基于FastMCP实现Gemini CLI与MCP工具的交互式流程开发疑问

核心是利用Gemini SDK的ChatSession类维护对话上下文，同时适配FastMCP的工具流程，实现文件处理+多轮交互的完整逻辑。

步骤1：安装依赖 #

先安装Gemini SDK：

pip install google-generativeai

步骤2：完整代码实现 #

from fastmcp import FastMCP
import google.generativeai as genai

# 配置Gemini API密钥（从Google AI Studio获取）
genai.configure(api_key="你的API_KEY")

mcp = FastMCP("Demo")

# 初始化Gemini对话模型
model = genai.GenerativeModel("gemini-pro")

@mcp.tool
def demo_tool(filename: str) -> str:
    """处理文件并与用户进行带上下文的多轮交互"""
    # 步骤1：读取并处理文件（替换为你的业务逻辑）
    def Process(file_path):
        with open(file_path, 'r', encoding='utf-8') as f:
            content = f.read()
        # 整理为用户可讨论的结构化数据
        return f"文件处理完成，可讨论内容预览：\n{content[:500]}..."

    processed_data = Process(filename)

    # 步骤2：初始化Gemini会话，传入文件数据作为初始上下文
    chat_session = model.start_chat(history=[
        {"role": "user", "parts": f"基于以下文件内容展开讨论：{processed_data}"},
        {"role": "model", "parts": "请告诉我具体讨论方向，输入'cancel'结束对话。"}
    ])

    # 步骤3：多轮交互，自动维护上下文
    print(chat_session.history[-1]['parts'][0])
    user_input = ""
    while user_input != 'cancel':
        user_input = input("输入你的问题：")
        if user_input == 'cancel':
            break
        # 发送请求，会话自动保存历史上下文
        response = chat_session.send_message(user_input)
        print(f"Gemini回复：{response.text}")

    # 步骤4：基于完整对话生成最终输出
    final_summary = chat_session.send_message("总结本次对话的核心内容和结论")
    return f"交互结束，最终总结：\n{final_summary.text}"

关键细节说明 #

• 上下文维护：ChatSession会自动存储每一轮的用户输入与模型回复，后续调用send_message时会自动携带历史对话，无需手动管理上下文列表。
• FastMCP适配：工具函数最终返回字符串结果，符合FastMCP的要求；交互过程中的print仅用于实时反馈给用户，不影响工具的返回逻辑。
• 文件处理扩展：将Process函数内的代码替换为你的实际业务逻辑，比如解析CSV、提取JSON字段、生成统计数据等。

内容的提问来源于stack exchange，提问作者Yahav Festinger