从0-1使用Fastmcp开发一个MCP服务，并部署到阿里云百炼【1.环境准备】

目的：
在本地使用fastmcp开发一个mcp,然后注册到阿里云的百炼里面。实现在百炼里面创建智能体的时候直接引用自己开发的MCP

文章太长了，后续的开发再写一遍单独写

一、环境准备

1.安装 Node.js 和 UV

打开cmd，并输入下面代码安装node.js：
选择

winget install OpenJS.NodeJS

验证：node --version

管理员身份运行 PowerShell 执行以下命令安装 uv：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

如果一直卡在这个界面可能是因为没有安装python环境，要先安装python环境。因为uv 的核心功能是管理 Python 环境、依赖包和执行 Python 代码，其本身并不包含 Python 解释器，必须依赖已安装的 Python 来运行。

安装python解释器和开发软件pycharm
1.下载python解释器，因为阿里云的函数计算最高支持3.12的，所以这里我们也下载3.12版本。官网地址：https://www.python.org/getit/

选择3.12.10，64位下载，或者直接访问这个链接https://www.python.org/ftp/python/3.12.10/python-3.12.10-amd64.exe

验证安装结果，cmd输入python

2.安装pycharm
访问这个链接，直接下载：https://www.jetbrains.com/pycharm/download

安装完成之后，再次运行PowerShell 命令

关闭窗口后重新打开验证：uv --version

2.安装fastmcp

fastmcp官网地址：https://gofastmcp.com/getting-started/welcome
在本地先创建一个文件夹用来做项目管理，这里我新建一个D:\art\fastmcp
1.然后在这个目录下进入cmd,执行以下命令新建一个项目：

uv init 01_env_test

2.进入项目目录:

cd 01_env_test

3.使用 Python 内置模块创建虚拟环境

python -m venv .venv

4.激活虚拟环境

.\.venv\Scripts\activate

初始化之后就可以在目录下看到以下文件：

5.在这个目录下打开cmd,执行命令安装fastmcp

uv add fastmcp

查看安装结果：

二、运行Demo

1.打开项目，验证环境是否正常

打开Pycharm,选择打开项目,然后选择D:\art\fastmcp\01_env_test 这个目录

找到main函数，运行下，看下环境是否正常

导入from fastmcp import FastMCP，检查导入是否正常
把原来的代码注释掉，粘贴下面这段代码

from fastmcp import FastMCP

mcp = FastMCP("Demo 🚀")

@mcp.tool
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

if __name__ == "__main__":
    mcp.run()

点击左下角打开命令行也可以查看版本信息

fastmcp version

2.创建一个服务端和客户端的Demo

新建一个服务端的文件：my_server.py

写一个函数，并使用 @mcp.tool 装饰器将其注册到服务器中
这里demo写的是输入一个string的名字，返回一个Hello +输入的名字

from fastmcp import FastMCP

mcp = FastMCP("My MCP Server")

@mcp.tool
def greet(name: str) -> str:
    return f"Hello, {name}!"

官方也写了一个在本文件中测试的代码。完整代码如下，调用链路就是运行后先运行call_tool方法，然后带着参数调用了greet方法，最后返回了一个字符串拼接。

import asyncio
from fastmcp import FastMCP, Client

mcp = FastMCP("My MCP Server")

@mcp.tool()
def greet(name: str) -> str:
    return f"Hello, {name}!"

client = Client(mcp)

async def call_tool(name: str):
    async with client:
        result = await client.call_tool("greet", {"name": name})
        print(result)

asyncio.run(call_tool("666"))

if __name__ == "__main__":
    mcp.run()

测试完之后显示正常输出，然后就把创建客户端这个删掉，还是保留最开始的代码，不过下面新增一个main，让他可以运行就行，等下用命令行的方式让他运行起来，然后单独在写一个客户端来调用这个服务端，修改后的代码是：

新建一个客户端：my_client.py

import asyncio
from fastmcp import Client

client = Client("my_server.py")

async def call_tool(name: str):
    async with client:
        result = await client.call_tool("greet", {"name": name})
        print(result)

asyncio.run(call_tool("666")) 

调用测试，回到下面命令行这里，点击加号新增一个窗口，等下一个运行服务端，一个运行客户端来调用。

在第一个窗口运行以下代码启动服务端：

uv run my_server.py

在第二个窗口运行以下代码启动客户端调用：

  uv run my_client.py

这里可以按照预期显示正确的结果。

三、了解阿里云怎么部署自定义的MCP

官网地址：https://bailian.console.aliyun.com/?spm=5176.6660585.sfm_platform_public_cn-top.i1.581a7992l8NxMs&tab=doc#/doc/?type=app&url=2879604

在阿里云百炼平台除了开通阿里云百炼上面官方提供的的云部署 MCP 服务，也可以部署来自开源社区或其他来源的自定义 MCP 服务，并在智能体和工作流应用中使用这些 MCP 服务，或者导入在云原生 API 网关和阿里云 OpenAPI 创建的 MCP 服务。

我们的目的是部署自行开发的 MCP 服务，并使用函数计算 FC帮您托管它们。

部署步骤;
1.进入阿里云百炼MCP管理界面点击新建MCP服务。

2.选择使用脚本模式部署

3.配置MCP的基础信息，名字，描述，这里我们选UVX，地域，配置一下MCP服务，注意这里的MCP服务要求格式必须是下面这种格式。

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    },
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/path/to/allowed/files"
      ]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "<YOUR_TOKEN>"
      }
    }
  }
}

4.提交之后他就会自动在函数计算中添加一个函数，在管理界面可以直接跳转过去，我们自定义开发的那个MCP，后续应该也是登录到函数计算，然后把代码上传到函数计算中就可以了。

在这一章主要要注意的是那个MCP服务器连接配置。
他是用于定义客户端需要对接的「本地 MCP 服务」的连接方式与参数，让客户端能找到并调用这些服务提供的工具 / 资源。
顶层字段：mcpServers
是整个配置的根节点，用于聚合所有需要对接的 MCP 服务器。每个子节点（如 “本地 MCP 服务”“远程 MCP 服务”）是一个独立的 MCP 服务器配置项，键名（如 “本地 MCP 服务”）是自定义的服务器名称（仅用于客户端内区分，无功能影响）。
子配置 1：“本地 MCP 服务”（本地运行的 MCP 服务器）
用于配置在客户端本地设备上启动并运行的 MCP 服务器

子配置 2：“远程 MCP 服务”（远程部署的 MCP 服务器）
用于配置部署在远程服务器上的 MCP 服务，通过 “SSE（Server-Sent Events，服务器发送事件）” 与客户端通信，字段含义如下：

• 「本地 MCP 服务」：客户端会通过 npx 命令在本地启动指定的 npm 包（你的 MCP 服务代码），并通过标准输入输出与其通信，适合开发调试或本地专属服务。
• 「远程 MCP 服务」：客户端直接通过 SSE 协议连接远程服务器的指定 URL，无需本地启动服务，适合团队共享或线上部署的 MCP 服务。其中Type的枚举值除了这两个还有websocket（双向实时通信）和http（基础远程通信）后续可以考虑使用这两种方式

{
  "mcpServers": {
    "本地 MCP 服务": {
      "type": "stdio",
      "command": "npx",
      "args": [
        "-y",
        "@your_acc_name/your_pkg_name"
      ],
      "env": {
        "YOUR_ENV_KEY": "YOUR_ENV_VALUE"
      }
    },
    "远程 MCP 服务": {
      "type": "sse",
      "url": "https://your-mcp-server/sse",
    }
  }
}

四、了解如何使用Fastmcp开发

1. FastMCP 与 MCP 的关系

MCP（Model Context Protocol，模型上下文协议）是一套定义客户端（如 Claude 桌面版）与服务器之间交互规范的协议，包含通信格式、核心功能模块、数据交换规则等，是整个交互体系的 “标准”。

FastMCP 则是 MCP 协议在特定编程语言（如 Python）中的 “便捷实现工具”，是 MCP SDK 的一部分。它封装了 MCP 协议的底层细节（如通信处理、功能注册逻辑等），通过简洁的 API（如装饰器 @mcp.tool()）帮助开发者快速构建符合 MCP 规范的服务器，无需手动处理协议的复杂细节。

简单来说：MCP 是 “协议标准”，FastMCP 是 “实现该标准的便捷工具”，前者定义 “要做什么”，后者解决 “如何简单地做到”。

2.MCP 核心功能的具体含义

MCP 协议通过以下核心功能模块，实现客户端与服务器的协同工作，扩展大语言模型的能力：
1. Resources（资源）
定义：服务器提供的、客户端可读取的 “类文件数据”，是模型可访问的外部信息源。
具体形式：包括但不限于 API 响应结果（如天气数据）、本地文件内容（如文档、表格）、数据库查询结果、网页抓取内容等。
作用：为模型提供超出其训练数据范围的实时 / 私有信息，例如让模型通过访问服务器的 “新闻资源” 获取最新资讯，或通过 “企业文档资源” 回答内部问题。
2. Prompts（提示词）
定义：服务器预定义的 “提示模板” 或 “指令片段”，用于辅助用户快速完成特定任务。
具体形式：如邮件模板（“请以‘尊敬的客户，您好：’开头，说明订单延迟原因”）、代码生成模板（“用 Python 实现一个冒泡排序，包含注释”）、问答框架（“针对问题 {q}，按‘原因 - 解决方案 - 注意事项’结构回答”）等。
作用：标准化模型输出格式，减少用户手动编写提示词的成本，提高交互效率。客户端可调用服务器的提示词模板，引导模型生成更符合需求的内容。
3. Tools（工具）
定义：服务器提供的、模型可调用的 “函数或服务”（需用户许可），是模型与外部系统交互的 “接口”。
具体形式：如天气查询工具（get_forecast(lat, lon)）、数据计算工具（calculate_tax(income)）、API 调用工具（send_email(to, content)）等，通常包含输入参数、输出格式和功能描述。
作用：扩展模型的 “行动力”，让模型从 “只能生成文本” 升级为 “能执行操作”，例如调用工具查询实时天气、控制智能家居、生成图表等。
4. Sampling（采样）
定义：服务器提供的、用于控制模型生成内容的 “采样策略配置”，影响模型输出的风格和特性。
具体形式：包括采样参数（如温度 temperature 控制随机性，top_p 控制候选词范围）、输出长度限制（max_tokens）、格式约束（如强制 JSON 输出）等。
作用：让服务器可以根据场景需求 “定制” 模型的生成行为，例如在需要精确结果的场景（如代码生成）设置低温度（temperature=0.1），在需要创意的场景（如故事生成）设置高温度（temperature=0.8）。
5. Roots（根目录）
定义：服务器指定的 “资源访问根路径”，用于规范客户端对资源的访问范围。
具体形式：可以是文件系统的根目录（如 /data/resources）、数据库的特定表前缀（如 user_）、API 路径的基础前缀（如 /v1/internal/）等。
作用：限制客户端的访问边界，确保安全性（避免越权访问敏感资源），同时简化资源的组织和管理（客户端只需基于根目录路径访问子资源）。
6. Transports（传输层）
定义：客户端与服务器之间的 “通信方式与协议”，负责数据的编码、传输和解析。
具体形式：如 stdio（通过标准输入输出流通信，适用于本地服务）、sse（服务器发送事件，适用于远程服务单向推送）、websocket（双向实时通信，适用于高频交互）、http（基于 HTTP 协议的请求 - 响应，适用于简单调用）等。
作用：是 MCP 协议的 “物理基础”，确保客户端和服务器能跨环境（本地 / 远程）、跨设备稳定交换数据（如工具调用请求、资源查询结果等）。

这些核心功能共同构成了 MCP 协议的生态：服务器通过提供 Resources、Tools、Prompts 等能力，客户端（结合模型）通过 Transports 调用这些能力，并通过 Sampling 和 Roots 控制交互细节，最终实现模型能力的扩展。

3. FastMCP的传输协议

FastMCP框架支持三种传输协议：STDIO、Streamable HTTP、SSE

STDIO： 传输是本地 MCP 服务器执行的默认且兼容性最广的选项。它非常适合本地工具、命令行集成和 Claude Desktop 等客户端。但是，它的缺点是必须在本地运行 MCP 代码，这可能会给第三方服务器带来安全问题。

Streamable HTTP： 是一种现代、高效的传输方式，用于通过 HTTP 公开您的 MCP 服务器。它是基于 Web 的部署的推荐传输方式。

SSE： 是一种基于 HTTP 的协议，用于服务器到客户端流式处理。虽然 FastMCP 仍然支持 SSE，但它已被弃用，Streamable HTTP 是新项目的首选。

不同协议的服务端和客户端调用时的区别-具体实现后续补充

4.Fastmcp常用的三个装饰器

• @mcp.tool()
• @mcp.resource()
• @mcp.prompt()

工具 - Tool

在 MCP Server 开发中，工具是将函数暴露给 MCP 客户端，使其成为可执行功能的关键组件。工具作为核心构建块，赋予了 LLM 与外部系统交互、执行代码以及访问训练数据之外信息的能力。在 FastMCP 中，工具本质上是通过 MCP 协议暴露给 LLM 的 Python 函数。
实现原理
基于@mcp.tool()装饰器，在函数定义时自动提取函数签名（参数类型、数量）、描述等元信息，注册到 FastMCP 服务实例的工具管理列表；同时生成参数校验逻辑和 MCP 协议格式的调用接口，使 LLM 可按协议规范发起请求并触发函数执行。
执行流程
LLM 根据工具定义的模式，向服务器发送包含参数的请求。
FastMCP 依据函数签名对传入的参数进行严格验证，确保参数的正确性和完整性。
经过验证的参数将作为输入，执行对应的 Python 函数。
函数执行结果返回给 LLM，LLM 可以在后续的响应中使用该结果。

通过这种机制，LLM 能够执行诸如查询数据库、调用 API、进行复杂计算或访问文件等多样化任务，从而突破训练数据的限制，极大地扩展了自身功能。

资源和模板 - Resources

资源和模板用于向 MCP 客户端公开数据源和动态内容生成器。资源代表了 MCP 客户端可以读取的数据或文件，而资源模板进一步扩展了这一概念，它允许客户端根据 URI 中传递的参数请求动态生成的资源。
实现原理
通过@mcp.resource装饰器，将数据返回函数或静态数据地址注册到服务实例的资源管理字典，同时绑定对应的访问 URI；客户端请求时，FastMCP 匹配 URI 对应的资源逻辑，静态资源直接返回数据，动态资源执行函数生成内容后按 MCP 协议格式返回。
处理流程
FastMCP 查找与请求 URI 对应的资源定义。
如果是动态资源（由函数定义），则执行该函数生成相应内容。
将生成的内容（可以是文本、JSON 格式数据或二进制数据）返回给客户端。

借助资源和模板，LLM 可以访问与对话相关的文件、数据库内容、配置信息或动态生成的各类数据，满足不同场景下的需求。

提示 - Prompt

提示是为 MCP 客户端创建的可重复使用的参数化提示模板。它本质上是一种消息模板，能够帮助 LLM 生成结构化、具有明确目的性的响应。在 FastMCP 中，主要通过@mcp.prompt装饰器来简化提示模板的定义。
实现原理
利用@mcp.prompt装饰器，提取提示模板中的参数占位符（如{user_name}）和模板内容，注册到服务实例的提示管理列表；客户端请求时，先校验传入的参数是否匹配占位符需求，再填充参数生成完整提示消息，按协议返回给 LLM。
处理流程
FastMCP 找到与请求对应的提示定义。
如果提示包含参数，会根据函数签名对参数进行验证，确保参数符合模板要求。
使用经过验证的输入执行相关函数，生成提示消息。
将生成的消息返回给 LLM，用于指导其生成响应。

通过提示模板，开发者可以定义统一、可复用的消息模板，使 LLM 在不同客户端和环境中都能生成风格一致、符合预期的响应。

五、开发前梳理接下来要做的事

1.开发流程

1.明确开发目标与功能范围
确定 MCP 服务需提供的核心能力，如工具（Tools）、资源（Resources）类型（例：数据查询工具、本地文档资源等）。
确认服务对接阿里云百炼的交互场景，明确工具 / 资源的调用逻辑（如是否需要用户授权、参数格式要求）。

2.环境与依赖准备
参考第一章

3.MCP 服务核心开发阶段

• 初始化 FastMCP 服务实例
• 确定服务名称（需与后续百炼注册的服务名一致），通过 FastMCP 类初始化实例，绑定服务标识。
• 配置服务基础参数，如默认传输协议（暂选本地调试用的 stdio，后续部署到百炼时切换为 HTTP）、日志级别。
• 定义工具（Tools）与资源（Resources）
• 梳理工具的功能逻辑、输入参数（需明确参数类型、必填项）与输出格式，确保符合百炼智能体的调用预期。
• 规划资源的内容结构（如静态文档、API 响应数据），确定资源的访问方式（如通过资源名称调用）。
• 注册工具与资源到 FastMCP 使用 FastMCP提供的装饰器（如@mcp.tool()、@mcp.resource()），将工具函数、资源函数注册到服务实例。
• 为工具添加描述信息（用于百炼控制台展示）、参数校验规则（如必填项检查、格式校验），为资源设置访问权限（如是否允许所有智能体访问）。
• 编写辅助逻辑 实现参数预处理逻辑（如参数格式转换、默认值填充），确保工具接收的参数符合业务要求。
• 添加错误处理逻辑（如异常捕获、错误信息标准化），避免服务因异常崩溃，同时便于百炼端排查问题。
• 集成日志记录功能，记录工具 / 资源的调用日志（如请求参数、响应结果、耗时），用于后续调试与监控。 配置环境变量 梳理服务依赖的敏感信息（如 API 密钥、第三方服务地址）、配置参数（如超时时间），通过环境变量管理（避免硬编码）。
• 定义环境变量的键名与取值规则，确保后续部署到百炼时可通过env字段注入。

4.本地测试与优化

• 启动本地 MCP 服务 配置服务启动参数（如绑定本地 IP、端口），通过 FastMCP 的run()方法启动服务，选择 stdio
• 传输协议进行本地调试。 验证服务启动状态，确认无初始化报错，工具 / 资源注册成功（可通过访问本地接口或日志查看注册列表）。
• 测试工具与资源的可用性 使用接口测试工具（如 curl、Postman），模拟百炼智能体的调用逻辑，发送工具调用请求、资源访问请求。
• 检查响应结果：是否符合预期格式、错误场景（如参数缺失、业务异常）是否返回正确提示，日志是否完整记录关键信息。 优化服务稳定性与兼容性针对测试中发现的问题（如参数校验不严格、响应延迟），优化工具 / 资源的代码逻辑。
• 调整服务配置，如增加超时重试机制、限制单工具的调用频率，确保服务在高并发场景下稳定运行。 验证服务与百炼传输协议的兼容性（如切换为HTTP 协议后，测试远程调用是否正常）。

5.部署

• 调整服务配置适配百炼 修改 FastMCP 的传输协议为百炼支持的类型（如 HTTP），配置服务的公网访问地址。按照百炼mcpServers配置格式，编写服务的连接配置（如command设为UVX，args指定服务启动入口，env注入环境变量）。 准备部署依赖与代码包
• 整理服务的依赖清单（如生成requirements.txt），确保所有依赖在百炼函数计算环境中可安装。
• 打包服务代码（含主程序文件、依赖配置文件、环境变量模板），确认代码结构符合百炼函数计算的部署要求（如入口文件位置）。
• 验证服务可访问性若使用本地设备开发，通过内网穿透工具将本地服务端口映射到公网，获取公网访问地址（用于后续百炼测试）。
• 测试公网地址的可用性（如通过外部设备调用工具 / 资源），确认网络通畅，无防火墙、端口限制问题。

2.开发demo

1.创建项目与安装依赖

# 1. 创建项目目录
uv init aliyun_bailian_mcp
cd aliyun_bailian_mcp

# 2. 激活虚拟环境
uv venv
source .venv/bin/activate  # macOS/Linux
# .venv\Scripts\activate  # Windows

# 3. 安装依赖
uv add "mcp[cli]"  # FastMCP核心库
uv add pydantic    # 参数校验
uv add python-dotenv  # 环境变量管理
uv add logging  # 日志（Python内置，无需额外安装）

2.创建环境变量文件（.env）

# .env - 敏感信息与配置参数
BAILIAN_API_KEY=your_aliyun_bailian_api_key  # 百炼API密钥
MCP_SERVICE_PORT=8000  # 服务端口（与百炼配置一致）
MCP_SERVICE_NAME=my_bailian_mcp  # 服务名（需与百炼注册名一致）
TIMEOUT=30  # 工具调用超时时间（秒）

3.开发MCP 服务核心代码（main.py）

from typing import Dict, Optional
from dotenv import load_dotenv
import os
import logging
from pydantic import BaseModel, Field
from mcp.server.fastmcp import FastMCP

# 1. 初始化环境与日志
load_dotenv()  # 加载.env文件
logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
    handlers=[logging.StreamHandler()]
)
logger = logging.getLogger(os.getenv("MCP_SERVICE_NAME", "default_mcp"))

# 2. 初始化FastMCP服务实例
mcp = FastMCP(
    service_name=os.getenv("MCP_SERVICE_NAME"),  # 服务名与百炼注册一致
    log_level=logging.INFO
)

# 3. 定义工具参数模型（参数校验）
class DataQueryParams(BaseModel):
    """数据查询工具的输入参数模型"""
    query_key: str = Field(..., description="查询关键词（如城市名、产品ID），必填")
    query_type: str = Field(default="basic", description="查询类型：basic（基础数据）、detail（详细数据）")

# 4. 定义工具函数并注册
@mcp.tool(
    description="数据查询工具：根据关键词查询基础/详细数据（如天气、产品信息）",
    parameters=DataQueryParams  # 绑定参数校验模型
)
async def query_data(params: DataQueryParams) -> str:
    """
    工具核心逻辑：模拟根据关键词查询数据
    :param params: 输入参数（符合DataQueryParams规则）
    :return: 格式化的查询结果
    """
    try:
        logger.info(f"收到数据查询请求：query_key={params.query_key}, query_type={params.query_type}")
        
        # 模拟参数预处理
        query_key = params.query_key.strip()
        if not query_key:
            return "错误：查询关键词不能为空"
        
        # 模拟业务逻辑（实际场景可替换为API调用、数据库查询）
        mock_data = {
            "basic": f"【基础数据】关键词：{query_key}，状态：正常",
            "detail": f"【详细数据】关键词：{query_key}，类型：{params.query_type}，更新时间：2024-05-20，内容：测试数据"
        }
        result = mock_data.get(params.query_type, mock_data["basic"])
        
        logger.info(f"数据查询完成：result={result}")
        return result
    
    except Exception as e:
        error_msg = f"数据查询失败：{str(e)}"
        logger.error(error_msg)
        return error_msg

# 5. 定义资源函数并注册
@mcp.resource(name="service_info")
def get_service_info() -> Dict:
    """
    资源核心逻辑：返回MCP服务的基础信息（静态资源）
    :return: 服务信息字典
    """
    logger.info("获取服务信息资源请求")
    return {
        "service_name": os.getenv("MCP_SERVICE_NAME"),
        "version": "1.0.0",
        "support_tools": ["query_data"],
        "timeout": int(os.getenv("TIMEOUT", 30)),
        "provider": "Aliyun Bailian User"
    }

# 6. 服务启动入口
if __name__ == "__main__":
    # 配置启动参数（本地调试用HTTP协议，便于后续百炼对接）
    host = "0.0.0.0"  # 绑定所有网络接口，允许外部访问
    port = int(os.getenv("MCP_SERVICE_PORT", 8000))
    
    logger.info(f"启动MCP服务：{os.getenv('MCP_SERVICE_NAME')}，地址：http://{host}:{port}")
    # 启动服务（传输协议设为HTTP，适配百炼部署）
    mcp.run(
        transport="http",
        host=host,
        port=port
    )

4.生成百炼 MCP 服务配置文件

{
  "mcpServers": {
    "my_bailian_mcp": {  // 服务名（与FastMCP初始化的service_name一致）
      "type": "http",  // 百炼支持的传输协议
      "command": "uvx",  // 百炼推荐的启动命令（替代npx）
      "args": [
        "main:mcp.run",  // 服务入口：main.py文件的mcp实例的run方法
        "--transport", "http",
        "--host", "0.0.0.0",
        "--port", "8000"
      ],
      "env": {
        "MCP_SERVICE_NAME": "my_bailian_mcp",
        "MCP_SERVICE_PORT": "8000",
        "TIMEOUT": "30",
        "BAILIAN_API_KEY": "your_actual_bailian_api_key"  // 百炼API密钥（部署时替换为真实值）
      }
    }
  }
}

5.部署后测试

curl http://localhost:8000/mcp/resource/service_info