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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00