大家好，鐵人賽堂堂邁入第十七天！
在過去幾天，我們學會了如何用 adk-mcp 在本地端建立和測試 MCP 伺服器與工具。但一個真正的 AI 工具，不能只活在開發者的電腦裡，它需要被部署到雲端，成為一個穩定、公開、可供全球任何 AI Host 呼叫的強大服務。
今天，我們將走完這「最後一哩路」。我們將以 Day 15 的天氣工具為基礎，使用 FastAPI 將其封裝成一個專業的 Web API，用 Docker 將其容器化，並將其免費部署到 Render.com 雲端平台，最終在我們熟悉的 OpenWebUI 中，成功呼叫這個部署在雲端的自訂工具！
這將是一段充滿成就感的旅程，讓我們開始吧！
目標：將 Python 天氣查詢功能，從一個單純的函式，封裝成一個可透過網路呼叫的專業 API 服務。
一個結構清晰的專案是成功的開始。我們建立如下的目錄結構：
weather_tool/
├── app/
│ ├── .env # 存放機敏資訊，如 API 金鑰
│ ├── main.py # FastAPI 伺服器核心程式碼
│ └── requirements.txt # 專案依賴的 Python 套件
├── .dockerignore # Docker 建置時忽略的檔案
├── .gitignore # Git 版本控制忽略的檔案
└── Dockerfile # 容器化設定檔
app/requirements.txt)我們需要以下幾個核心套件：
fastapi: 我們的主角，高效能的 Web 框架。uvicorn: ASGI 伺服器，負責運行 FastAPI 應用。requests: 用於呼叫外部 API (中央氣象署)。python-dotenv: 方便在本地開發時讀取 .env 檔案。pydantic: FastAPI 底層使用的資料驗證利器。app/main.py)這是我們專案的心臟。我們使用 FastAPI 框架來建立一個 Web 應用。
(您的 main.py 程式碼寫得非常棒，結構清晰、錯誤處理也很完善，我會直接沿用並在文章中強調其優點)
import os
import urllib.parse
import requests
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from dotenv import load_dotenv
# 載入 .env 檔案 (主要用於本地測試，部署時會直接用服務的環境變數)
load_dotenv()
app = FastAPI(
title="台灣天氣預報 API (Taiwan Weather Forecast API)",
description="一個簡單的 API，用於查詢台灣各縣市的即時天氣預報。",
version="1.0.0",
)
# --- 核心天氣查詢邏輯 ---
TAIWAN_CITIES = [
"臺北市", "新北市", "桃園市", "臺中市", "臺南市", "高雄市",
"基隆市", "新竹市", "嘉義市", "新竹縣", "苗栗縣", "彰化縣",
"南投縣", "雲林縣", "嘉義縣", "屏東縣", "宜蘭縣", "花蓮縣",
"臺東縣", "澎湖縣", "金門縣", "連江縣"
]
def get_weather(city: str) -> dict:
"""根據城市名稱查詢天氣，並以結構化字典格式回傳。"""
normalized_city = city.replace("台", "臺")
if normalized_city not in TAIWAN_CITIES:
raise HTTPException(status_code=404, detail=f"找不到城市 '{city}' 的天氣資訊。")
auth_token = os.getenv("CWA_AUTH_TOKEN")
if not auth_token:
raise HTTPException(status_code=500, detail="伺服器未設定 CWA_AUTH_TOKEN。")
base_url = "https://opendata.cwa.gov.tw/api/v1/rest/datastore/F-C0032-001"
encoded_location_name = urllib.parse.quote(normalized_city)
full_api_url = f"{base_url}?Authorization={auth_token}&locationName={encoded_location_name}"
try:
response = requests.get(full_api_url, timeout=10)
response.raise_for_status()
data = response.json()
location_data = data['records']['location'][0]
weather_elements = location_data['weatherElement']
time_info = weather_elements[0]['time'][0]
# 提取所有天氣元素
weather_condition = next(p['parameter']['parameterName'] for p in weather_elements[0]['time'] if p['startTime'] == time_info['startTime'])
rain_prob = next(p['parameter']['parameterName'] for p in weather_elements[1]['time'] if p['startTime'] == time_info['startTime'])
min_temp = next(p['parameter']['parameterName'] for p in weather_elements[2]['time'] if p['startTime'] == time_info['startTime'])
max_temp = next(p['parameter']['parameterName'] for p in weather_elements[4]['time'] if p['startTime'] == time_info['startTime'])
return {
"city": city,
"start_time": time_info['startTime'],
"end_time": time_info['endTime'],
"weather_condition": weather_condition,
"rain_probability_percent": int(rain_prob),
"min_temp_celsius": int(min_temp),
"max_temp_celsius": int(max_temp),
}
except (requests.exceptions.RequestException, KeyError, IndexError, StopIteration) as e:
raise HTTPException(status_code=503, detail=f"查詢天氣資料失敗：{e}")
# --- API 端點定義 ---
class WeatherRequest(BaseModel):
city: str
@app.post("/get_weather_forecast", summary="取得天氣預報")
def api_get_weather(request: WeatherRequest):
"""
接收一個城市名稱，回傳該城市的天氣預報。
這是給 Claude 使用的主要工具函式。
"""
return get_weather(request.city)
@app.get("/")
def read_root():
return {"status": "ok", "message": "天氣預報 API 正在運行"}
程式碼亮點解析：
- 關注點分離： 核心查詢邏輯 (
get_weather) 與 API 端點定義 (@app.post) 分開，程式碼更易於維護和測試。- 環境變數： CWA 的
auth_token從環境變數讀取，避免了將機敏資訊寫死在程式碼中的安全風險。- 自動化文件： FastAPI 最強大的功能之一！只要我們的程式碼寫好，它就會自動在
/docs和/openapi.json路徑，生成符合 OpenAPI 標準的互動式 API 說明書。這正是接下來 OpenWebUI 能「讀懂」我們工具的關鍵！
.gitignore)建立 .gitignore 檔案，確保 app/.env、venv/ 和 __pycache__/ 等檔案不會被上傳到 GitHub，保障我們的 API 金鑰安全。
# Git and Docker files
.git
.gitignore
Dockerfile
.dockerignore
# Python (與 .gitignore 重疊)
__pycache__/
*.pyc
venv/
.venv/
# Secrets (與 .gitignore 重疊)
app/.env
目標：將我們的 FastAPI 應用程式及其所有複雜的依賴項，打包成一個標準化、輕量且可移植的 Docker 映像檔。
Dockerfile 就像一張「安裝說明書」，告訴 Docker 如何一步步建置我們的應用程式環境。
# 使用輕量的 Python 基礎映像檔
FROM python:3.11-slim
# 設定工作目錄
WORKDIR /code
# 複製 Python 應用程式碼與依賴項文件
COPY ./app/requirements.txt /code/requirements.txt
COPY ./app /code/app
# 安裝依賴項
RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
# 開放 80 port (Render 預設會連接到容器的 80 port)
EXPOSE 80
# 容器啟動時執行的命令
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "80"]
在專案根目錄下，執行 docker build -t my-weather-tool . 指令。Docker 就會按照說明書，為我們打造一個包含所有程式碼和依賴項的應用程式。
目標：將 Docker 映像檔部署到公開的雲端平台 (Render.com)，讓它獲得一個全球皆可訪問的穩定網址。
將整個 weather_tool 專案（除了被 .gitignore 忽略的檔案）推送到您個人的 GitHub 倉庫。
Render 是一個對開發者非常友善的雲端平台，尤其對 Docker 專案的支援極佳。
weather_tool 倉庫。Dockerfile 並選擇以 Docker 方式部署。Key 為 CWA_AUTH_TOKEN 的變數，並將您有效的 API 金鑰作為 Value 填入。這是確保雲端伺服器能成功呼叫 CWA API 的關鍵步驟。部署成功後，從 Render 儀表板複製您的服務公開網址，例如 https://my-weather-tool.onrender.com。
萬事俱備，只欠東風！現在，我們要讓本地的 OpenWebUI，去呼叫我們部署在雲端的個人專屬天氣工具。
Settings -> Tools。Add a tool，並填寫您部署在 Render 上的服務位址：
https://my-weather-tool.onrender.com/openapi.json
None。/openapi.json，並理解我們 API 的所有能力。
現在，你可以正式對你的 AI 下達指令了！
幫我查一下臺中的天氣怎麼樣？
AI 模型會接收到你的問題，發現它需要天氣資訊，然後跨越網際網路，去呼叫我們部署在 Render 雲端上的 FastAPI 服務，獲取即時、準確的天氣資料，最終生成完美的回答！
今天，我們完成了一項令人振奮的、端到端的全流程實戰。我們從一個本地的 Python 函式開始，最終將它變成了一個全球可用的雲端 AI 工具。
我們掌握了：
這不僅僅是 MCP 的一次實踐，更是現代 AI 應用開發 (LLM Ops) 的一個縮影。你現在所擁有的，不僅是一個聊天機器人，而是一個具備了雲端擴充能力的、真正屬於你自己的 AI 平台。
iThome鐵人賽
看影片追技術