Model context protocol (MCP)

Model context protocol (MCP)은 애플리케이션이 도구와 컨텍스트를 언어 모델에 노출하는 방식을 표준화합니다. 공식 문서에서:

MCP는 애플리케이션이 LLMs에 컨텍스트를 제공하는 방식을 표준화하는 오픈 프로토콜입니다. MCP를 AI 애플리케이션을 위한 USB-C 포트라고 생각해 보세요. USB-C가 다양한 주변기기와 액세서리를 기기에 연결하는 표준화된 방법을 제공하듯, MCP는 AI 모델을 다양한 데이터 소스와 도구에 연결하는 표준화된 방법을 제공합니다.

Agents Python SDK는 여러 MCP 전송 방식을 이해합니다. 이를 통해 기존 MCP 서버를 재사용하거나 직접 구축하여 파일 시스템, HTTP 또는 커넥터 기반 도구를 에이전트에 노출할 수 있습니다.

Choosing an MCP integration

에이전트에 MCP 서버를 연결하기 전에 도구 호출이 어디에서 실행되어야 하는지, 그리고 어떤 전송 방식을 사용할 수 있는지 결정하세요. 아래 매트릭스는 Python SDK가 지원하는 옵션을 요약합니다.

필요한 것	권장 옵션
모델을 대신해 OpenAI의 Responses API가 공개적으로 접근 가능한 MCP 서버를 호출하도록 설정	호스티드 MCP 서버 도구 via HostedMCPTool
로컬 또는 원격에서 실행하는 Streamable HTTP 서버에 연결	Streamable HTTP MCP 서버 via MCPServerStreamableHttp
Server-Sent Events를 사용하는 HTTP를 구현한 서버와 통신	HTTP with SSE MCP 서버 via MCPServerSse
로컬 프로세스를 실행하고 stdin/stdout을 통해 통신	stdio MCP 서버 via MCPServerStdio

아래 섹션에서는 각 옵션, 구성 방법, 그리고 언제 어떤 전송 방식을 선호해야 하는지 설명합니다.

1. Hosted MCP server tools

호스티드 툴은 전체 도구 왕복 호출을 OpenAI 인프라로 이동합니다. 사용자의 코드가 도구를 나열하고 호출하는 대신, HostedMCPTool이 서버 레이블(및 선택적 커넥터 메타데이터)을 Responses API로 전달합니다. 모델은 원격 서버의 도구를 나열하고 추가적인 Python 프로세스 콜백 없이 이를 호출합니다. 호스티드 툴은 현재 Responses API의 호스티드 MCP 연동을 지원하는 OpenAI 모델과 함께 작동합니다.

Basic hosted MCP tool

에이전트의 tools 목록에 HostedMCPTool을 추가하여 호스티드 툴을 생성합니다. tool_config 딕셔너리는 REST API에 보낼 JSON과 동일합니다:

import asyncio

from agents import Agent, HostedMCPTool, Runner

async def main() -> None:
    agent = Agent(
        name="Assistant",
        tools=[
            HostedMCPTool(
                tool_config={
                    "type": "mcp",
                    "server_label": "gitmcp",
                    "server_url": "https://gitmcp.io/openai/codex",
                    "require_approval": "never",
                }
            )
        ],
    )

    result = await Runner.run(agent, "Which language is this repository written in?")
    print(result.final_output)

asyncio.run(main())

호스티드 서버는 도구를 자동으로 노출합니다. mcp_servers에 추가할 필요가 없습니다.

Streaming hosted MCP results

호스티드 툴은 함수 도구와 정확히 동일한 방식으로 스트리밍을 지원합니다. 모델이 여전히 작업 중일 때 점진적인 MCP 출력을 소비하려면 Runner.run_streamed에 stream=True를 전달하세요:

result = Runner.run_streamed(agent, "Summarise this repository's top languages")
async for event in result.stream_events():
    if event.type == "run_item_stream_event":
        print(f"Received: {event.item}")
print(result.final_output)

Optional approval flows

서버가 민감한 작업을 수행할 수 있는 경우 각 도구 실행 전에 사람 또는 프로그램의 승인을 요구할 수 있습니다. tool_config의 require_approval을 단일 정책("always", "never") 또는 도구 이름을 정책에 매핑한 딕셔너리로 구성하세요. Python 내부에서 결정을 내리려면 on_approval_request 콜백을 제공하세요.

from agents import MCPToolApprovalFunctionResult, MCPToolApprovalRequest

SAFE_TOOLS = {"read_project_metadata"}

def approve_tool(request: MCPToolApprovalRequest) -> MCPToolApprovalFunctionResult:
    if request.data.name in SAFE_TOOLS:
        return {"approve": True}
    return {"approve": False, "reason": "Escalate to a human reviewer"}

agent = Agent(
    name="Assistant",
    tools=[
        HostedMCPTool(
            tool_config={
                "type": "mcp",
                "server_label": "gitmcp",
                "server_url": "https://gitmcp.io/openai/codex",
                "require_approval": "always",
            },
            on_approval_request=approve_tool,
        )
    ],
)

콜백은 동기식 또는 비동기식일 수 있으며, 모델이 계속 실행되기 위해 승인 데이터가 필요할 때마다 호출됩니다.

Connector-backed hosted servers

호스티드 MCP는 OpenAI 커넥터도 지원합니다. server_url을 지정하는 대신 connector_id와 액세스 토큰을 제공하세요. Responses API가 인증을 처리하고 호스티드 서버는 커넥터의 도구를 노출합니다.

import os

HostedMCPTool(
    tool_config={
        "type": "mcp",
        "server_label": "google_calendar",
        "connector_id": "connector_googlecalendar",
        "authorization": os.environ["GOOGLE_CALENDAR_AUTHORIZATION"],
        "require_approval": "never",
    }
)

스트리밍, 승인, 커넥터를 포함한 완전한 호스티드 툴 샘플은 examples/hosted_mcp에 있습니다.

2. Streamable HTTP MCP servers

네트워크 연결을 직접 관리하려면 MCPServerStreamableHttp를 사용하세요. Streamable HTTP 서버는 전송을 직접 제어하거나 지연 시간을 낮게 유지하면서 자체 인프라 내에서 서버를 실행하고자 할 때 이상적입니다.

import asyncio
import os

from agents import Agent, Runner
from agents.mcp import MCPServerStreamableHttp
from agents.model_settings import ModelSettings

async def main() -> None:
    token = os.environ["MCP_SERVER_TOKEN"]
    async with MCPServerStreamableHttp(
        name="Streamable HTTP Python Server",
        params={
            "url": "http://localhost:8000/mcp",
            "headers": {"Authorization": f"Bearer {token}"},
            "timeout": 10,
        },
        cache_tools_list=True,
        max_retry_attempts=3,
    ) as server:
        agent = Agent(
            name="Assistant",
            instructions="Use the MCP tools to answer the questions.",
            mcp_servers=[server],
            model_settings=ModelSettings(tool_choice="required"),
        )

        result = await Runner.run(agent, "Add 7 and 22.")
        print(result.final_output)

asyncio.run(main())

생성자는 다음 추가 옵션을 허용합니다:

• client_session_timeout_seconds는 HTTP 읽기 타임아웃을 제어합니다
• use_structured_content는 tool_result.structured_content를 텍스트 출력보다 선호할지 여부를 전환합니다
• max_retry_attempts와 retry_backoff_seconds_base는 list_tools()와 call_tool()에 자동 재시도를 추가합니다
• tool_filter는 노출할 도구의 하위 집합만 선택적으로 노출하게 해줍니다 (도구 필터링 참조)

3. HTTP with SSE MCP servers

MCP 서버가 HTTP with SSE 전송을 구현한다면 MCPServerSse를 인스턴스화하세요. 전송 방식을 제외하면 API는 Streamable HTTP 서버와 동일합니다.

from agents import Agent, Runner
from agents.model_settings import ModelSettings
from agents.mcp import MCPServerSse

workspace_id = "demo-workspace"

async with MCPServerSse(
    name="SSE Python Server",
    params={
        "url": "http://localhost:8000/sse",
        "headers": {"X-Workspace": workspace_id},
    },
    cache_tools_list=True,
) as server:
    agent = Agent(
        name="Assistant",
        mcp_servers=[server],
        model_settings=ModelSettings(tool_choice="required"),
    )
    result = await Runner.run(agent, "What's the weather in Tokyo?")
    print(result.final_output)

4. stdio MCP servers

로컬 하위 프로세스로 실행되는 MCP 서버의 경우 MCPServerStdio를 사용하세요. SDK는 프로세스를 생성하고 파이프를 열어 두며 컨텍스트 관리자가 종료될 때 자동으로 닫습니다. 이 옵션은 빠른 개념 증명이나 서버가 커맨드라인 엔트리 포인트만 노출하는 경우에 유용합니다.

from pathlib import Path
from agents import Agent, Runner
from agents.mcp import MCPServerStdio

current_dir = Path(__file__).parent
samples_dir = current_dir / "sample_files"

async with MCPServerStdio(
    name="Filesystem Server via npx",
    params={
        "command": "npx",
        "args": ["-y", "@modelcontextprotocol/server-filesystem", str(samples_dir)],
    },
) as server:
    agent = Agent(
        name="Assistant",
        instructions="Use the files in the sample directory to answer questions.",
        mcp_servers=[server],
    )
    result = await Runner.run(agent, "List the files available to you.")
    print(result.final_output)

Tool filtering

각 MCP 서버는 에이전트에 필요한 기능만 노출할 수 있도록 도구 필터를 지원합니다. 필터링은 생성 시점 또는 실행별로 동적으로 수행할 수 있습니다.

Static tool filtering

create_static_tool_filter를 사용해 간단한 허용/차단 목록을 구성하세요:

from pathlib import Path

from agents.mcp import MCPServerStdio, create_static_tool_filter

samples_dir = Path("/path/to/files")

filesystem_server = MCPServerStdio(
    params={
        "command": "npx",
        "args": ["-y", "@modelcontextprotocol/server-filesystem", str(samples_dir)],
    },
    tool_filter=create_static_tool_filter(allowed_tool_names=["read_file", "write_file"]),
)

allowed_tool_names와 blocked_tool_names가 모두 제공된 경우 SDK는 먼저 허용 목록을 적용한 뒤 남은 집합에서 차단된 도구를 제거합니다.

Dynamic tool filtering

더 정교한 로직이 필요하다면 ToolFilterContext를 받는 호출 가능 객체를 전달하세요. 이 호출 가능 객체는 동기식 또는 비동기식일 수 있으며 도구를 노출해야 할 때 True를 반환합니다.

from pathlib import Path

from agents.mcp import MCPServerStdio, ToolFilterContext

samples_dir = Path("/path/to/files")

async def context_aware_filter(context: ToolFilterContext, tool) -> bool:
    if context.agent.name == "Code Reviewer" and tool.name.startswith("danger_"):
        return False
    return True

async with MCPServerStdio(
    params={
        "command": "npx",
        "args": ["-y", "@modelcontextprotocol/server-filesystem", str(samples_dir)],
    },
    tool_filter=context_aware_filter,
) as server:
    ...

필터 컨텍스트는 활성 run_context, 도구를 요청하는 agent, 그리고 server_name을 제공합니다.

Prompts

MCP 서버는 에이전트 instructions를 동적으로 생성하는 프롬프트도 제공할 수 있습니다. 프롬프트를 지원하는 서버는 두 가지 메서드를 노출합니다:

• list_prompts()는 사용 가능한 프롬프트 템플릿을 열거합니다
• get_prompt(name, arguments)는 선택적으로 매개변수와 함께 구체적인 프롬프트를 가져옵니다

from agents import Agent

prompt_result = await server.get_prompt(
    "generate_code_review_instructions",
    {"focus": "security vulnerabilities", "language": "python"},
)
instructions = prompt_result.messages[0].content.text

agent = Agent(
    name="Code Reviewer",
    instructions=instructions,
    mcp_servers=[server],
)

Caching

모든 에이전트 실행은 각 MCP 서버에서 list_tools()를 호출합니다. 원격 서버는 눈에 띄는 지연을 유발할 수 있으므로 모든 MCP 서버 클래스는 cache_tools_list 옵션을 노출합니다. 도구 정의가 자주 변경되지 않는다고 확신할 때에만 이를 True로 설정하세요. 나중에 새 목록을 강제로 가져오려면 서버 인스턴스에서 invalidate_tools_cache()를 호출하세요.

Tracing

트레이싱은 MCP 활동을 자동으로 캡처합니다. 포함 내용:

1. 도구 목록을 가져오기 위한 MCP 서버 호출
2. 도구 호출에 대한 MCP 관련 정보

Further reading

• Model Context Protocol – 명세와 설계 가이드
• examples/mcp – 실행 가능한 stdio, SSE, Streamable HTTP 샘플
• examples/hosted_mcp – 승인과 커넥터를 포함한 완전한 호스티드 MCP 데모