Model context protocol (MCP)

Model context protocol（MCP）规范了应用如何向语言模型暴露工具和上下文。官方文档中指出：

MCP 是一个开放协议，用于标准化应用向 LLM 提供上下文的方式。可以将 MCP 视为 AI 应用的 USB-C 接口。就像 USB-C 提供了一种标准化的方式，将你的设备连接到各种外设和配件一样，MCP 提供了一种标准化的方式，将 AI 模型连接到不同的数据源和工具。

Agents Python SDK 支持多种 MCP 传输方式。这使你可以复用现有的 MCP 服务或自行构建，以向智能体暴露文件系统、HTTP 或由连接器支持的工具。

选择 MCP 集成方式

在将 MCP 服务接入智能体之前，请先确定工具调用应在何处执行，以及你可以使用哪些传输方式。下表总结了 Python SDK 支持的选项。

你的需求	推荐选项
让 OpenAI 的 Responses API 代表模型调用可公开访问的 MCP 服务	托管的 MCP 服务工具，通过 `HostedMCPTool`
连接你在本地或远程运行的可流式传输的 HTTP 服务	可流式传输的 HTTP MCP 服务，通过 `MCPServerStreamableHttp`
与实现了带 Server-Sent Events 的 HTTP 的服务通信	带 SSE 的 HTTP MCP 服务，通过 `MCPServerSse`
启动本地进程并通过 stdin/stdout 通信	stdio MCP 服务，通过 `MCPServerStdio`

下文将逐一介绍每个选项、其配置方法，以及在何种情况下优先选择某种传输方式。

1. 托管的 MCP 服务工具

托管工具将完整的工具往返流程放在 OpenAI 的基础设施中。你的代码无需列出和调用工具，HostedMCPTool 会将服务标签（以及可选的连接器元数据）转发给 Responses API。模型会列出远程服务的工具并直接调用它们，无需回调你的 Python 进程。托管工具目前适用于支持 Responses API 托管 MCP 集成的 OpenAI 模型。

基础的托管 MCP 工具

在智能体的 tools 列表中添加一个 HostedMCPTool 即可创建托管工具。tool_config 字典与通过 REST API 发送的 JSON 相对应：

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())

托管服务会自动暴露其工具；你无需将其添加到 mcp_servers。

托管 MCP 结果的流式传输

托管工具以与工具调用完全相同的方式支持流式传输。向 Runner.run_streamed 传递 stream=True，即可在模型仍在工作时消费增量 MCP 输出：

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)

可选的审批流程

如果服务可以执行敏感操作，你可以在每次工具执行前要求人工或程序化审批。在 tool_config 中配置 require_approval，可设置为单一策略（"always"、"never"）或一个将工具名称映射到策略的字典。若要在 Python 中做出决定，请提供 on_approval_request 回调。

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,
        )
    ],
)

该回调可以是同步或异步的，当模型需要审批数据以继续运行时会被调用。

由连接器支持的托管服务

托管 MCP 也支持 OpenAI 连接器。无需指定 server_url，而是提供 connector_id 和访问令牌。Responses API 负责身份验证，托管服务会暴露连接器的工具。

import os

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

完整可运行的托管工具示例（包括流式传输、审批和连接器）位于 examples/hosted_mcp。

2. 可流式传输的 HTTP MCP 服务

当你希望自行管理网络连接时，请使用 MCPServerStreamableHttp。当你可控传输层，或希望在自有基础设施中运行服务并保持较低延迟时，可流式传输的 HTTP 服务是理想选择。

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())

构造函数还接受以下选项：

client_session_timeout_seconds 控制 HTTP 读取超时。
use_structured_content 切换是否优先使用 tool_result.structured_content 而非文本输出。
max_retry_attempts 和 retry_backoff_seconds_base 为 list_tools() 和 call_tool() 增加自动重试。
tool_filter 允许你只暴露工具的子集（参见工具过滤）。

3. 带 SSE 的 HTTP MCP 服务

如果 MCP 服务实现了带 SSE 的 HTTP 传输，请实例化 MCPServerSse。除传输方式不同外，其 API 与可流式传输的 HTTP 服务相同。

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 服务

对于作为本地子进程运行的 MCP 服务，请使用 MCPServerStdio。SDK 会启动该进程、保持管道打开，并在上下文管理器退出时自动关闭它。这对于快速概念验证或仅暴露命令行入口的服务非常有用。

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)

工具过滤

每个 MCP 服务都支持工具过滤，以便你只暴露智能体所需的函数。过滤既可以在构建时进行，也可以在每次运行时动态进行。

静态工具过滤

使用 create_static_tool_filter 配置简单的允许/阻止列表：

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"]),
)

当同时提供 allowed_tool_names 和 blocked_tool_names 时，SDK 会先应用允许列表，然后从剩余集合中移除任何被阻止的工具。

动态工具过滤

对于更复杂的逻辑，传入一个可调用对象，该对象接收 ToolFilterContext。该可调用对象可以是同步或异步的，并在应暴露该工具时返回 True。

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:
    ...

过滤上下文会暴露当前的 run_context、请求工具的 agent，以及 server_name。

提示词

MCP 服务还可以提供动态生成智能体 instructions 的提示词。支持提示词的服务会暴露两个方法：

list_prompts() 枚举可用的提示模板。
get_prompt(name, arguments) 获取具体提示词，可选传入参数。

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],
)

缓存

每次智能体运行都会在每个 MCP 服务上调用 list_tools()。远程服务可能引入明显的延迟，因此所有 MCP 服务类都暴露了 cache_tools_list 选项。仅当你确信工具定义不经常变化时才将其设置为 True。若要稍后强制刷新列表，请在服务实例上调用 invalidate_tools_cache()。

追踪

追踪会自动捕获 MCP 活动，包括：

调用 MCP 服务以列出工具。
工具调用中的 MCP 相关信息。

MCP Tracing Screenshot

延伸阅读

Model Context Protocol – 规范与设计指南。
examples/mcp – 可运行的 stdio、SSE 与可流式传输 HTTP 的示例。
examples/hosted_mcp – 完整的托管 MCP 演示，包括审批和连接器。