将大语言模型的能力延伸到真实场景，一直是构建AI Agent所面临的核心挑战。近期，OpenAI在Agents SDK中引入了一个名为MCP的组件，值得深入探讨——它正逐步成为AI应用连接外部世界的标准化协议。

大语言模型（例如GPT-4）在文本理解与生成方面表现卓越，但本质上它们被困在数字化的信息孤岛中，无法直接与现实世界交互。如果你想通过Agent查询今日天气，或者更新项目管理系统中的任务状态，直接向它提出指令，它大概率会给出“无能为力”的回应——因为它既没有获取外部信息的“手”，也没有执行操作的“脚”。

过去要解决此问题，常见的做法是在应用代码中编写大量特定的函数，再通过提示工程或API调用的方式告知模型：当你需要查天气时，调用get_weather(city)；当你需要读取文件时，调用read_file(path)。

这种硬编码的模式存在几个明显的短板：

1. 紧密耦合：每个应用都需要自行编写一套工具对接逻辑，如同给每台电器配备专用插头，更换环境就可能无法使用。
2. 灵活性不足：即便他人已开发出成熟的工具，想要使用仍需重新封装以适配你的Agent框架。
3. 缺乏统一规范：各平台各自为政，没有公认的标准，导致工具交流与复用效率低下。

正是在这样的背景下，MCP应运而生。

MCP：AI应用的“USB-C接口”

MCP的全称为Model Context Protocol（模型上下文协议）。官方文档用一个生动的比喻诠释了它的作用：MCP就像是AI应用的USB-C接口。

回顾USB-C——一个标准接口，既能充电、传输数据，又能连接显示器及各类外设。无论苹果、安卓还是Windows设备，只要支持USB-C，众多配件就能通用。MCP的目标，正是为AI模型提供一套标准化的方式，使其能够连接各种不同的数据源与工具。

这套标准协议带来如下好处：

• 工具开发者可以开发符合MCP规范的服务（例如专门操作Notion的服务，或控制智能家居的服务），无需关心该服务最终被哪个具体的AI应用所调用。
• AI应用开发者（例如使用OpenAI Agents SDK的开发者）能够便捷地接入各类现成的MCP服务，为Agent“插上”多样化能力，无需为每个工具编写定制化的集成代码。

这相当于为你的AI Agent配备了一个“万能插座”——未来想要增加新功能，只需找到支持MCP的“电器”（工具服务），插上即可使用。

如何在OpenAI Agents SDK中运用MCP？

好消息是，OpenAI Agents SDK已经内置了对MCP的原生支持。你可以在创建Agent时，直接将MCP服务“挂载”上去。

目前，MCP规范定义了两种类型的服务，主要区别在于通信方式：

1. stdio服务器：这类服务通常作为子进程在应用内部（本地）运行，通过标准输入/输出（stdin/stdout）进行通信。
2. HTTP over SSE服务器：远程运行，通过URL连接，基于HTTP和Server-Sent Events进行通信。

OpenAI Agents SDK提供了两个对应的类来连接这两种服务器：MCPServerStdio和MCPServerSse。

举例来说，假设你想让Agent具备操作本地文件系统的能力（如读取文件、写入文件、列出目录）。MCP官方提供了一个基于stdio的文件系统服务，你可以通过以下方式启动它，并将其连接到Python代码中（此处使用npx，它通常是Node.js环境下的工具，会自动下载并运行@modelcontextprotocol/server-filesystem这个包）：

import os
from openai_agents.mcp import MCPServerStdio

# 假设项目里有个叫 samples_dir 的目录
samples_dir = "./my_agent_files"
os.makedirs(samples_dir, exist_ok=True)

async def run_mcp_example():
    # 配置并启动 MCP 文件系统服务
    mcp_server_filesystem = MCPServerStdio(
        params={
            "command": "npx",
            "args": ["-y", "@modelcontextprotocol/server-filesystem", samples_dir],
        }
    )

    # 用 async with 确保服务在退出时能被正确关闭
    async with mcp_server_filesystem as server:
        print("MCP 文件系统服务已启动...")
        
        # 列出它提供的工具
        tools = await server.list_tools()
        print("文件系统服务提供的工具:")
        for tool in tools:
            print(f"- {tool.function.name}: {tool.function.description}")

import asyncio
asyncio.run(run_mcp_example())

这段代码的核心流程很清晰：

1. 引入MCPServerStdio。
2. 定义要执行的命令：npx -y @modelcontextprotocol/server-filesystem ./my_agent_files。
3. 使用async with管理服务生命周期，确保程序退出时服务能被干净地关闭。
4. 在with块中调用server.list_tools()，通过stdio向子进程询问：“你能做什么？把你所有的工具都列出来。”
5. 将获取到的工具列表打印出来，方便查看。

运行后，你会看到类似这样的输出：

MCP 文件系统服务已启动...
文件系统服务提供的工具:
- filesystem.readFile: Reads the content of a file.
- filesystem.writeFile: Writes content to a file.
- filesystem.listFiles: Lists files and directories in a given path.
...

将MCP服务“连接”给Agent

仅启动服务还不够，关键在于如何让Agent使用它。在OpenAI Agents SDK中，你只需在创建Agent对象时，将之前创建的MCP服务实例放入mcp_servers列表中：

from openai_agents.agents import Agent

my_agent = Agent(
    name="文件小助手",
    instructions="请使用提供的工具来完成任务。",
    mcp_servers=[mcp_server_filesystem],
)

当Agent运行时，SDK会自动完成以下几个步骤：

1. 查询能力：它会遍历mcp_servers列表中的每个服务，调用它们的list_tools()方法，收集所有可用的工具信息。
2. 告知LLM：在构建给LLM的提示时，SDK会将从MCP服务收集到的工具信息一并告知LLM。
3. 执行调用：如果LLM决定使用某个来自MCP服务的工具，SDK会捕捉到这个意图，并调用对应MCP服务的call_tool()方法，传递LLM指定的参数。
4. 返回结果：MCP服务执行完工具调用后，将结果返回给SDK，SDK再将该结果反馈给LLM，以便其继续思考或生成最终回复。

对整个开发者而言，这个过程是相对透明的——只需将MCP服务“注册”给Agent即可。

上图清晰展示了从用户发出指令，到SDK协调LLM与MCP服务，最终完成任务的完整流程。

性能优化建议：工具列表缓存

你可能注意到，每次运行Agent时，SDK都会调用list_tools()。如果MCP服务是远程服务（HTTP over SSE类型），或者list_tools()本身比较耗时，可能会引入一定的延迟。

如果MCP服务提供的工具列表相对稳定（例如文件系统服务，其能力基本固定），你可以在创建MCPServerStdio或MCPServerSse对象时，添加cache_tools_list=True参数：

mcp_server_filesystem = MCPServerStdio(
    params={...},
    cache_tools_list=True  # 开启工具列表缓存
)

设置后，SDK仅在首次运行时调用list_tools()，后续将直接使用缓存结果，显著节省时间。如果你知道MCP服务的工具列表已发生变化（例如服务更新、新增了工具），需要手动使缓存失效，可以调用服务对象的invalidate_tools_cache()方法。

MCP与直接编写Python工具函数的对比

OpenAI Agents SDK本身也支持直接定义Python函数作为工具，那么为何还要引入MCP？两者有何区别？

如何选择？

• 如果工具逻辑较为简单、仅在当前Python应用中使用，或者需要访问应用内部状态，直接定义Python函数更加直接方便。
• 如果需要接入已有的、用其他语言编写、或需要独立部署维护的功能服务，并且希望该服务能被多个不同AI应用复用，MCP是非常理想的选择。
• 如果你想构建一个通用的工具平台，让他人能够便捷地接入你的能力，实现MCP协议是一个值得探索的方向。

调试与追踪

使用MCP服务后，如果Agent运行出现问题，该如何排查？OpenAI Agents SDK的追踪功能同样覆盖了MCP，它会自动记录与MCP相关的操作：

• 调用list_tools()的过程。
• 当LLM决定调用某个MCP工具时，相关的函数调用信息（调用了哪个工具、传入了什么参数、返回了什么结果）。

这些追踪信息能帮助你清晰地了解SDK、LLM与MCP服务之间的交互过程，从而更便捷地定位问题。

总结

MCP的目标是成为AI应用连接外部工具和数据源的“通用标准接口”，类似于硬件世界中的USB-C。OpenAI Agents SDK对MCP的原生支持，让开发者能够更便捷地将各种符合规范的能力插件集成到Agent中，无论是本地运行还是远程调用。

MCP仍然是一个相对较新的概念，其生态系统也处于发展之中。但这一方向无疑是正确的，未来我们很可能会看到越来越多基于MCP的工具服务涌现。如果你对这个方向感兴趣，不妨查阅OpenAI Agents SDK文档中关于MCP的更多细节，或直接前往examples/mcp目录，运行官方提供的完整示例代码。亲手实践一番，感受会更直观。