Model context protocol (MCP)

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

MCP는 애플리케이션이 LLM에 컨텍스트를 제공하는 방식을 표준화하는 개방형 프로토콜입니다. MCP를 AI 애플리케이션용 USB-C 포트라고 생각해 보세요 USB-C가 다양한 주변기기 및 액세서리에 기기를 연결하는 표준화된 방법을 제공하듯, MCP는 AI 모델을 서로 다른 데이터 소스 및 도구에 연결하는 표준화된 방법을 제공합니다

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

MCP 통합 선택

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

필요한 항목	권장 옵션
OpenAI의 Responses API가 모델을 대신해 공개적으로 접근 가능한 MCP 서버를 호출하도록 하기	HostedMCPTool을 통한 호스티드 MCP 서버 도구
로컬 또는 원격에서 실행하는 Streamable HTTP 서버에 연결	MCPServerStreamableHttp를 통한 Streamable HTTP MCP 서버
Server-Sent Events를 사용하는 HTTP를 구현한 서버와 통신	MCPServerSse를 통한 SSE 기반 HTTP MCP 서버
로컬 프로세스를 실행하고 stdin/stdout으로 통신	MCPServerStdio를 통한 stdio MCP 서버

아래 섹션에서는 각 옵션, 구성 방법, 그리고 어떤 전송 방식을 선호해야 하는지를 안내합니다.

에이전트 수준 MCP 구성

전송 방식 선택 외에도 Agent.mcp_config를 설정하여 MCP 도구 준비 방식을 조정할 수 있습니다.

from agents import Agent

agent = Agent(
    name="Assistant",
    mcp_servers=[server],
    mcp_config={
        # Try to convert MCP tool schemas to strict JSON schema.
        "convert_schemas_to_strict": True,
        # If None, MCP tool failures are raised as exceptions instead of
        # returning model-visible error text.
        "failure_error_function": None,
    },
)

참고:

• convert_schemas_to_strict는 최선의 노력 방식입니다. 스키마를 변환할 수 없으면 원래 스키마를 사용합니다
• failure_error_function은 MCP 도구 호출 실패가 모델에 어떻게 표시될지 제어합니다
• failure_error_function이 설정되지 않으면 SDK는 기본 도구 오류 포매터를 사용합니다
• 서버 수준 failure_error_function은 해당 서버에서 Agent.mcp_config["failure_error_function"]보다 우선합니다

전송 방식 전반의 공통 패턴

전송 방식을 선택한 뒤에는 대부분의 통합에서 동일한 후속 결정을 해야 합니다:

• 도구의 일부만 노출하는 방법(도구 필터링)
• 서버가 재사용 가능한 프롬프트도 제공하는지 여부(프롬프트)
• list_tools()를 캐시해야 하는지 여부(캐싱)
• MCP 활동이 트레이스에 어떻게 표시되는지(트레이싱)

로컬 MCP 서버(MCPServerStdio, MCPServerSse, MCPServerStreamableHttp)의 경우 승인 정책과 호출별 _meta 페이로드도 공통 개념입니다. Streamable HTTP 섹션에 가장 완전한 예제가 있으며, 동일한 패턴이 다른 로컬 전송 방식에도 적용됩니다.

1. 호스티드 MCP 서버 도구

호스티드 도구는 도구 라운드트립 전체를 OpenAI 인프라로 이동시킵니다. 코드가 도구를 나열하고 호출하는 대신 HostedMCPTool이 서버 레이블(및 선택적 커넥터 메타데이터)을 Responses API로 전달합니다. 모델은 원격 서버의 도구를 나열하고 Python 프로세스에 추가 콜백 없이 이를 호출합니다. 현재 호스티드 도구는 Responses API의 호스티드 MCP 통합을 지원하는 OpenAI 모델에서 동작합니다.

기본 호스티드 MCP 도구

에이전트의 tools 목록에 HostedMCPTool을 추가하여 호스티드 도구를 생성합니다. tool_config 딕셔너리는 REST API로 보내는 JSON을 반영합니다:

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 노출하므로 mcp_servers에 추가할 필요가 없습니다.

호스티드 도구 검색에서 호스티드 MCP 서버를 지연 로드하려면 tool_config["defer_loading"] = True로 설정하고 에이전트에 ToolSearchTool을 추가하세요. 이는 OpenAI Responses 모델에서만 지원됩니다. 전체 도구 검색 설정과 제약 사항은 도구를 참고하세요.

호스티드 MCP 결과 스트리밍

호스티드 도구는 함수 도구와 정확히 동일한 방식으로 결과 스트리밍을 지원합니다. Runner.run_streamed를 사용해 모델이 아직 작업 중일 때 점진적인 MCP 출력을 소비하세요:

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)

선택적 승인 흐름

서버가 민감한 작업을 수행할 수 있다면 각 도구 실행 전에 사람 또는 프로그래매틱 승인을 요구할 수 있습니다. tool_config에서 require_approval을 단일 정책("always", "never") 또는 도구 이름별 정책 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 동기 또는 비동기일 수 있으며, 모델이 실행을 계속하기 위해 승인 데이터가 필요할 때마다 호출됩니다.

커넥터 기반 호스티드 서버

호스티드 MCP는 OpenAI 커넥터도 지원합니다. server_url을 지정하는 대신 connector_id와 액세스 토큰을 제공하세요. Responses API가 인증을 처리하고 호스티드 서버가 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 동작 예제는 examples/hosted_mcp에 있습니다.

2. Streamable HTTP MCP 서버

네트워크 연결을 직접 관리하려면 MCPServerStreamableHttp를 사용하세요. Streamable HTTP 서버는 전송 계층을 제어하거나 지연 시간을 낮게 유지하면서 자체 인프라에서 서버를 실행하려는 경우에 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 다음과 같은 추가 옵션을 받습니다:

• client_session_timeout_seconds는 HTTP 읽기 타임아웃을 제어합니다
• use_structured_content는 텍스트 출력보다 tool_result.structured_content를 우선할지 전환합니다
• max_retry_attempts와 retry_backoff_seconds_base는 list_tools()와 call_tool()에 자동 재시도를 추가합니다
• tool_filter는 도구 일부만 노출할 수 있게 합니다(도구 필터링 참조)
• require_approval은 로컬 MCP 도구에 휴먼인더루프 (HITL) 승인 정책을 활성화합니다
• failure_error_function은 모델에 표시되는 MCP 도구 실패 메시지를 사용자 지정합니다. 대신 오류를 발생시키려면 None으로 설정하세요
• tool_meta_resolver는 call_tool() 전에 호출별 MCP _meta 페이로드를 주입합니다

로컬 MCP 서버용 승인 정책

MCPServerStdio, MCPServerSse, MCPServerStreamableHttp는 모두 require_approval을 지원합니다.

지원 형식:

• 모든 도구에 대해 "always" 또는 "never"
• True / False(always/never와 동일)
• 도구별 맵(예: {"delete_file": "always", "read_file": "never"})
• 그룹 객체: {"always": {"tool_names": [...]}, "never": {"tool_names": [...]}}

async with MCPServerStreamableHttp(
    name="Filesystem MCP",
    params={"url": "http://localhost:8000/mcp"},
    require_approval={"always": {"tool_names": ["delete_file"]}},
) as server:
    ...

전체 일시정지/재개 흐름은 휴먼인더루프 및 examples/mcp/get_all_mcp_tools_example/main.py를 참고하세요.

tool_meta_resolver를 사용한 호출별 메타데이터

MCP 서버가 _meta에 요청 메타데이터(예: 테넌트 ID 또는 트레이스 컨텍스트)를 기대한다면 tool_meta_resolver를 사용하세요. 아래 예제는 Runner.run(...)에 context로 dict를 전달한다고 가정합니다.

from agents.mcp import MCPServerStreamableHttp, MCPToolMetaContext


def resolve_meta(context: MCPToolMetaContext) -> dict[str, str] | None:
    run_context_data = context.run_context.context or {}
    tenant_id = run_context_data.get("tenant_id")
    if tenant_id is None:
        return None
    return {"tenant_id": str(tenant_id), "source": "agents-sdk"}


server = MCPServerStreamableHttp(
    name="Metadata-aware MCP",
    params={"url": "http://localhost:8000/mcp"},
    tool_meta_resolver=resolve_meta,
)

실행 컨텍스트가 Pydantic 모델, dataclass 또는 사용자 정의 클래스라면 대신 속성 접근으로 테넌트 ID를 읽으세요.

MCP 도구 출력: 텍스트 및 이미지

MCP 도구가 이미지 콘텐츠를 반환하면 SDK가 이를 이미지 도구 출력 항목으로 자동 매핑합니다. 텍스트/이미지 혼합 응답은 출력 항목 목록으로 전달되므로 에이전트는 일반 함수 도구의 이미지 출력과 동일한 방식으로 MCP 이미지 결과를 소비할 수 있습니다.

3. SSE 기반 HTTP MCP 서버

Warning

MCP 프로젝트는 Server-Sent Events 전송 방식을 더 이상 권장하지 않습니다. 새 통합에는 Streamable HTTP 또는 stdio를 우선 사용하고, SSE는 레거시 서버에만 유지하세요

MCP 서버가 SSE 기반 HTTP 전송 방식을 구현한 경우 MCPServerSse를 인스턴스화하세요. 전송 방식 외에는 API가 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 서버

로컬 서브프로세스로 실행되는 MCP 서버에는 MCPServerStdio를 사용하세요. SDK가 프로세스를 생성하고 파이프를 열린 상태로 유지하며, 컨텍스트 매니저가 종료되면 자동으로 닫습니다. 이 옵션은 빠른 개념 검증이나 서버가 명령줄 엔트리 포인트만 노출할 때 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)

5. MCP 서버 매니저

여러 MCP 서버가 있는 경우 MCPServerManager를 사용해 미리 연결하고, 연결된 하위 집합을 에이전트에 노출하세요. 생성자 옵션과 재연결 동작은 MCPServerManager API 참조를 참고하세요.

from agents import Agent, Runner
from agents.mcp import MCPServerManager, MCPServerStreamableHttp

servers = [
    MCPServerStreamableHttp(name="calendar", params={"url": "http://localhost:8000/mcp"}),
    MCPServerStreamableHttp(name="docs", params={"url": "http://localhost:8001/mcp"}),
]

async with MCPServerManager(servers) as manager:
    agent = Agent(
        name="Assistant",
        instructions="Use MCP tools when they help.",
        mcp_servers=manager.active_servers,
    )
    result = await Runner.run(agent, "Which MCP tools are available?")
    print(result.final_output)

핵심 동작:

• drop_failed_servers=True(기본값)일 때 active_servers에는 연결에 성공한 서버만 포함됩니다
• 실패는 failed_servers와 errors에 추적됩니다
• 첫 연결 실패에서 예외를 발생시키려면 strict=True로 설정하세요
• 실패한 서버만 재시도하려면 reconnect(failed_only=True), 모든 서버를 재시작하려면 reconnect(failed_only=False)를 호출하세요
• 라이프사이클 동작을 조정하려면 connect_timeout_seconds, cleanup_timeout_seconds, connect_in_parallel을 사용하세요

공통 서버 기능

아래 섹션은 MCP 서버 전송 방식 전반에 적용됩니다(API 표면은 서버 클래스에 따라 정확히 달라질 수 있음).

도구 필터링

각 MCP 서버는 도구 필터를 지원하므로 에이전트에 필요한 함수만 노출할 수 있습니다. 필터링은 생성 시점이나 실행별 동적으로 수행할 수 있습니다.

정적 도구 필터링

간단한 허용/차단 목록을 구성하려면 create_static_tool_filter를 사용하세요:

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 제공되면 SDK는 먼저 허용 목록을 적용한 뒤, 남은 집합에서 차단된 도구를 제거합니다.

동적 도구 필터링

더 정교한 로직이 필요하면 ToolFilterContext를 받는 callable을 전달하세요. 해당 callable은 동기 또는 비동기일 수 있으며, 도구를 노출해야 하면 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, server_name을 노출합니다.

프롬프트

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],
)

캐싱

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

트레이싱

트레이싱은 다음을 포함해 MCP 활동을 자동으로 수집합니다:

1. 도구 목록 조회를 위한 MCP 서버 호출
2. 도구 호출의 MCP 관련 정보

추가 읽을거리

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