从零开始开发一个 MCP Server

import datetime
from typing import Optional, Dict, Literal
from pydantic import BaseModel, Field
from enum import Enum

from ..schemas import MediaType


# 通过定义枚举类，可以确保AI传入可选项
class DoubanSort(str, Enum):
    """
    豆瓣排序方式枚举
    """
    U = 'U'  # 综合排序
    R = 'R'  # 首播时间
    T = 'T'  # 近期热度
    S = 'S'  # 高分优先


class DoubanCategory(str, Enum):
    """
    豆瓣风格枚举
    """
    # 各种风格···


class DoubanZone(str, Enum):
    """
    豆瓣地区枚举
    """
    # 各种地区···


# 这里定义了一个动态生成年代列表的函数，后续会用到
def get_available_years() -> list[str]:
    """
    动态生成可用的年份和年代选项列表
    """
    # 基础年代
    decade_list = [
        '2020年代',
        '2010年代',
        '2000年代',
        '90年代',
        '80年代',
        '70年代',
        '60年代',
    ]

    # 动态添加当前年份及往前5年
    current_year = datetime.date.today().year
    dynamic_years = []
    for i in range(6):
        year_str = str(current_year - i)
        dynamic_years.append(year_str)

    # 这里将动态年份放在前面
    return dynamic_years + decade_list


# 实际Tool入参的模型定义
class DoubanDiscover(BaseModel):
    """
    豆瓣发现
    """
    media_type: MediaType = Field(default=MediaType.MOVIES, description="媒体类型")  # 在Field里添加description，可以让AI知晓对应字段的含义
    sort: DoubanSort = Field(default=DoubanSort.U, description="排序方式")
    category: Optional[DoubanCategory] = Field(default=None, description="风格")
    zone: Optional[DoubanZone] = Field(default=None, description="地区")
    year: Optional[Literal[*get_available_years()]] = Field(default=None,
                                                            description="年份或年代，为年份时仅包含该年份的媒体")  # 通过Literal，可以让AI在指定参数列表中选择，并自带参数校验

# 模型相关逻辑定义···

import argparse
from typing import List, Dict, Any, Optional, Literal

from fastmcp import FastMCP

# 实际MoviePilot的豆瓣发现api
from moviepilot_mcp.apis import discover
# 在上一步中定义的Pydantic Model
from moviepilot_mcp.schemas.douban_discover import DoubanDiscover


# MCP Server定义
mcp = FastMCP(
    name="MoviePilot MCP Server",
    instructions="本服务器提供Movie Pilot媒体库管理相关工具，包括推荐、探索、搜索、订阅和下载等功能。",
)

# MCP Tool定义，也就是AI最终能够使用的工具
# Docstring会作为tool描述传给AI，因此确保尽可能清晰明确
@mcp.tool()
async def discover_douban_media(
        filters: DoubanDiscover, # 我们定义的Pydantic模型
        page: int = 1,
) -> List[Dict[str, Any]]:
    """
    基于过滤条件探索豆瓣电影/电视剧

    Args:
        filters: 过滤条件
        page: 页码

    Returns:
        媒体信息列表。
    """

    # 通过AI的入参调用实际API
    return await discoverApi.discover_douban(filters, page)

# 其他tool定义···

# 启动服务器
if __name__ == "__main__":
	mcp.run(）