FastAPI MCP 中实现请求头传递的完整解决方案
在基于 FastAPI 构建的 MCP (Model Context Protocol) 服务中,请求头信息的传递是一个常见但容易被忽视的技术细节。本文将深入探讨如何在 FastAPI MCP 项目中实现请求头的完整传递机制,特别是认证令牌的透传问题。
问题背景
当使用 FastAPI MCP 作为中间层服务时,客户端发送的请求头(如包含认证信息的 Authorization 头)在初始请求中能够正常接收,但在后续 MCP 主机调用工具服务时,这些关键头信息却丢失了。这会导致后端服务无法验证请求的合法性,返回 401 未授权错误。
核心挑战
请求头丢失的根本原因在于 FastAPI MCP 默认不会自动将接收到的请求头转发到下游服务。特别是在以下场景中:
- 客户端 → MCP 服务的初始请求包含认证头
- MCP 服务 → 工具服务的内部调用丢失认证头
- 工具服务因缺少认证信息拒绝请求
解决方案实现
自定义 HTTP 客户端
通过创建自定义的 AuthClient 类继承 httpx.AsyncClient,我们可以确保每个请求都携带认证头:
class AuthClient(httpx.AsyncClient):
def __init__(self, auth_token: str, *args, **kwargs):
super().__init__(*args, **kwargs)
self.headers.update({"Authorization": f"Bearer {auth_token}"})
请求中间件处理
在 FastAPI 中间件中,我们实现了完整的请求头处理流程:
@app.middleware("http")
async def log_requests(request, call_next):
# 记录请求信息
logger.debug(f"Incoming request: {request.method} {request.url}")
logger.debug(f"Headers: {request.headers}")
# 从请求头提取认证令牌
auth_header = request.headers.get("authorization")
if not auth_header:
raise HTTPException(status_code=401, detail="Missing Authorization header")
try:
token = auth_header.split(" ")[1]
except IndexError:
raise HTTPException(status_code=401, detail="Invalid Authorization header format")
# 创建带认证头的客户端
request.state.auth_client = AuthClient(auth_token=token)
# 更新 MCP 的 HTTP 客户端
mcp._http_client = request.state.auth_client
# 继续处理请求
response = await call_next(request)
logger.debug(f"Response status: {response.status_code}")
return response
技术要点解析
-
令牌提取机制:从 Authorization 头中正确提取 Bearer 令牌,处理各种可能的格式错误情况。
-
客户端生命周期管理:为每个请求创建独立的认证客户端,确保线程安全。
-
MCP 集成:通过修改 mcp._http_client 属性,将认证客户端注入到 MCP 的核心处理流程中。
-
日志记录:完整的请求/响应日志记录,便于调试和问题追踪。
最佳实践建议
-
生产环境增强:考虑添加令牌缓存机制,避免为每个请求重复创建客户端。
-
安全考虑:确保令牌在日志中脱敏处理,防止敏感信息泄露。
-
性能优化:对于高频调用的场景,可以实现客户端连接池管理。
-
错误处理:完善各种异常情况的处理逻辑,提供清晰的错误响应。
总结
通过实现自定义 HTTP 客户端和请求中间件,我们成功解决了 FastAPI MCP 中请求头传递的问题。这种方案不仅适用于认证头传递,也可以扩展到其他需要透传的请求头信息。关键在于理解 FastAPI 的请求生命周期和 MCP 的工作机制,从而在适当的环节进行拦截和处理。
对于更复杂的场景,开发者还可以考虑实现动态头注入、基于角色的头信息过滤等高级功能,构建更加灵活和安全的 API 网关层。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00