FastMCP框架中Context对象注入机制解析
2025-05-30 19:58:29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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137