MCP 集成

Model Context Protocol (MCP) 是一种开放协议，用于标准化应用如何向 LLMs 提供工具和上下文。来自 MCP 文档：

MCP 是一种开放协议，用于标准化应用如何向 LLMs 提供上下文。可以把 MCP 想象成面向 AI 应用的 USB‑C 接口。就像 USB‑C 为设备连接各种外设和配件提供了标准化方式一样，MCP 为 AI 模型连接不同数据源和工具提供了标准化方式。

本 SDK 支持三种 MCP 服务器类型：

1. 托管 MCP 服务器工具 – 由 OpenAI Responses API 用作工具的远程 MCP 服务器
2. Streamable HTTP MCP 服务器 – 实现了 Streamable HTTP 传输 的本地或远程服务器
3. Stdio MCP 服务器 – 通过标准输入/输出访问的服务器（最简单的选项）

请根据您的用例选择服务器类型：

您的需求	推荐选项
使用默认 OpenAI responses 模型调用可公开访问的远程服务器	1. 托管 MCP 工具
使用可公开访问的远程服务器，但在本地触发工具调用	2. Streamable HTTP
使用本地运行的 Streamable HTTP 服务器	2. Streamable HTTP
使用非 OpenAI‑Responses 模型调用任意 Streamable HTTP 服务器	2. Streamable HTTP
使用仅支持标准 I/O 协议的本地 MCP 服务器	3. Stdio

1. 托管 MCP 服务器工具

托管工具将整个往返流程置于模型内部。不是由您的代码调用 MCP 服务器，而是由 OpenAI Responses API 调用远程工具端点，并将结果流式传回模型。

以下是使用托管 MCP 工具的最简单示例。您可以将远程 MCP 服务器的标签和 URL 传递给 hostedMcpTool 实用函数，便于创建托管 MCP 服务器工具。

hostedAgent.ts

import { Agent, hostedMcpTool } from '@openai/agents';

export const agent = new Agent({
  name: 'MCP Assistant',
  instructions: 'You must always use the MCP tools to answer questions.',
  tools: [
    hostedMcpTool({
      serverLabel: 'gitmcp',
      serverUrl: 'https://gitmcp.io/openai/codex',
    }),
  ],
});

然后，您可以使用 run 函数（或您自定义的 Runner 实例的 run 方法）运行该 Agent：

Run with hosted MCP tools

import { run } from '@openai/agents';
import { agent } from './hostedAgent';

async function main() {
  const result = await run(
    agent,
    'Which language is the repo I pointed in the MCP tool settings written in?',
  );
  console.log(result.finalOutput);
}

main().catch(console.error);

若要流式传输增量 MCP 结果，在运行 Agent 时传入 stream: true：

Run with hosted MCP tools (streaming)

import { run } from '@openai/agents';
import { agent } from './hostedAgent';

async function main() {
  const result = await run(
    agent,
    'Which language is the repo I pointed in the MCP tool settings written in?',
    { stream: true },
  );

  for await (const event of result) {
    if (
      event.type === 'raw_model_stream_event' &&
      event.data.type === 'model' &&
      event.data.event.type !== 'response.mcp_call_arguments.delta' &&
      event.data.event.type !== 'response.output_text.delta'
    ) {
      console.log(`Got event of type ${JSON.stringify(event.data)}`);
    }
  }
  console.log(`Done streaming; final result: ${result.finalOutput}`);
}

main().catch(console.error);

可选审批流程

对于敏感操作，您可以要求对单个工具调用进行人工审批。传入 requireApproval: 'always'，或传入一个精细化对象，将工具名称映射到 'never'/'always'。

如果您可以以编程方式确定某个工具调用是否安全，可以使用 onApproval 回调批准或拒绝该工具调用。如果需要人工审批，您可以像本地函数工具一样，使用相同的基于 interruptions 的人机协作方法。

Human in the loop with hosted MCP tools

import { Agent, run, hostedMcpTool, RunToolApprovalItem } from '@openai/agents';

async function main(): Promise<void> {
  const agent = new Agent({
    name: 'MCP Assistant',
    instructions: 'You must always use the MCP tools to answer questions.',
    tools: [
      hostedMcpTool({
        serverLabel: 'gitmcp',
        serverUrl: 'https://gitmcp.io/openai/codex',
        // 'always' | 'never' | { never, always }
        requireApproval: {
          never: {
            toolNames: ['search_codex_code', 'fetch_codex_documentation'],
          },
          always: {
            toolNames: ['fetch_generic_url_content'],
          },
        },
      }),
    ],
  });

  let result = await run(agent, 'Which language is this repo written in?');
  while (result.interruptions && result.interruptions.length) {
    for (const interruption of result.interruptions) {
      // Human in the loop here
      const approval = await confirm(interruption);
      if (approval) {
        result.state.approve(interruption);
      } else {
        result.state.reject(interruption);
      }
    }
    result = await run(agent, result.state);
  }
  console.log(result.finalOutput);
}

import { stdin, stdout } from 'node:process';
import * as readline from 'node:readline/promises';

async function confirm(item: RunToolApprovalItem): Promise<boolean> {
  const rl = readline.createInterface({ input: stdin, output: stdout });
  const name = item.name;
  const params = item.arguments;
  const answer = await rl.question(
    `Approve running tool (mcp: ${name}, params: ${params})? (y/n) `,
  );
  rl.close();
  return answer.toLowerCase().trim() === 'y';
}

main().catch(console.error);

由 Connector 支持的托管服务器

托管 MCP 也支持 OpenAI connectors。无需提供 serverUrl，改为传入 connector 的 connectorId 和 authorization 令牌。随后 Responses API 会处理身份验证，并通过托管 MCP 接口暴露该 connector 的工具。

Connector-backed hosted MCP tool

import { Agent, hostedMcpTool } from '@openai/agents';

const authorization = process.env.GOOGLE_CALENDAR_AUTHORIZATION!;

export const connectorAgent = new Agent({
  name: 'Calendar Assistant',
  instructions:
    "You are a helpful assistant that can answer questions about the user's calendar.",
  tools: [
    hostedMcpTool({
      serverLabel: 'google_calendar',
      connectorId: 'connector_googlecalendar',
      authorization,
      requireApproval: 'never',
    }),
  ],
});

在此示例中，GOOGLE_CALENDAR_AUTHORIZATION 环境变量保存了从 Google OAuth Playground 获取的 OAuth 令牌，它授权由 connector 支持的服务器调用 Calendar API。有关还演示流式传输的可运行示例，请参见 examples/connectors。

完整可用的示例（托管工具/Streamable HTTP/stdio + 流式传输、HITL、onApproval）请参见我们 GitHub 仓库中的 examples/mcp。

2. Streamable HTTP MCP 服务器

当您的 Agent 直接与本地或远程的 Streamable HTTP MCP 服务器通信时，请使用服务器的 url、name 以及可选设置实例化 MCPServerStreamableHttp：

Run with Streamable HTTP MCP servers

import { Agent, run, MCPServerStreamableHttp } from '@openai/agents';

async function main() {
  const mcpServer = new MCPServerStreamableHttp({
    url: 'https://gitmcp.io/openai/codex',
    name: 'GitMCP Documentation Server',
  });
  const agent = new Agent({
    name: 'GitMCP Assistant',
    instructions: 'Use the tools to respond to user requests.',
    mcpServers: [mcpServer],
  });

  try {
    await mcpServer.connect();
    const result = await run(agent, 'Which language is this repo written in?');
    console.log(result.finalOutput);
  } finally {
    await mcpServer.close();
  }
}

main().catch(console.error);

该构造函数还接受其他 MCP TypeScript‑SDK 选项，例如 authProvider、requestInit、fetch、reconnectionOptions 和 sessionId。详情参阅 MCP TypeScript SDK 仓库及其文档。

3. Stdio MCP 服务器

对于仅通过标准 I/O 暴露的服务器，请使用 fullCommand 实例化 MCPServerStdio：

Run with Stdio MCP servers

import { Agent, run, MCPServerStdio } from '@openai/agents';
import * as path from 'node:path';

async function main() {
  const samplesDir = path.join(__dirname, 'sample_files');
  const mcpServer = new MCPServerStdio({
    name: 'Filesystem MCP Server, via npx',
    fullCommand: `npx -y @modelcontextprotocol/server-filesystem ${samplesDir}`,
  });
  await mcpServer.connect();
  try {
    const agent = new Agent({
      name: 'FS MCP Assistant',
      instructions:
        'Use the tools to read the filesystem and answer questions based on those files. If you are unable to find any files, you can say so instead of assuming they exist.',
      mcpServers: [mcpServer],
    });
    const result = await run(agent, 'Read the files and list them.');
    console.log(result.finalOutput);
  } finally {
    await mcpServer.close();
  }
}

main().catch(console.error);

其他注意事项

对于 Streamable HTTP 和 Stdio 服务器，每次运行 Agent 时可能会调用 list_tools() 来发现可用工具。由于该往返会带来延迟——尤其是远程服务器——您可以通过向 MCPServerStdio 或 MCPServerStreamableHttp 传入 cacheToolsList: true，将结果缓存在内存中。

仅当您确信工具列表不会变化时才启用此功能。若需在之后使缓存失效，请在服务器实例上调用 invalidateToolsCache()。

工具过滤

您可以通过传入静态过滤器 createMCPToolStaticFilter 或自定义函数，来限制每个服务器暴露的工具。以下是一个同时展示两种方式的综合示例：

Tool filtering

import {
  MCPServerStdio,
  MCPServerStreamableHttp,
  createMCPToolStaticFilter,
  MCPToolFilterContext,
} from '@openai/agents';

interface ToolFilterContext {
  allowAll: boolean;
}

const server = new MCPServerStdio({
  fullCommand: 'my-server',
  toolFilter: createMCPToolStaticFilter({
    allowed: ['safe_tool'],
    blocked: ['danger_tool'],
  }),
});

const dynamicServer = new MCPServerStreamableHttp({
  url: 'http://localhost:3000',
  toolFilter: async ({ runContext }: MCPToolFilterContext, tool) =>
    (runContext.context as ToolFilterContext).allowAll || tool.name !== 'admin',
});

延伸阅读

• Model Context Protocol – 官方规范。
• examples/mcp – 上文提到的可运行演示。