FastAPI-MCP: دليلك الشامل لبناء واجهات برمجة التطبيقات الجاهزة للذكاء الاصطناعي

لقد تسبب FastAPI-MCP للتو في كسر AI لعبة التكامل! 🚀

انسى الخرقاء AI التكاملات! FastAPI-MCP لقد حطم سقف ما's ممكن عند ربط واجهات برمجة تطبيقات Python بـ AI النماذج. تعمل أداة الإعداد الصفري هذه على تحويل نقاط نهاية FastAPI العادية إلى محطات توليد الطاقة المتوافقة مع MCP أن AI يمكن للوكلاء الاستخدام على الفور - دون الحاجة إلى إعادة كتابة سطر واحد من التعليمات البرمجية!

لماذا النضال مع المعقدة AI الاتصالات عندما تستطيع عرض واجهة برمجة التطبيقات (API) الخاصة بك بالكامل بثلاثة أسطر فقط من بايثون؟ ستبقى بيانات المصادقة والوثائق والمخططات الحالية سليمة AI عارضات ازياء مثل Claude وGPT، يمكنك الوصول المباشر إلى خدماتك.

و2026 AI تتطلب المناظر الطبيعية نماذج تستخدم الأدوات، و يوفر FastAPI-MCP بالضبط ما يحتاجه المطورون.

لماذا FastAPI-MCP إنها صفقة كبيرة بالنسبة لـ AI هواة

FastAPI-MCP ليس مجرد مكتبة أخرى؛ بل هو بوابة لجعل واجهات برمجة التطبيقات (APIs) الخاصة بك متوافقة مع الذكاء الاصطناعي دون أي متاعب. تخيل أن روبوت المحادثة الخاص بك لا يجيب على الأسئلة فحسب، بل يستخرج البيانات مباشرةً من تطبيقك لحل المشكلات بسرعة. هذا هو سحر MCP، معيار مفتوح من قبل أنثروبيك، مقترنًا بسرعة FastAPI وبساطته.

هذه المجموعة تتيح لك AI تستفيد النماذج من الأدوات الخارجية بسهولة، ويقوم FastAPI-MCP بأتمتة العملية، مع الحفاظ على مخططات واجهة برمجة التطبيقات والوثائق. تُظهر الإحصائيات أن دمج AI يمكن أن يؤدي استخدام واجهات برمجة التطبيقات إلى تعزيز كفاءة الأتمتة بنسبة تصل إلى 60% في بعض سير العمل - وهو أمر مثير للإعجاب، أليس كذلك؟

ما الذي يجعل FastAPI-MCP مميزًا؟

• إعداد التكوين الصفري:أشره إلى تطبيق FastAPI، وفجأة، أصبح خادم MCP جاهزًا لـ AI التفاعل.
• حفظ المخطط:يحافظ على نماذج الطلب والاستجابة الخاصة بك سليمة لضمان سلاسة التعامل AI التفاهم.
• نشر مرن:قم بتشغيله داخل تطبيقك أو كخدمة مستقلة لتحقيق قدر أفضل من التوسع والأمان.
• المصادقة المضمنة:يستفيد من إعدادات أمان FastAPI الموجودة لديك للوصول الآمن.

لا يتعلق الأمر فقط بالتكنولوجيا من أجل التكنولوجيا، بل يتعلق الأمر بجعل تطبيقاتك أكثر ذكاءً وقابلية للتنفيذ AI الأنظمة، سواء كنت في مجال التسويق أو التطوير أو علم البيانات.

البدء: الإعداد FastAPI-MCP

هيا بنا نبدأ هذه التجربة. إليك دليل خطوة بخطوة لتحويل تطبيق FastAPI الخاص بك إلى خادم MCP AI عملاء يمكن استخدامه مثل المحترفين.

الخطوة 1 : تثبيت الأدوات المطلوبة

أولاً، تأكد من جاهزية نظامك. ستحتاج إلى بايثون 3.7+ وبعض الحزم. استخدم uv لتثبيت أسرع، أو استمر باستخدام pip القديم الجيد:

سحق

# Using uv (recommended for speed)
uv add fastapi-mcp fastapi uvicorn mcp-proxy

# Or with pip
pip install fastapi fastapi-mcp uvicorn mcp-proxy

تغطي هذه الحزم إطار عمل الويب (FastAPI)، ومشغل الخادم (Uvicorn)، وتكامل MCP (fastapi-mcp)، ووكيل لاتصالات العميل (mcp-proxy).

الخطوة 2 : إنشاء تطبيق FastAPI بسيط

دعنا ننشئ تطبيقًا أساسيًا لجلب بيانات الطقس (نحن نستخدم التطبيق المجاني واجهة برمجة تطبيقات weather.gov (على سبيل المثال، قم بإنشاء ملف يسمى main.py وأضف ما يلي:

الثعبان

from fastapi import FastAPI, HTTPException, Query
import httpx

# Define the FastAPI app
app = FastAPI(title="Weather Updates API")

# Predefined city coordinates (for simplicity)
CITY_COORDINATES = {
    "Los Angeles": {"lat": 34.0522, "lon": -118.2437},
    "San Francisco": {"lat": 37.7749, "lon": -122.4194},
    "San Diego": {"lat": 32.7157, "lon": -117.1611},
    "New York": {"lat": 40.7128, "lon": -74.0060},
    "Chicago": {"lat": 41.8781, "lon": -87.6298},
}
@app.get("/weather", operation_id="get_weather_update")
async def get_weather(
    stateCode: str = Query(..., description="State code (e.g., 'CA' for California)"),
    city: str = Query(..., description="City name (e.g., 'Los Angeles')")
):
    """
    Retrieve today's weather from the National Weather Service API based on city and state.
    """
    if city not in CITY_COORDINATES:
        raise HTTPException(
            status_code=404,
            detail=f"City '{city}' not found in predefined list. Please use another city."
        )
    coordinates = CITY_COORDINATES[city]
    lat, lon = coordinates["lat"], coordinates["lon"]
    base_url = f"https://api.weather.gov/points/{lat},{lon}"
    try:
        async with httpx.AsyncClient() as client:
            gridpoint_response = await client.get(base_url)
            gridpoint_response.raise_for_status()
            gridpoint_data = gridpoint_response.json()
            forecast_url = gridpoint_data["properties"]["forecast"]
            forecast_response = await client.get(forecast_url)
            forecast_response.raise_for_status()
            forecast_data = forecast_response.json()
            today_weather = forecast_data["properties"]["periods"][0]
            return {
                "city": city,
                "state": stateCode,
                "date": today_weather["startTime"],
                "temperature": today_weather["temperature"],
                "temperatureUnit": today_weather["temperatureUnit"],
                "forecast": today_weather["detailedForecast"],
            }
    except httpx.HTTPStatusError as e:
        raise HTTPException(
            status_code=e.response.status_code,
            detail=f"NWS API error: {e.response.text}"
        )
    except Exception as e:
        raise HTTPException(
            status_code=500,
            detail=f"Internal server error: {str(e)}"
        )

لاحظ أن operation_id=”get_weather_update”-هذا يجعل اسم الأداة واضحًا لـ AI بدونها، يقوم FastAPI بإنشاء معرف أقل سهولة.

الخطوة 3 : التحويل إلى خادم MCP

الآن، لنجعل هذا التطبيق جاهزًا للذكاء الاصطناعي باستخدام FastAPI-MCP. أضف هذه الأسطر إلى main.py:

الثعبان

from fastapi_mcp import FastApiMCP
# Create and mount the MCP server
mcp = FastApiMCP(
    app,
    name="Weather Updates API",
    description="API for retrieving today's weather from weather.gov",
    base_url="http://localhost:8000"
)
mcp.mount()

# Run the app
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

هذا كل شيء! خادم MCP الخاص بك متاح على http://localhost:8000/mcp. AI يمكن للوكلاء الآن اكتشاف نقطة نهاية الطقس الخاصة بك واستخدامها كأداة.

الخطوة 4 : قم بالاتصال بـ AI العميل

لاختبار ذلك، قم بتكوين عميل مثل بيئة تطوير متكاملة للمؤشر أو Claude Desktop. عدّل ملف التكوين (يختلف موقعه باختلاف الأداة، وغالبًا ما يكون ضمن بيانات تطبيق المستخدم) ليشير إلى خادم MCP الخاص بك:

جسون

"mcpServers": {
    "WeatherAPI": {
        "command": "mcp-proxy",
        "args": ["http://127.0.0.1:8000/mcp"]
    }
}

أعد تشغيل العميل، وستكون جاهزًا. اسأل مثلًا: "ما هو الطقس في سان دييغو؟" وشاهد AI استخدم واجهة برمجة التطبيقات الخاصة بك لجلب البيانات.

الحيل المتقدمة: تخصيص FastAPI-MCP اقامة

هل ترغب في تحسين أدائك؟ يوفر FastAPI-MCP خيارات متعددة لتعديل إعداداتك لتلبية احتياجاتك الخاصة.

تصفية نقاط النهاية لـ AI استخدم

لا ينبغي أن تكون جميع نقاط النهاية AI الأدوات. تحكم في الأدوات التي سيتم عرضها:

الثعبان

mcp = FastApiMCP(
    app,
    name="Weather Updates API",
    base_url="http://localhost:8000",
    include_operations=["get_weather_update"],  # Only expose this endpoint
    include_tags=["public"]  # Or filter by tags
)
mcp.mount()

يؤدي هذا إلى إبقاء نقاط النهاية الحساسة أو الداخلية خارج نطاق AI تصل.

نشر خادم منفصل

بالنسبة للمشاريع الأكبر حجمًا، قم بتشغيل خادم MCP الخاص بك بعيدًا عن واجهة برمجة التطبيقات الرئيسية لتحقيق توسع أفضل:

الثعبان

from fastapi import FastAPI
from fastapi_mcp import FastApiMCP

# Main API app
api_app = FastAPI()

# Define endpoints on api_app...

# Separate MCP app
mcp_app = FastAPI()
mcp = FastApiMCP(api_app, base_url="http://api-host:8001")
mcp.mount(mcp_app)

# Run separately

# uvicorn api_app --host api-host --port 8001

# uvicorn mcp_app --host mcp-host --port 8000

يتيح لك هذا الإعداد إدارة الموارد والأمان بشكل مستقل.

التحديث بعد التغييرات

هل أضفت نقطة نهاية جديدة؟ حدّث خادم MCP:

الثعبان

@app.get("/new/weather/feature", operation_id="new_weather_feature")
async def new_feature():
    return {"message": "New weather feature!"}
mcp.setup_server()  # Refresh to include the new endpoint

وهذا يضمن AI يرى العملاء أحدث الأدوات.

التطبيقات في العالم الحقيقي: أين FastAPI-MCP يضيء

FastAPI-MCP ليس مجرد أداة رائعة، بل لديه إمكانات هائلة في مختلف القطاعات. إليكم كيف يُحدث ضجة:

التحديات والنصائح التي يجب وضعها في الاعتبار

ليس كل شيء يسير بسلاسة. التواصل AI قد تواجه واجهات برمجة التطبيقات (APIs) عقبات مثل مخاطر أمنية أو زيادة تحميل نقاط النهاية. إليك كيفية الحفاظ على دقتها:

• تأمين نقاط النهاية الخاصة بكاستخدم خاصية المصادقة المدمجة في FastAPI لتقييد وصول MCP. لا تعرض أدوات الإدارة للخطر. AI بدون شيكات.
• مراقبة الاستخدام: AI قد يقوم الوكلاء بإرسال طلبات عشوائية. حدد حدودًا للسرعة لتجنب الأعطال.
• اختبار بدقة:قبل البث المباشر، قم بالمحاكاة AI الاستعلامات للتأكد من أن الاستجابات دقيقة وسريعة.

أفكار أخيرة: FastAPI MCP لقد تغير كل شيء!

FastAPI MCP ليس مجرد دعاية، بل هو الحل الحقيقي لأي شخص يقوم ببناء أدوات تعمل بالذكاء الاصطناعيأنظمة RAG، أو روبوتات الدردشة من الجيل التالي. بدون أي إعدادات، واكتشاف تلقائي، وسلاسة في الأداء AI التكامل ، يمكنك ذلك حوّل واجهات برمجة التطبيقات الخاصة بك إلى أدوات قوية لطلاب الماجستير والوكلاء في دقائق. لا مزيد من أكواد اللصق، ولا مزيد من الأغلفة المخصصة - فقط نقاط نهاية نظيفة وقابلة للتطوير وجاهزة للذكاء الاصطناعي.

إذا كنت جادًا بشأن AI سواءً كنتَ ترغب في أتمتة سير العمل، أو كنتَ ترغب فقط في أن تتوافق واجهات برمجة التطبيقات لديكَ مع أحدث برامج ماجستير إدارة الأعمال، فإن FastAPI MCP يجب أن يكون على رأس قائمة أدواتك. جرّبه، وشاهد AI كومة جو توربو.

تريد المزيد من التدريب العملي AI الأدلة والرموز والنصائح الاحترافية؟
ترقبوا ايموجو لآخر ما في AI الأدوات، وسير العمل الوكيلة، واختراقات LLM.