MCP 集成

Model Context Protocol (MCP) 是一种开放协议，用于规范应用如何向 LLM 提供工具与上下文。摘自 MCP 文档：

MCP 是一种开放协议，用于规范应用如何向 LLM 提供上下文。可以把 MCP 想象成 AI 应用的 USB-C 接口。正如 USB-C 为你的设备连接各种外设和配件提供了统一标准，MCP 为将 AI 模型连接到不同数据源和工具提供了统一方式。

本 SDK 支持三类 MCP 服务器：

托管 MCP 服务器工具（Hosted MCP server tools）——由 OpenAI Responses API 作为工具调用的远程 MCP 服务器
Streamable HTTP MCP 服务器——实现了 Streamable HTTP 传输的本地或远程服务器
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）

注意：SDK 还包含用于传统 Server‑Sent Events 传输的 MCPServerSSE，但 SSE 已被 MCP 项目弃用。新的集成优先选择 Streamable HTTP 或 stdio。

根据你的用例选择服务器类型：

你的需求	推荐选项
使用默认的 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 模型访问任意 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

托管工具将整段往返交互推入模型内。你的代码不直接调用 MCP 服务器，而是由 OpenAI Responses API 调用远程工具端点，并将结果流式返回给模型。

下面是使用托管 MCP 工具的最简单示例。你可以将远程 MCP 服务器的标签和 URL 传给 hostedMcpTool 辅助函数，用于创建托管 MCP 服务器工具。

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，你可以使用 run 函数（或你自定义的 Runner 实例的 run 方法）运行该 Agent：

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：

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，你可以要求对每次工具调用进行人工审批。传入 requireApproval: 'always'，或传入一个细粒度对象，将工具名映射到 'never'/'always'。

如果你能以编程方式判断一次工具调用是否安全，可以使用 onApproval 回调来批准或拒绝该调用。若你需要人工审批，可以使用与本地函数工具相同的基于 interruptions 的人机协作（HITL）方法。

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);

由连接器支持的托管服务器

托管 MCP 也支持 OpenAI connectors。无需提供 serverUrl，改为传入连接器的 connectorId 和 authorization 令牌。Responses API 将处理认证，并通过托管 MCP 接口暴露该连接器的工具。

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，环境变量 GOOGLE_CALENDAR_AUTHORIZATION 保存了从 Google OAuth Playground 获取的 OAuth 令牌，它授权由连接器支持的服务器调用 Calendar API。要查看包含流式演示的可运行示例，请参见examples/connectors。

在我们的 GitHub 仓库中，完整可运行的示例（托管工具/Streamable HTTP/stdio + 流式、HITL、onApproval）位于 examples/mcp。

2. Streamable HTTP MCP 服务器

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

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);

构造函数选项：

选项	类型	说明
`url`	`string`	Streamable HTTP 服务器 URL。
`name`	`string`	服务器的可选标签。
`cacheToolsList`	`boolean`	缓存工具列表以降低延迟。
`clientSessionTimeoutSeconds`	`number`	MCP 客户端会话超时时间。
`toolFilter`	`MCPToolFilterCallable \| MCPToolFilterStatic`	过滤可用工具。
`toolMetaResolver`	`MCPToolMetaResolver`	为每次调用注入 MCP 请求字段 `_meta`。
`errorFunction`	`MCPToolErrorFunction \| null`	将 MCP 调用失败映射为模型可见的文本。
`timeout`	`number`	每次请求的超时时间（毫秒）。
`logger`	`Logger`	自定义日志记录器。
`authProvider`	`OAuthClientProvider`	来自 MCP TypeScript SDK 的 OAuth 提供方。
`requestInit`	`RequestInit`	请求的 fetch 初始化选项。
`fetch`	`FetchLike`	自定义 fetch 实现。
`reconnectionOptions`	`StreamableHTTPReconnectionOptions`	重连调优选项。
`sessionId`	`string`	MCP 连接的显式会话 ID。

构造函数还接受其他 MCP TypeScript SDK 选项，如 authProvider、requestInit、fetch、reconnectionOptions 和 sessionId。详见 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，使用 fullCommand 实例化 MCPServerStdio：

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);

构造函数选项：

选项	类型	说明
`command` / `args`	`string` / `string[]`	stdio 服务器的命令与参数。
`fullCommand`	`string`	`command` + `args` 的完整命令字符串替代。
`env`	`Record<string, string>`	服务器进程的环境变量。
`cwd`	`string`	服务器进程的工作目录。
`cacheToolsList`	`boolean`	缓存工具列表以降低延迟。
`clientSessionTimeoutSeconds`	`number`	MCP 客户端会话超时时间。
`name`	`string`	服务器的可选标签。
`encoding`	`string`	stdio 流的编码。
`encodingErrorHandler`	`'strict' \| 'ignore' \| 'replace'`	编码错误处理策略。
`toolFilter`	`MCPToolFilterCallable \| MCPToolFilterStatic`	过滤可用工具。
`toolMetaResolver`	`MCPToolMetaResolver`	为每次调用注入 MCP 请求字段 `_meta`。
`errorFunction`	`MCPToolErrorFunction \| null`	将 MCP 调用失败映射为模型可见的文本。
`timeout`	`number`	每次请求的超时时间（毫秒）。
`logger`	`Logger`	自定义日志记录器。

管理 MCP 服务器生命周期

当需要使用多个 MCP 服务器时，你可以使用 connectMcpServers 将它们连接在一起、跟踪失败并在一个地方统一关闭。该辅助函数返回一个包含 active、failed 和 errors 集合的 MCPServers 实例，你可以只将健康的服务器传给你的智能体。

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

async function main() {
  const servers = [
    new MCPServerStreamableHttp({
      url: 'https://mcp.deepwiki.com/mcp',
      name: 'DeepWiki MCP Server',
    }),
    new MCPServerStreamableHttp({
      url: 'http://localhost:8001/mcp',
      name: 'Local MCP Server',
    }),
  ];

  const mcpServers = await connectMcpServers(servers, {
    connectInParallel: true,
  });

  try {
    console.log(`Active servers: ${mcpServers.active.length}`);
    console.log(`Failed servers: ${mcpServers.failed.length}`);
    for (const [server, error] of mcpServers.errors) {
      console.warn(`${server.name} failed to connect: ${error.message}`);
    }

    const agent = new Agent({
      name: 'MCP lifecycle agent',
      instructions: 'Use MCP tools to answer user questions.',
      mcpServers: mcpServers.active,
    });

    const result = await run(
      agent,
      'Which language is the openai/codex repository written in?',
    );
    console.log(result.finalOutput);
  } finally {
    await mcpServers.close();
  }
}

main().catch(console.error);

适用场景：

同时连接多个服务器：并行连接所有服务器，并将 mcpServers.active 传给智能体。
部分失败处理：检查 failed 和 errors，决定继续还是重试。
重试失败服务器：调用 mcpServers.reconnect()（默认仅重试失败的服务器）。

如果你需要严格的“要么全连上，要么全失败”或不同的超时时间，使用 connectMcpServers(servers, options) 并根据你的环境调整选项。

connectMcpServers 选项：

选项	类型	默认值	说明
`connectTimeoutMs`	`number \| null`	`10000`	每个服务器 `connect()` 的超时时间。使用 `null` 可禁用。
`closeTimeoutMs`	`number \| null`	`10000`	每个服务器 `close()` 的超时时间。使用 `null` 可禁用。
`dropFailed`	`boolean`	`true`	将失败的服务器从 `active` 中排除。
`strict`	`boolean`	`false`	若任一服务器连接失败则抛出异常。
`suppressAbortError`	`boolean`	`true`	忽略类似 abort 的错误，同时仍跟踪失败的服务器。
`connectInParallel`	`boolean`	`false`	并发连接所有服务器，而非按顺序连接。

mcpServers.reconnect(options) 支持：

选项	类型	默认值	说明
`failedOnly`	`boolean`	`true`	仅重试失败服务器（`true`），或重连所有（`false`）。

异步释放（可选）

如果你的运行时支持 Symbol.asyncDispose，MCPServers 也支持 await using 模式。在 TypeScript 中，在 tsconfig.json 启用 esnext.disposable：

{
  "compilerOptions": {
    "lib": ["ES2018", "DOM", "esnext.disposable"]
  }
}

然后你可以这样写：

await using mcpServers = await connectMcpServers(servers);

其他须知

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。由于该往返会增加延迟（尤其是远程服务器），你可以通过向 MCPServerStdio 或 MCPServerStreamableHttp 传入 cacheToolsList: true 将结果缓存在内存中。

仅当你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，在服务器实例上调用 invalidateToolsCache()。

工具过滤

你可以通过传入静态过滤器（使用 createMCPToolStaticFilter）或自定义函数来限制每个服务器暴露的工具。下面是一个同时展示两种方法的综合示例：

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',
});