OpenAI Agent调用MCP Server实战教程，小白轻松入门大模型开发

原创最新推荐文章于 2026-11-01 10:29:19 发布 1.9k 阅读 AI写同款

爱喝白开水a

6793粉丝763篇原创

关注

【学习总结】MCP协议之使用AgentSDK调用MCP-server 通过OpenAI SDK实现一个简单的Agent示例通过MLfow，可视化查看Agent的运行情况通过OpenAI SDK实现一个可以调用MCP的Agent示例MLflow 是一个开源平台，专为协助机器学习从业者和团队应对机器学习过程中的复杂性而设计。MLflow 关注机器学习项目的整个生命周期，确保每个阶段都易于管理、可追溯且可重现。官网：https://mlflow.org/docs/latest/通过OpenAI的Agent SDK，可以快速实现一个Agent。在Agent SDK。阅读详情

AI摘要

本文介绍了如何通过OpenAI Agent调用MCP Server，涵盖MCP的两种调用方式——stdio和SSE。演示了创建Weather Server服务器实例及通过Agent登记调用SSE服务器的具体过程。还列举了一些支持MCP协议的框架，并提供了针对零基础学习者的AI大模型学习资源。

写在前面

我们之前介绍了MCP协议的概念是什么以及如何使用客户端cline调用MCP服务，再到如何自己动手实现MCP Server demo和MCP Client demo，循序渐进基本对MCP已经有了整体的认识。

那么，MCP是随着Agent应运而生的，自然而言它最终的使用场景还是要回归AI Agent。至今为止市面上的Agent已然琳琅满目，傻瓜化的编排框架也是层出不穷。然而，想要使用MCP Server的Agent框架自然也必须支持MCP协议才行。

今天还是以最通俗易懂的形式来介绍一个OpenAI Agent调用MCP Server的简单案例分析，化繁为简帮助大家体验和进一步理解MCP与Agent的结合编码实现。（其实Agent的过程体验我们在《在Cline上调用MCP服务之MCP实践篇》也早就有过交手）

阅读本文默认已经掌握python语法基础。

一、OpenAI Agent调用MCP Server案例

我们参考openai官方的openai-agents-python教程，以实现一个Agent接入天气查询MCP Server的案例来分析理解。

1、MCP 的两种调用方式SSE/stdio

在案例开始之前先来看下MCP的通信方式。

MCP 的两种主要调用方式如下，其核心差异体现在通信机制和应用场景上：

stdio（标准输入/输出）‌

本地进程通信‌：通过标准输入输出流实现本地进程间的高效交互，适用于本地部署的大模型与工具的直接集成。

特点‌：低延迟、无网络依赖，常用于开发调试或单机环境下的快速原型验证。

SSE（Server-Sent Events）‌

远程实时通信‌：基于 HTTP 的单向事件流协议，支持云端服务与客户端的长连接通信，适合分布式系统中的工具调用。

特点‌：
支持服务端主动推送数据（如持续返回计算中间结果）
兼容主流浏览器和 HTTP 生态
内置断线重连机制保障稳定性

两种方式均遵循统一的 ‌JSON-RPC 2.0‌ 消息格式规范，包含请求（Request）、响应（Response）和通知（Notification）三种标准消息类型，确保不同实现间的互操作性。开发者可根据部署环境和性能需求灵活选择：本地工具链优先采用 stdio，云端服务则推荐 SSE 方案。

类似配置体验如下：

stdio：

2、创建并运行一个名为“Weather Server”的服务器实例

注意代码中的相关依赖可以先进行安装，参考官方传送门。

# 导入requests库，用于发送HTTP请求import requests

# 从mcp.server.fastmcp模块导入FastMCP类from mcp.server.fastmcp import FastMCP

# 创建一个FastMCP服务器实例，命名为"Weather Server"# 这里假设mcp.server.fastmcp是一个自定义模块，用于创建和管理服务器
mcp = FastMCP("Weather Server")# 使用mcp.tool()装饰器定义一个工具函数get_current_weather# 这个函数接收一个城市名称作为参数，并返回该城市的当前天气信息@mcp.tool()defget_current_weather(city:str)->str:# 打印调试信息，显示正在查询的城市天气print(f"[debug-server] get_current_weather({city})")# 定义天气API的端点
    endpoint ="https://wttr.in"# 使用requests库发送GET请求到天气API，获取指定城市的天气信息# 注意：这里直接将城市名称拼接到URL中，实际使用中应考虑URL编码问题
    response = requests.get(f"{endpoint}/{city}")# {endpoint}/{city} => https://wttr.in/泉州# 返回天气API的响应文本，这里假设响应文本是天气信息return response.text

# 如果当前脚本作为主程序运行（而非被导入到其他脚本中）if __name__ =="__main__":# 启动mcp服务器，指定传输方式为sse（Server-Sent Events，服务器发送事件）# 这里假设FastMCP类支持sse作为通信方式
    mcp.run(transport="sse")

该段Python代码的主要功能是创建并运行一个名为“Weather Server”的服务器实例，该实例利用自定义的FastMCP类（假定来自mcp.server.fastmcp模块）进行管理。服务器上定义了一个工具函数get_current_weather，用于获取指定城市的当前天气信息。

其中，wttr.in 是开源的一个面向控制台的天气预报服务，支持多种信息展示方式，如面向终端的 ANSI 序列，适用于控制台 HTTP 客户端（如 curl、httpie 或 wget），HTML 格式适用于网页浏览器，以及 PNG 格式适用于图形查看器。
仓库地址：https://gitcode.com/gh_mirrors/wt/wttr.in/

接口爱之初体验如下：

3、创建SSE服务器并通过Agent登记调用

# 导入必要的模块from agents.mcp.server import MCPServerSse  # 导入SSE服务器实现import asyncio  # Python异步IO库from agents import Agent, Runner, AsyncOpenAI, OpenAIChatCompletionsModel  # 导入AI代理相关类from agents.mcp import MCPServer  # 导入MCP服务器接口# 定义运行函数，接收MCP服务器实例asyncdefrun(mcp_server: MCPServer):# 创建外部OpenAI客户端实例
    external_client = AsyncOpenAI(
        api_key="",# OpenAI API密钥
        base_url="",# OpenAI API基础URL  https://api.openai.com/v1 OpenAI库已内置该URL)# 创建AI代理实例
    agent = Agent(
        name="Assistant",# 代理名称
        instructions="Use the tools to answer the questions.",# 代理指令
        mcp_servers=[mcp_server],# 关联的MCP服务器列表
        model=OpenAIChatCompletionsModel(# 使用的模型配置
            model="gpt-4o",# 模型名称
            openai_client=external_client,# 使用的OpenAI客户端),)# 定义测试消息
    message ="泉州今天的天气怎么样？"print(f"Running input: {message}")# 打印运行信息# 运行代理并获取结果
    result =await Runner.run(starting_agent=agent,input=message)print(result.final_output)# 打印最终输出# 主函数asyncdefmain():# 使用上下文管理器创建SSE服务器实例asyncwith MCPServerSse(
            name="SSE Python Server",# 服务器名称
            params={"url":"http://localhost:8000/sse",# 服务器URL  sse默认是8000},)as server:await run(server)# 运行主逻辑# 程序入口if __name__ =="__main__":try:
    	asyncio.run(main())# 运行异步主函数finally:

这段代码主要功能是：

创建一个SSE服务器；
配置一个AI代理(使用GPT-4模型)；
通过代理处理用户输入(“泉州今天的天气怎么样？”)；
输出处理结果。

运行将看到类似效果：

Running input: 泉州今天的天气怎么样？
今天泉州的天气是局部多云，气温大约在28℃，风速为 10 km/h，能见度为 10 km。预计全天无降水。

至此，我们的OpenAI Agent调用MCP Server案例分析结束，主要介绍了如何Agent调用MCP的过程。

二、支持MCP的框架有哪些

以下是支持 MCP 协议的 Agent 框架（部分可能暂不支持MCP，使用前请先进行甄别）及相关工具的表格列表（欢迎补充）：

类型	名称/工具	特点说明
原生支持框架	CrewAI	通过 automcp 实现 MCP 协议转换，支持工具交互
	LangGraph	微软生态框架，深度集成 MCP 协议，适合复杂协作
	Llama Index	数据连接层使用 MCP 协议优化工具调用精准度
可扩展框架	OpenAI Agents SDK	借助 automcp 转换为 MCP 服务器，实现跨平台互操作
	Pydantic AI	模块化设计兼容 MCP，支持快速构建符合企业规范的 Agents
	Spring AI	Java 技术栈通过 MCP Client/Server 架构实现标准化集成
开发平台	Azure AI Foundry	原生集成 MCP 协议栈，提供端到端 Agent 开发支持
	Copilot Studio	可视化配置 MCP 工具链，降低接入门槛
配套工具	automcp	关键协议转换工具，支持 CrewAI/LangGraph 等框架与 MCP 生态无缝对接
	Java MCP SDK	提供 Stdio/HTTP SSE 传输层实现，适配企业级安全规范
其他	Dify	Dify是一个开源(Apache 2.0)的大语言模型（LLM）应用开发平台，融合了后端即服务（Backend as Service, BaaS）和 LLMOps 理念，旨在简化和加速生成式AI应用的创建和部署。它支持多种大型语言模型（如OpenAI的GPT系列、Claude3等），并提供强大的数据集管理功能、可视化的 Prompt 编排以及应用运营工具。支持Docker/K8s，自定义工具和策略。
	deer-flow	DeerFlow（Deep Exploration and Efficient Research Flow）是一个社区驱动的深度研究框架，它建立在开源社区的杰出工作基础之上。我们的目标是将语言模型与专业工具（如网络搜索、爬虫和 Python 代码执行）相结合，同时回馈使这一切成为可能的社区。
	Agentflow v2	开源(Apache 2.0)，支持Docker部署，自定义节点和MCP
	n8n	开源(Fair-Code)，支持Docker/K8s，强大的自定义节点和代码集成
	Make	闭源SaaS，支持有限的自定义模块和代码
	Zapier	闭源SaaS，主要通过Code步骤和Webhook实现有限自定义

（注：表格内容基于公开技术文档整理，具体实现需参考各框架官方指南）

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

在这里插入图片描述

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

在这里插入图片描述

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

在这里插入图片描述

【AI 大模型面试题】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

在这里插入图片描述

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

在这里插入图片描述

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

在这里插入图片描述

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：
- 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
- 拥有多项中美发明专利。
- 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。
目前，我有幸与鲁博士共同进行人工智能相关研究。

在这里插入图片描述

内容实用，循序渐进：

资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。
包含丰富的视频教程与实战项目案例，强调动手实践能力。
无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。