建立 MCP Server 的最好時機——學習曲線很平緩，而且未來的應用場景只會越來越多。

Python FastMCP 建立 MCP Server 完整教學：讓 AI 助手呼叫你的自訂工具