如果已經有點開發經驗，應該聽過 Pydantic。
它的任務很簡單：幫你檢查資料格式，確保工具不會亂吃東西。

為什麼需要 Pydantic？

假設我們有一個情緒分析的工具，期待輸入是：

{"texts": ["今天好開心", "這餐好難吃"]}

但使用者不小心傳了：

{"text": "今天好開心"}

如果沒有Pydantic去檢查，可能直接爆炸（不是指物理性爆炸那種，是程式直接crash的意思）
有了Pydantic後，就能在進入工具之前，先驗證輸入格式。

在FastMCP裡的用法

FastMCP支援我們用Pydantic Model來定義參數
例如以下例子：

from pydantic import BaseModel
from mcp.server.fastmcp import FastMCP

class SentimentRequest(BaseModel):
    texts: list[str]

mcp = FastMCP(name="sentiment")

@mcp.tool()
async def sentiment(payload: SentimentRequest):
    return {"result": [analyze(t) for t in payload.texts]}

這樣一來：
使用者輸入錯誤，會在「進工具前」就被擋下來。
工具輸出也能用Pydantic定義，保持一致性。

小結

Pydantic如同一層「保護網」，確保MCP的工具不會因為輸入亂七八糟而崩潰。

明天 (Day19) 我們要往更高層級走：Workflows。