OpenAI Agent调用MCP Server案例分析

写在前面

我们之前介绍了MCP协议的概念是什么以及如何使用客户端cline调用MCP服务，再到如何自己动手实现MCP Server demo和MCP Client demo，循序渐进基本对MCP已经有了整体的认识。

模型上下文协议（Model Context Protocol，MCP）初见概念篇
在Cline上调用MCP服务之MCP实践篇
编写第一个MCP Server之Hello world
编写第一个MCP Client之Hello world

那么，MCP是随着Agent应运而生的，自然而言它最终的使用场景还是要回归AI Agent。至今为止市面上的Agent已然琳琅满目，傻瓜化的编排框架也是层出不穷。然而，想要使用MCP Server的Agent框架自然也必须支持MCP协议才行。

今天还是以最通俗易懂的形式来介绍一个OpenAI Agent调用MCP Server的简单案例分析，化繁为简帮助大家体验和进一步理解MCP与Agent的结合编码实现。（其实Agent的过程体验我们在《在Cline上调用MCP服务之MCP实践篇》也早就有过交手）

阅读本文默认已经掌握python语法基础。

一、OpenAI Agent调用MCP Server案例

我们参考openai官方的openai-agents-python教程，以实现一个Agent接入天气查询MCP Server的案例来分析理解。

1、MCP 的两种调用方式SSE/stdio

在案例开始之前先来看下MCP的通信方式。

MCP 的两种主要调用方式如下，其核心差异体现在通信机制和应用场景上：

stdio（标准输入/输出）‌

本地进程通信‌：通过标准输入输出流实现本地进程间的高效交互，适用于本地部署的大模型与工具的直接集成。

特点‌：低延迟、无网络依赖，常用于开发调试或单机环境下的快速原型验证。

SSE（Server-Sent Events）‌

远程实时通信‌：基于 HTTP 的单向事件流协议，支持云端服务与客户端的长连接通信，适合分布式系统中的工具调用。

特点‌：
支持服务端主动推送数据（如持续返回计算中间结果）
兼容主流浏览器和 HTTP 生态
内置断线重连机制保障稳定性

两种方式均遵循统一的 ‌JSON-RPC 2.0‌ 消息格式规范，包含请求（Request）、响应（Response）和通知（Notification）三种标准消息类型，确保不同实现间的互操作性。开发者可根据部署环境和性能需求灵活选择：本地工具链优先采用 stdio，云端服务则推荐 SSE 方案。

类似配置体验如下：

stdio：

SSE：

2、创建并运行一个名为“Weather Server”的服务器实例

注意代码中的相关依赖可以先进行安装，参考官方传送门。

# 导入requests库，用于发送HTTP请求
import requests

# 从mcp.server.fastmcp模块导入FastMCP类
from mcp.server.fastmcp import FastMCP

# 创建一个FastMCP服务器实例，命名为"Weather Server"
# 这里假设mcp.server.fastmcp是一个自定义模块，用于创建和管理服务器
mcp = FastMCP("Weather Server")

# 使用mcp.tool()装饰器定义一个工具函数get_current_weather
# 这个函数接收一个城市名称作为参数，并返回该城市的当前天气信息
@mcp.tool()
def get_current_weather(city: str) -> str:
    # 打印调试信息，显示正在查询的城市天气
    print(f"[debug-server] get_current_weather({city})")
    
    # 定义天气API的端点
    endpoint = "https://wttr.in"
    
    # 使用requests库发送GET请求到天气API，获取指定城市的天气信息
    # 注意：这里直接将城市名称拼接到URL中，实际使用中应考虑URL编码问题
    response = requests.get(f"{endpoint}/{city}")
    # {endpoint}/{city} => https://wttr.in/泉州
    
    # 返回天气API的响应文本，这里假设响应文本是天气信息
    return response.text

# 如果当前脚本作为主程序运行（而非被导入到其他脚本中）
if __name__ == "__main__":
    # 启动mcp服务器，指定传输方式为sse（Server-Sent Events，服务器发送事件）
    # 这里假设FastMCP类支持sse作为通信方式
    mcp.run(transport="sse")

该段Python代码的主要功能是创建并运行一个名为“Weather Server”的服务器实例，该实例利用自定义的FastMCP类（假定来自mcp.server.fastmcp模块）进行管理。服务器上定义了一个工具函数get_current_weather，用于获取指定城市的当前天气信息。

其中，wttr.in 是开源的一个面向控制台的天气预报服务，支持多种信息展示方式，如面向终端的 ANSI 序列，适用于控制台 HTTP 客户端（如 curl、httpie 或 wget），HTML 格式适用于网页浏览器，以及 PNG 格式适用于图形查看器。
仓库地址：https://gitcode.com/gh_mirrors/wt/wttr.in/

接口爱之初体验如下：

3、创建SSE服务器并通过Agent登记调用

# 导入必要的模块
from agents.mcp.server import MCPServerSse  # 导入SSE服务器实现
import asyncio  # Python异步IO库
from agents import Agent, Runner, AsyncOpenAI, OpenAIChatCompletionsModel  # 导入AI代理相关类
from agents.mcp import MCPServer  # 导入MCP服务器接口

# 定义运行函数，接收MCP服务器实例
async def run(mcp_server: MCPServer):
    # 创建外部OpenAI客户端实例
    external_client = AsyncOpenAI(
        api_key="",  # OpenAI API密钥
        base_url="",  # OpenAI API基础URL  https://api.openai.com/v1 OpenAI库已内置该URL
    )
    
    # 创建AI代理实例
    agent = Agent(
        name="Assistant",  # 代理名称
        instructions="Use the tools to answer the questions.",  # 代理指令
        mcp_servers=[mcp_server],  # 关联的MCP服务器列表
        model=OpenAIChatCompletionsModel(  # 使用的模型配置
            model="gpt-4o",  # 模型名称
            openai_client=external_client,  # 使用的OpenAI客户端
        ),
    )

    # 定义测试消息
    message = "泉州今天的天气怎么样？"
    print(f"Running input: {message}")  # 打印运行信息
    
    # 运行代理并获取结果
    result = await Runner.run(starting_agent=agent, input=message)
    print(result.final_output)  # 打印最终输出

# 主函数
async def main():
    # 使用上下文管理器创建SSE服务器实例
    async with MCPServerSse(
            name="SSE Python Server",  # 服务器名称
            params={
                "url": "http://localhost:8000/sse",  # 服务器URL  sse默认是8000
            },
    ) as server:
        await run(server)  # 运行主逻辑

# 程序入口
if __name__ == "__main__":
 	try:
    	asyncio.run(main())  # 运行异步主函数
	finally:

这段代码主要功能是：

创建一个SSE服务器；
配置一个AI代理(使用GPT-4模型)；
通过代理处理用户输入(“泉州今天的天气怎么样？”)；
输出处理结果。

运行将看到类似效果：

Running input: 泉州今天的天气怎么样？
今天泉州的天气是局部多云，气温大约在28℃，风速为 10 km/h，能见度为 10 km。预计全天无降水。

至此，我们的OpenAI Agent调用MCP Server案例分析结束，主要介绍了如何Agent调用MCP的过程。

二、支持MCP的框架有哪些

以下是支持 MCP 协议的 Agent 框架（部分可能暂不支持MCP，使用前请先进行甄别）及相关工具的表格列表（欢迎补充）：

（注：表格内容基于公开技术文档整理，具体实现需参考各框架官方指南）