在前三篇，我們完成了一個可運行的 簡易 MCP Server：

1. 用 FastAPI + NASA API 做 baseline
2. 加入 fastapi_mcp，把 API 包裝成 MCP 工具
3. 用 VS Code 連線並實測 AI 如何 discover 與呼叫工具

完整程式碼（包含簡單的測試）已經放在 GitHub 👉 nasa-app-mcp-demo。這個專案的目標很單純：用真實可跑的程式碼，幫助大家理解 MCP 的原理與實際使用方式。

我們已經完成的簡易架構

這就是我們到目前為止搭建起來的「最小可行 MCP Server」：

• End User 提問
• LLM 判斷需要呼叫外部工具
• MCP Client（VS Code copilot）發現並呼叫工具
• MCP Server 執行工具邏輯，連到 NASA API 拿資料

從 Demo 到產品級，可以怎麼延伸？

我們的範例只是展示了 MCP 的最小用法。但如果要走向產品級應用，還有很多方向可以延伸：

1. 資料來源延伸：

• 連接私人 Database：例如連到公司內部的 PostgreSQL / MongoDB，讓 LLM 可以用工具查詢內部資料。
• 接內部 API：不只 NASA，也可以是 CRM、ERP 或醫療系統的 API。

2. 效能與穩定性：

• 快取層（Cache）：避免重複呼叫外部 API，減少延遲與流量成本。
• 批次查詢：將多次請求合併，提升效率。

3. 任務處理模式：

• Queue & Background Jobs：長任務不要卡住回應，例如影像處理、資料分析，可以交給背景工作處理，再回傳 task_id 給 LLM。
• 排程任務：透過排程器（如 Celery Beat、APScheduler）定期更新資料，讓工具隨時可用。

4. 觀測與監控：

• 結構化日誌：記錄每次工具呼叫（參數、結果、耗時）。
• Metrics：用 Prometheus / Grafana 監控工具使用情況與錯誤率。
• Tracing：用 OpenTelemetry 追蹤從 MCP 呼叫到外部 API 的整條鏈路。

5. 安全與管控：

• 權限控制：限制哪些使用者或角色可以呼叫哪些工具。
• 速率限制：避免被濫用或過度消耗資源。
• 審計（Audit Log）：保存誰在什麼時候呼叫了什麼工具，方便合規需求。

6. 與 LLM 的結合方式：

• MCP 本身是「工具介面」，下一步可以思考如何把工具的 結果整合進上下文，讓 LLM 做更進階的推理與決策。
• 也可以建立「工具編排」：LLM 透過 MCP 先呼叫一個工具，再根據結果呼叫另一個，形成工作流程。

總結

這一系列文章，我們：

• 從一個簡單的 FastAPI + NASA API 開始
• 加入 fastapi_mcp，讓 API 變成 AI 可發現的工具
• 用 Kiro / VS Code 連線實測工具呼叫
• 最後探討了如何延伸到產品級應用

MCP 讓我們能夠用很標準化的方式，告訴 LLM「我有哪些工具，你該怎麼用」。它的價值不只是 Demo，而是提供一個 可擴展的 Plug-and-Play 工具化框架，未來可以整合到各種場景：資料庫、內部系統、自動化流程。

👉 到這裡，我們的 MCP 系列就告一段落了。希望透過這個實戰示範，大家能對 MCP 有更清晰的理解，也能激發你把 MCP 用在自己實際的專案中。