FastMCP框架中Context对象注入机制解析
2025-05-30 14:01:02作者:沈韬淼Beryl
背景介绍
FastMCP是一个基于Python的异步Web框架,它提供了资源管理和工具调用的功能。在2.2.5版本之前,框架中存在一个关于Context对象注入的重要限制:Context对象可以自动注入到被@mcp.tool装饰的函数中,但无法注入到被@mcp.resource装饰的资源函数中。
问题本质
在FastMCP框架中,Context对象包含了请求上下文和生命周期上下文等重要信息。开发者通常需要通过这个对象来:
- 访问请求特定的信息
- 获取应用生命周期中维护的状态
- 实现请求级别的依赖注入
在2.2.5版本之前,资源函数无法像工具函数那样通过类型提示自动获取Context对象,这导致开发者无法在资源处理逻辑中访问这些重要信息。
解决方案实现
FastMCP 2.2.5版本通过引入新的注入机制解决了这个问题。现在,资源函数可以通过以下方式声明Context参数:
@mcp.resource("data://test/{item_id}")
def resource_handler(item_id: str, ctx: Context) -> dict:
# 现在可以正常访问ctx对象
lifespan_ctx = ctx.request_context.lifespan_context
return {"status": "success"}
框架会自动识别ctx: Context类型提示,并在调用时注入正确的Context实例。
技术实现细节
这个改进涉及框架核心的几个关键修改:
- 参数解析器增强:改进了资源函数的参数解析逻辑,使其能够识别Context类型提示
- 依赖注入系统:统一了工具函数和资源函数的依赖注入机制
- 类型检查兼容:确保修改不会破坏现有的类型检查和行为
最佳实践
在使用这个新特性时,建议开发者:
- 始终明确声明Context参数的类型提示
- 不要在资源函数中修改Context对象的状态
- 对于资源模板,确保路径参数和Context参数的顺序正确
- 考虑使用Pydantic模型来验证从Context中获取的数据
性能考量
虽然自动注入带来了便利性,但开发者应该注意:
- Context对象的创建和注入会有轻微性能开销
- 对于高频调用的资源端点,考虑缓存从Context中获取的数据
- 避免在资源函数中进行复杂的上下文处理
总结
FastMCP 2.2.5版本对Context注入机制的改进,使得资源函数和工具函数在依赖注入方面达到了行为一致性,大大提高了框架的可用性和开发体验。这一改进使得开发者能够以统一的方式访问请求和生命周期上下文,同时保持了框架的简洁性和性能。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5暂无简介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
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
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
270
93
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
378
3.33 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1