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 框架及相关工具的表格列表（欢迎补充）：

类型	名称/工具	特点说明
原生支持框架	CrewAI	通过 automcp 实现 MCP 协议转换，支持工具交互
	LangGraph	微软生态框架，深度集成 MCP 协议，适合复杂协作
	Llama Index	数据连接层使用 MCP 协议优化工具调用精准度
可扩展框架	OpenAI Agents SDK	借助 automcp 转换为 MCP 服务器，实现跨平台互操作
	Pydantic AI	模块化设计兼容 MCP，支持快速构建符合企业规范的 Agents
	Spring AI	Java 技术栈通过 MCP Client/Server 架构实现标准化集成
开发平台	Azure AI Foundry	原生集成 MCP 协议栈，提供端到端 Agent 开发支持
	Copilot Studio	可视化配置 MCP 工具链，降低接入门槛
配套工具	automcp	关键协议转换工具，支持 CrewAI/LangGraph 等框架与 MCP 生态无缝对接
	Java MCP SDK	提供 Stdio/HTTP SSE 传输层实现，适配企业级安全规范
其他	dify	Dify是一个开源的大语言模型（LLM）应用开发平台，融合了后端即服务（Backend as Service, BaaS）和 LLMOps 理念，旨在简化和加速生成式AI应用的创建和部署。它支持多种大型语言模型（如OpenAI的GPT系列、Claude3等），并提供强大的数据集管理功能、可视化的 Prompt 编排以及应用运营工具。
	deer-flow	DeerFlow（Deep Exploration and Efficient Research Flow）是一个社区驱动的深度研究框架，它建立在开源社区的杰出工作基础之上。我们的目标是将语言模型与专业工具（如网络搜索、爬虫和 Python 代码执行）相结合，同时回馈使这一切成为可能的社区。

（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）