企业RAG之构建 FastMCP 服务：基于模型上下文协议的智能服务体系搭建实践

本文较长，建议点赞收藏。更多AI大模型开发学习视频籽料，都在这>>Github<<

在企业级的RAG系统落地过程中，如何构建一个高效、可扩展、智能化的服务调度体系成为了关键挑战。

在本次实践中，我基于 FastMCP 工具，尝试构建一个完整的 多服务协作框架，并将其引入企业RAG架构中，探索其在复杂工具链调度、上下文保持、智能决策等方面的能力。

为什么选择 FastMCP？

FastMCP 是对 MCP 协议的轻量实现，支持标准化的能力注册、健康检查、工具调用等接口。它具有以下显著优势：

协议清晰、接口规范
多服务协作机制可插拔
天然支持 LLM+Tools 架构
易于构建 Agent 多轮决策流程

系统架构总览

搭建基于 FastMCP 的智能服务系统，包含三个核心组件：

1. MCP Router（路由中心）

系统的"中枢神经"。负责管理所有服务器、分发请求、维护健康状态。

核心职责如下：

服务器管理：注册 / 注销各个 MCP Server
工具发现：收集并维护所有注册服务的工具能力
智能路由：根据工具名称或调用目标，自动分发调用请求
健康监控：定期检测服务可用性，保障系统健壮性

核心代码如下：

python 复制代码

async def route_tool_call(self, tool_name: str, arguments: Dict[str, Any], session_id: str) -> Dict[str, Any]:    
"""路由工具调用到对应的服务器"""    
target_server = None    
for server_name, server_info in self.servers.items():        
if server_info.status == "active":
for tool in server_info.tools:
if tool.get("function", {}).get("name") == tool_name:
target_server = server_info
break    
# ...

2. MCP Server（服务提供者）

每一个 MCP Server 即为一个类似微服务的提供者，提供特定的工具能力。

目前实现了如下服务：

服务名称	功能领域
`main_server.py`	聊天对话、计算能力
`database_server.py`	数据库查询
`file_server.py`	文件操作（读取等）
`weather_server.py`	天气数据调用

每个 Server 都需遵循 MCP 标准协议，暴露以下三个 REST 接口：

/health：返回当前服务状态
/capabilities：提供工具能力列表
/call_tool：接收具体调用请求，执行功能

通过 start_multi_server.sh 脚本，我们可以一键启动所有服务：

scss 复制代码

启动 MCP 多服务器系统
启动路由中心 (8000)...
启动主服务器 (8001)...
启动数据库服务器 (8002)...
启动文件服务器 (8003)...
启动天气服务器 (8004)...

所有 Server 会自动向 Router 注册并上报能力，系统即刻具备完整工具协同能力。

3. Intelligent MCP Client（智能客户端）

连接 LLM 与 MCP 服务的桥梁，具备如下功能：

获取可用工具：向路由中心查询所有注册服务器的工具列表
LLM 决策：使用 chat_with_functions 方法，让 DeepSeek 模型分析用户查询并决定是否需要调用工具
工具调用：如果需要工具，LLM 会生成 tool_calls 结构
路由执行：通过路由中心调用对应的工具
结果整合：将工具执行结果反馈给 LLM，生成最终用户回复

我们通过问题：查询知识库列表来举例一下处理逻辑：

工具识别：LLM 识别出需要调用数据库查询工具
工具调用：

bash 复制代码

   调用工具: query_knowledge_bases，参数: {}
   工具调用路由: http://localhost:8000/call_tool
   请求数据: {'tool_name':
   'query_knowledge_bases', 'arguments': {},
   'session_id': 'default'}

路由转发：路由中心将请求转发给 database_server
工具执行：数据库服务器执行查询，返回 6 个知识库的详细信息
结果处理：LLM 将工具返回的 JSON 数据转换为用户友好的格式

输出结果：系统成功查询到 6 个知识库，包括智能客服数据库、用户手册、简历知识库等，并格式化展示给用户。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

Github