1. 为什么我要用 FastMCP 搭知识问答骨架如果你正在找一个能快速跑通「模型调用 知识检索 问答返回」的最小闭环方案FastMCP 加统一 API 通道的组合值得试一次。MCP 全称 Model Context Protocol它做的事情说白了就是给模型和外部工具之间定一套标准接口让模型知道「有哪些工具可以调、参数长什么样、返回什么结构」。FastMCP 则是把这套协议用 Python 封装成了一个装饰器风格的框架你写几个函数、加一行mcp.tool服务端就起来了。知识问答系统为什么适合用 MCP 来搭骨架因为问答链路天然是「检索 生成」两段式先从知识库里找到相关片段再让模型基于片段组织答案。传统写法里这两段是硬编码耦合的换一个模型或换一个检索源就要改一堆代码。用 MCP 把检索能力注册成 tool模型侧通过标准协议来调用后续你想把本地关键词检索换成向量库、或者把模型从一家换到另一家改动面会小很多。这篇面向的是想快速跑通 MCP 服务端与问答链路的 Python 开发者。我会给出可复制的 FastMCP 服务端代码、统一 Key/API 通道的 settings.json 骨架、本地启动命令以及用 curl 和 Python 客户端验证问答闭环的完整动作。目标是一次性跑通最小可用问答闭环而不是停留在「装完库不知道下一步干嘛」。前置条件只有两个Python 3.10 以上FastMCP 依赖较新的类型语法以及一个可用的 API Key。下面从环境准备开始。2. TaoToken 前置统一 Key 与 API 通道准备在写 FastMCP 服务端之前先把模型调用通道准备好。我选择用 TaoToken 作为统一入口原因是它把多家模型的调用格式统一成了 OpenAI 兼容接口这样 FastMCP 里的问答工具只需要维护一套base_url和api_key不用为每个模型写适配层。你需要先拿到一个 API Key。打开 https://taotoken.net/api-keys 登录后创建一个 Key复制保存。这个 Key 后面会写进settings.json不要直接硬编码在 Python 文件里。TaoToken 的 API 基地址是https://taotoken.net/api兼容 OpenAI 的/v1/chat/completions路径。也就是说你在 FastMCP 里用openai这个库时把base_url指向它就能直接调。模型名称按你实际需要的填比如对话类、推理类都可以在模型列表里选。如果你还没决定用哪个模型可以先到 https://taotoken.net/models 看一下可用列表再回到 https://taotoken.net/console 确认账户状态。整个准备过程不超过三分钟重点是拿到 Key 并确认余额可用。注意Key 只存在本地配置文件里不要提交到 Git 仓库。建议把settings.json加入.gitignore。3. 可复制配置FastMCP 服务端 settings.json 骨架3.1 安装依赖先建一个干净的项目目录然后安装三个核心依赖mkdir fastmcp-qa cd fastmcp-qa python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install fastmcp openaifastmcp提供 MCP 服务端框架openai用来调 TaoToken 的兼容接口。装完后可以用pip show fastmcp确认版本。3.2 settings.json 骨架在项目根目录创建settings.json把 Key 和模型配置放进去{ taotoken: { base_url: https://taotoken.net/api, api_key: sk-你的Key粘贴在这里, model: gpt-4o-mini, timeout: 30 }, knowledge: { source: ./knowledge.txt, top_k: 3 }, server: { name: qa-mcp-server, transport: stdio } }这里base_url不带/v1因为openai库会自动拼接路径。model字段填你在 TaoToken 模型列表里选定的名称。knowledge.source指向一个纯文本知识库文件每行一条知识方便最小闭环验证。3.3 FastMCP 服务端代码创建server.py这是整个骨架的核心import json from pathlib import Path from fastmcp import FastMCP from openai import OpenAI # 读取配置 CFG json.loads(Path(settings.json).read_text(encodingutf-8)) TAO CFG[taotoken] KB_PATH Path(CFG[knowledge][source]) TOP_K CFG[knowledge][top_k] # 初始化 MCP 服务端 mcp FastMCP(CFG[server][name]) # 初始化模型客户端指向 TaoToken 统一通道 client OpenAI(base_urlTAO[base_url], api_keyTAO[api_key], timeoutTAO[timeout]) def load_knowledge() - list[str]: if not KB_PATH.exists(): return [] return [line.strip() for line in KB_PATH.read_text(encodingutf-8).splitlines() if line.strip()] def simple_retrieve(question: str, top_k: int TOP_K) - list[str]: 极简关键词检索够跑通闭环即可后续可替换为向量检索 docs load_knowledge() scored [] for doc in docs: score sum(1 for ch in set(question) if ch in doc) if score 0: scored.append((score, doc)) scored.sort(reverseTrue) return [doc for _, doc in scored[:top_k]] mcp.tool def search_knowledge(question: str) - str: 根据问题检索知识库返回最相关的片段 hits simple_retrieve(question) if not hits: return 未在知识库中找到相关内容。 return \n.join(f- {h} for h in hits) mcp.tool def ask_question(question: str) - str: 检索知识库并调用模型生成答案 context search_knowledge(question) prompt f基于以下知识片段回答问题不要编造\n{context}\n\n问题{question} resp client.chat.completions.create( modelTAO[model], messages[{role: user, content: prompt}], temperature0.2, ) return resp.choices[0].message.content if __name__ __main__: mcp.run(transportCFG[server][transport])代码结构很清晰search_knowledge是检索工具ask_question是问答工具两者都通过mcp.tool注册到 MCP 协议里。模型调用走client.chat.completions.createbase_url指向 TaoToken所以换模型只需要改settings.json里的model字段。3.4 准备知识库文件创建knowledge.txt每行一条FastMCP 是基于 MCP 协议的 Python 服务端框架用装饰器注册工具。 MCP 是模型上下文协议用于标准化模型与外部工具的交互。 知识问答系统的核心链路是检索加生成两段式。 TaoToken 提供 OpenAI 兼容的统一 API 通道支持多模型切换。这个文件就是最小知识库后面验证问答时用。4. 验证请求本地启动与问答闭环测试4.1 启动 MCP 服务端python server.py如果transport是stdio进程会静默等待标准输入这是正常的。想用 HTTP 方式测试把settings.json里的transport改成streamable-http再启动会看到监听端口输出。4.2 用 Python 客户端验证工具调用FastMCP 自带客户端写一个test_client.pyimport asyncio from fastmcp import Client async def main(): async with Client(server.py) as c: tools await c.list_tools() print(可用工具:, [t.name for t in tools]) r1 await c.call_tool(search_knowledge, {question: MCP 是什么}) print(检索结果:, r1) r2 await c.call_tool(ask_question, {question: MCP 是什么}) print(问答结果:, r2) asyncio.run(main())运行python test_client.py预期输出类似可用工具: [search_knowledge, ask_question] 检索结果: - MCP 是模型上下文协议用于标准化模型与外部工具的交互。 问答结果: MCP 是模型上下文协议它标准化了模型与外部工具之间的交互方式。看到问答结果里模型基于检索片段组织了答案说明「检索 生成」闭环已经跑通。4.3 用 curl 验证 HTTP 模式如果你切到了streamable-http可以用 curl 直接打curl -X POST http://localhost:8000/mcp \ -H Content-Type: application/json \ -d {method:tools/call,params:{name:ask_question,arguments:{question:知识问答系统的核心链路是什么}}}返回 JSON 里content字段就是模型生成的答案。这一步能过说明服务端对外暴露的 MCP 接口是通的。4.4 验证模型通道是否真的走了 TaoToken想确认请求确实打到了 TaoToken可以在ask_question里临时加一行日志print(f[debug] calling {TAO[base_url]} with model {TAO[model]})重新跑一次看到打印的 base_url 是https://taotoken.net/api就说明通道配置生效了。这个 debug 行验证完记得删掉。5. 本篇常见错排查5.1 报错ModuleNotFoundError: No module named fastmcp大概率是虚拟环境没激活或者 pip 装到了全局。确认which python指向.venv/bin/python再pip install fastmcp。如果用的是 conda检查当前 env 是否正确。5.2 报错openai.AuthenticationError: 401Key 不对或没传。检查settings.json里api_key是否完整复制有没有多余空格。另外确认base_url是https://taotoken.net/api不要手滑写成https://taotoken.net/api/v1因为openai库会自己拼/v1重复了会 404。5.3 问答返回「未在知识库中找到相关内容」检索没命中。先确认knowledge.txt路径正确、文件非空。再检查simple_retrieve的关键词匹配逻辑——它是按字符重叠打分的如果问题用词和知识库完全不重叠就会返回空。可以把top_k调大或者换成更宽松的匹配。生产环境建议直接替换成向量检索这个函数就是留给你替换的接口。5.4 服务端启动后无输出、客户端连不上stdio模式下服务端本来就不打印东西这是设计如此。客户端要用Client(server.py)这种方式启动子进程而不是去连端口。如果你想要端口模式把transport改成streamable-http默认监听 8000。5.5 模型返回乱编内容temperature设太高或者 prompt 里没约束。把temperature降到 0.2 以下并在 prompt 里明确写「不要编造只基于给定片段回答」。如果知识库片段本身质量差模型也救不回来检索层要先把关。5.6 想换模型但不知道填什么名称到 https://taotoken.net/models 查可用模型列表把名称填进settings.json的model字段即可代码不用动。这就是统一通道的好处——换模型只改配置。6. 下一步把骨架接进你的工作流最小闭环跑通后这个骨架可以往三个方向延伸。一是把simple_retrieve换成向量检索用 embedding 接口把知识库切片入库检索质量会有明显提升。二是把 MCP 服务端接进支持 MCP 的客户端比如编码助手或 Agent 框架让模型在对话中自动调用你的问答工具。三是把settings.json里的模型换成更适合长上下文或推理的型号对比问答质量。如果你打算长期做编码类或 Agent 类项目建议了解一下 Coding Plan它在调用额度和模型选择上更适合高频开发场景https://taotoken.net/coding-plan 。接入文档在 https://taotoken.net/doc 里面有各语言 SDK 的完整示例。需要管理多个 Key 或查看调用量去 https://taotoken.net/console 。想先在线试一下模型对话效果可以直接打开 https://taotoken.net/chat 。这套骨架的价值不在于代码多复杂而在于它把「检索」和「生成」解耦成了两个 MCP 工具后续任何一层要替换或升级都不会牵动另一层。先把闭环跑通再逐步替换组件比一上来就追求完美架构要快得多。