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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00