OpenAI Agents SDK 现已支持 MCP（模型上下文协议），这是 AI 互操作性的重大变革。这使开发人员能够高效地将 AI 模型连接到外部工具和数据源。本篇博客，笔者将指导使用 OpenAI Agents SDK 构建 MCP 服务器，以增强你的 AI 应用程序。
MCP 服务器（Model Context Protocol Server）是模型上下文协议（MCP）的重要组成部分，它是一种专门设计的程序，使 AI 模型（如 Anthropic 的模型）能够安全、标准化地访问和使用外部数据与工具。自 2024 年 11 月推出以来，MCP 服务器扩展了 AI 的能力，使其不仅能生成文本，还能直接与计算机文件、数据库，甚至 GitHub 等服务进行交互。
可以将 MCP 服务器比作 AI 访问外部资源的“接口”，类似于 USB 端口让计算机与不同设备连接。例如，当用户请求 AI 总结一份文档时，AI 可以通过 MCP 服务器直接提取系统中的文件进行处理。同样，如果需要创建 GitHub 问题或查询数据库，MCP 服务器也能提供支持。
MCP 服务器的核心功能包括：
借助 MCP 服务器，AI 的应用场景进一步拓展，使其能够更高效地完成复杂任务，提升生产力和用户体验。
MCP 采用客户端-服务器架构运行，确保 AI 高效、安全地访问和利用外部数据。其结构由以下核心组件组成：
该架构支持主机通过客户端连接多个 MCP 服务器，每个服务器都提供独立的功能，实现模块化、灵活的集成。MCP 服务器主要提供以下三种类型的公开接口：
1.核心特性
2.技术架构
MCP 服务器通过 JSON-RPC 端点 公开功能，允许客户端查询和调用可用的资源、工具和提示。
例如：
这种标准化协议不仅提升了 AI 在数据处理、自动化工作流等场景的能力，还保证了高度的安全性与可控性，使其成为 AI 生态中的关键组件。
MCP 服务器与传统 API 都能让软件与外部服务交互，但它们在 AI 环境 中的用途和运作方式存在显著差异：
1. 适用场景
2. 交互方式
3. 标准化与扩展性
4. 安全性
5.示例对比
在传统 API 方案中，AI 想获取天气数据需要：
使用 MCP 服务器，AI 只需调用 get_weather 工具，服务器会直接返回格式化的天气信息，简化流程，提高效率。
OpenAI Agents SDK 是一个 Python 库，旨在简化由 OpenAI 语言模型支持的 AI 代理的开发。它为开发人员提供了创建特定于任务的代理、集成外部功能、管理代理间任务委托、执行输入/输出验证和监控执行流程的工具。
OpenAI Agents SDK 提供了一个结构化的框架，用于构建多代理系统，其中每个代理都经过定制以执行特定任务。这些代理可以与用户交互，通过集成工具执行操作，并通过将任务传递给其他代理进行协作。SDK 的关键组件包括：
正确设置对于有效使用 OpenAI Agents SDK 至关重要。介绍先决条件、环境设置、安装和验证。
虚拟环境隔离了项目依赖关系，防止与其他 Python 项目发生冲突。要创建并激活虚拟环境，请执行以下操作：
Linux / macOS：
python -m venv agents_env
source agents_env/bin/activate
Windows：
python -m venv agents_env
agents_env\Scripts\activate
一旦激活，你的终端提示符应该反映环境（例如(agents_env)）。此步骤是 Python 开发的最佳实践，可确保工作空间干净。
在虚拟环境处于活动状态的情况下，使用 pip 安装 SDK：
pip install openai-agents
此命令从 PyPI 获取最新版本的 SDK 及其依赖项。要确认安装，请运行：
pip show openai-agents-python
这将显示元数据，包括版本号，确认包已安装。
SDK 需要 OpenAI API 密钥才能运行。将其设置为环境变量以避免将其嵌入到代码中，从而增强安全性：
Linux / macOS：
export OPENAI_API_KEY='your-api-key'
Windows：
set OPENAI_API_KEY='your-api-key'
要使其在会话间持久化，请将命令添加到 shell 配置文件中（例如，.bashrc在.zshrcUnix 系统上）。或者，你可以在 Python 中以编程方式设置它，比如：
import os os.environ["OPENAI_API_KEY"] = "your-api-key"
使用最小代理测试设置以确保一切正常：
from agents import Agent, Runner agent = Agent(name="TestAgent", instructions="Return 'Setup successful'") result = Runner.run_sync(agent, "Run test") print(result.final_output) # Expected output: "Setup successful"
如果显示“安装成功”，则表示您的安装已正常运行。常见问题包括：
代理是 SDK 的基本构建块，每个代理都由独特的角色和行为定义。
该类Agent用于实例化代理。关键参数包括：
这是一个简单的算术代理：
from agents import Agent, Runner agent = Agent( name="MathAgent", instructions="Solve arithmetic expressions." ) result = Runner.run_sync(agent, "Calculate 10 * 2") print(result.final_output) # Output: "20"
该Runner.run_sync方法同步执行代理，返回带有final_output属性的结果对象。
通过调整参数来定制满足特定需求的代理：
agent = Agent( name="CreativeWriter", instructions="Write a short story based on the prompt.", model="gpt-4", temperature=0.9 ) result = Runner.run_sync(agent, "A robot in a distant galaxy") print(result.final_output) # Output: A creative story
使用 OpenAI Agents SDK 构建 MCP 服务器的先决条件，在开始之前，请确保您已：
# Create a new directory for your project mkdir mcp-agent-project && cd mcp-agent-project # Initialize a Python virtual environment python -m venv venv && source venv/bin/activate # Install the required dependencies pip install openai-agents pyyaml
设置一个配置文件，用于mcp_agent.config.yaml定义 MCP 服务器。此配置指向用于访问本地文件的文件系统 MCP 服务器。
根据 MCP 规范定义，MCP 服务器有两种类型：
OpenAI Agents SDK 提供了两个类来处理这些服务器：
根据应用程序的架构和延迟要求选择服务器类型。Stdio 服务器是本地开发的理想选择，而 SSE 服务器更适合分布式系统。
从 OpenAI Agents SDK 导入必要的类并定义您的 MCP 服务器：
from openai_agents import Agent, MCPServerStdio # Define path to your sample files samples_dir = "/path/to/your/files" # Use async context manager to initialize the server async with MCPServerStdio( params={ "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", samples_dir], } ) as server: # List tools provided by the MCP server tools = await server.list_tools() # Create an agent that uses the MCP server agent = Agent( name="Assistant", instructions="Use the filesystem tools to help the user with their tasks.", mcp_servers=[server] ) # Run the agent result = await agent.run("List the files in the directory.")
此设置允许代理在执行期间动态使用文件系统工具。
list_tools()每次代理运行时，MCP 服务器都会调用，这可能会导致延迟，尤其是使用远程服务器时。为了减少这种开销，你可以启用工具缓存：
# Enable caching when initializing the server async with MCPServerStdio( params={ "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", samples_dir], }, cache_tools_list=True # Enable caching ) as server: # The tools list will be cached after the first call tools = await server.list_tools()
缓存的重要注意事项：
要将 MCP 服务器与你的代理完全集成：
from openai_agents import Agent, MCPServerStdio, MCPServerSse async def run_agent_with_mcp_servers(): # Initialize local stdio MCP server local_server = MCPServerStdio( params={ "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "./local_files"], }, cache_tools_list=True ) # Initialize remote SSE MCP server (if needed) remote_server = MCPServerSse( url="<https://your-remote-mcp-server.com/stream>", cache_tools_list=True ) async with local_server, remote_server: # Create agent with both servers agent = Agent( name="MultiToolAgent", instructions="Use the available tools to accomplish tasks.", mcp_servers=[local_server, remote_server] ) # Run the agent result = await agent.run("Complete the requested task using appropriate tools.") return result
这种方法使您的代理可以通过标准化 MCP 接口访问本地和远程工具。
有效的调试和监控策略包括：
使用 OpenAI Agents SDK 构建 MCP 服务器为使用外部工具和数据源增强 AI 代理开辟了新的可能性。标准化的 MCP 接口使跨不同环境的集成更简单、更可靠。
本篇博客作为参考，你可以创建功能强大的代理，通过模型上下文协议利用本地和远程资源。随着 MCP 生态系统的不断发展，您的代理将能够访问不断扩展的工具和功能。
这篇博客就和大家分享到这里，如果大家在研究学习的过程当中有什么问题，可以加群进行讨论或发送邮件给我，我会尽我所能为您解答，与君共勉！
另外，博主出新书了《深入理解Hive》、同时已出版的《Kafka并不难学》和《Hadoop大数据挖掘从入门到进阶实战》也可以和新书配套使用，喜欢的朋友或同学， 可以在公告栏那里点击购买链接购买博主的书进行学习，在此感谢大家的支持。关注下面公众号，根据提示，可免费获取书籍的教学视频。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。