在前一篇我們已經完成了 FastAPI + NASA API 的 baseline，這一篇要把它升級成 AI 可直接使用的 MCP 工具伺服器。

你會得到什麼

• 在同一個 FastAPI 專案中啟用 fastapi_mcp
• 把現有的三支 API 包裝成 MCP 工具
• 本地測試工具呼叫，確認能被 LLM 客端 discover 與執行

1) 安裝需要的library

我們需要用到的是 fastapi-mcp 這個 library，它可以把 FastAPI 的 endpoint 包裝成 MCP 工具，歡迎到他們的開源專案去看看（https://github.com/tadata-org/fastapi_mcp）。

前一篇 requirements.txt 已經包含 fastapi-mcp，所以這篇不用額外安裝。

2) 修改 main.py，啟用 MCP 支援

因為fastapi-mcp保留了 FastAPI 的原有功能，所以我們只需要在 app/main.py 中增加 MCP Server 的初始化。

在 import 區塊中加入：

from fastapi_mcp import FastApiMCP

在 app 初始化後，加入 MCP 的初始化：
記得要加在定義好的routes後面

# Initialize and mount MCP server
mcp = FastApiMCP(
    app,
    name="nasa-mcp-server",
    description="NASA data access through MCP protocol"
)
mcp.mount_sse(app, mount_path="/mcp")

這樣一來，MCP 工具就會和 FastAPI 同時掛在一起。加入的 /mcp 路徑會是 MCP 的 endpoint。
完整main.py檔案：main.py

4) 本地測試呼叫mcp工具

安裝完後啟動：

python main.py

然後在瀏覽器或 Postman 中打開 http://localhost:8000/mcp，你應該會看到類似以下的回應：

event: endpoint
data: /mcp/messages/?session_id=0ecb2715e7bf4300941c04623a3b5d90

下一篇預告

第三篇我們會示範如何在 Kiro 或 VS Code 加上 MCP 設定檔，讓 AI 能 discover 與使用這些工具。