2026 年 7 月，FastMCP 在 GitHub 上已经积累了 26,845 颗星，每日下载量超过 100 万次。它是 Prefect 团队开发的 Model Context Protocol（MCP）框架，目前全球约 70% 的 MCP 服务器都基于 FastMCP 或其衍生版本构建。

MCP 是 Anthropic 提出的开放协议，定义了 AI 模型与外部工具之间的标准交互方式。FastMCP 是这个协议在 Python 生态中的事实标准实现。简单来说，写一个 Python 函数，加一个 @mcp.tool 装饰器，这个函数就变成了 AI 模型可以调用的工具。

三个支柱：Server、Client、App

FastMCP 的核心架构围绕三个概念展开。

Server 是最核心的能力。开发者用 Python 函数声明工具，FastMCP 自动生成 JSON Schema、处理参数校验、管理协议生命周期。以下代码是一个完整的 MCP Server：

from fastmcp import FastMCP

mcp = FastMCP("Demo")

@mcp.tool
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

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

这个 Server 启动后，任何 MCP Client（Claude Desktop、Cursor、自定义 Agent）都可以发现并调用 add 工具。类型注解自动转换成 Schema，docstring 变成工具描述，不需要额外的配置或声明文件。

Client 提供了连接远程 MCP Server 的能力。FastMCP 的 Client 层处理了传输协商、认证、协议版本管理——开发者只需要提供一个 URL。这意味着可以将工具分布到不同的服务器上，通过 MCP 统一接入。

App 是 FastMCP 的一个创新：允许工具返回交互式 UI 组件，渲染在对话中。开发者可以构建表单、数据表格、图表等界面，让 AI Agent 的操作结果以可视化方式呈现，而不是纯文本输出。

为什么 FastMCP 能成为标准

在此之前，构建 MCP 工具需要手动处理 JSON Schema 生成、输入校验、错误处理、生命周期管理——这些都是重复性工作。FastMCP 把这些全部自动化了。开发者写工具函数，框架处理 MCP 部分。

FastMCP 之所以能拿下 70% 的市占率，有几个关键原因：

无侵入的 API 设计。 工具函数就是普通的 Python 函数。参数类型注解就是 Schema 定义。docstring 就是工具描述。没有任何框架相关的侵入式代码污染业务逻辑。

内置的生产化能力。 FastMCP 不只是玩具。它支持工具级别的认证、速率限制、错误重试、日志追踪。从原型到生产不需要换框架。

完整的生态整合。 通过 uv 安装，和 Python 项目的标准依赖管理流程一致。同时支持 llms.txt 格式的文档输出，AI 模型可以直接阅读理解 FastMCP Server 的接口。

白物集项目中的实际使用

FastMCP 在白物集管线中扮演了基础设施角色。Hermes Agent 的 MCP 工具链使用 FastMCP 构建，直接支撑了以下几个核心场景：

内容采集工具的自动发现。 白物集的新闻采集流程需要调用多个外部源（RSS、API、网页爬虫）。每个数据源都是一个独立的 FastMCP Server，Agent 运行时自动发现可用工具，按需调用。新增一个数据源只需要写一个 Python 函数加 @mcp.tool，不需要修改 Agent 的调用逻辑。

内容管线的质量门控。 文章质量检查（排除词检测、标题长度校验、格式检查）被封装成 FastMCP 工具。每次写稿完成后，管线自动调用这些工具完成质量检查。因为 FastMCP 的参数校验是自动的，新增检查规则只需加一个新函数，不会破坏已有的检查流程。

构建单表迭代验证。 开发过程中，每个新的 MCP 工具写好之后，直接用 mcp.run() 启动，用 Claude Desktop 或 Codex 连接测试。不需要写测试客户端、不需要 mock 数据——AI 模型直接作为测试驱动。这种「写函数 → 加装饰器 → 让 AI 测」的循环，把工具开发的验证周期从小时级压缩到分钟级。

适合与不适合的场景

FastMCP 最适合以下场景：

AI Agent 的工具层开发。 Agent 需要访问文件系统、数据库、外部 API 或任何自定义服务时，FastMCP 是封装这些能力的最便捷方式。

多工具组合的微服务架构。 不同团队负责不同数据源时，各自独立部署 FastMCP Server，通过统一的 MCP Client 发现和调用，避免单体工具 API 的耦合。

需要快速验证的 AI 原型。 从想法到可运行的 MCP Server，FastMCP 只需要 3 行代码。

不适合的场景：

高并发低延迟的实时系统。 FastMCP 的设计目标是工具集成而非高性能 RPC。单机百万级 QPS 的场景应该用 gRPC 或原生 TCP 方案。

非 Python 的项目。 FastMCP 是 Python 框架。其他语言生态有对应的 MCP SDK（TypeScript、Go、Java 的 MCP SDK 都已可用）。

快速上手

第一步：安装

uv pip install fastmcp

第二步：写一个 Server

创建 server.py，写一个简单的计算工具：

from fastmcp import FastMCP

mcp = FastMCP("Calculator")

@mcp.tool
def multiply(a: float, b: float) -> float:
    """Multiply two numbers"""
    return a * b

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

第三步：启动

python server.py

FastMCP 会输出一个 mcp.json 文件，其他 MCP Client 可以用这个文件发现并连接 Server。

第四步：用 Client 调用

from fastmcp import FastMCPClient

async with FastMCPClient("mcp.json") as client:
    result = await client.call_tool("multiply", {"a": 3, "b": 4})
    print(result)  # 12

第五步：添加更多工具

在同一个 Server 中声明更多函数：

@mcp.tool
def fibonacci(n: int) -> list[int]:
    """Generate Fibonacci sequence up to n terms"""
    seq = [0, 1]
    for _ in range(2, n):
        seq.append(seq[-1] + seq[-2])
    return seq[:n]

FastMCP 不会把这个协议的应用层实现演变成值得花 5-10 分钟评估的依赖项——它本身就是这个生态里最推荐的选择。白物集管线中，FastMCP 已经稳定运行了数月，没有因为框架本身的原因出过一次问题。