# python_mcp_02_openai_agent

**Repository Path**: enzoism/python_mcp_02_openai_agent

## Basic Information

- **Project Name**: python_mcp_02_openai_agent
- **Description**: 使用OpenAI的Agent框架开发MCP
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-05-11
- **Last Updated**: 2025-05-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Python-MCPAgent开发-DeepSeek版本

> 尝试Windows使用Python完成【McpServer】+【McpAgent】开发，当前使用OpenAI-Agents框架进行开发

![](https://i-blog.csdnimg.cn/direct/c11a133b786e4b16b3b86dcfab9d63a1.png)


---

## 1-核心知识点

- 先完成【LLM】配置
- 再完成【McpServer】开发
- 再完成【Agent】开发
- 完成【LLM】+【McpServer】+【Agent】请求互通

----

## 2-思路整理

### 1-开发思路

- 1-熟悉【SSE模式的MCPServer】开发
- 2-熟悉【stdio模式的MCPServer】开发
- 3-熟悉【启动MCPServer】的三种方式
    - 3.1-直接启动:python mcp_server.py
    - 3.2-代码中uv使用：subprocess.Popen(["uv", "run", server_file])
    - 3.3-使用mcpInspector网页：mcp dev mcp_server.py
- 4-熟悉【Agent增强外部能力】的两种方式
    - 4.1-调用tool:Agent(name="Assistant", instructions="用中文回复", tools=[get_weather])
    - 4.2-调用tool:Agent(name="Assistant", instructions="用中文回复", mcp_servers=[mcp_server])

### 2-Tool和MCP的区别

> 都可以通过【平台】把肚子填饱，但是是两种【经济模式】

- 1）Tool->自家厨房
- 2）MCP->快餐外卖(一套标准的经济体系,商家和骑手语言可以互通)

### 3-MCP Inspector调试-两种方式

- 使用Node运行后-再调用Python脚本
- 直接使用python的mcp[cline]命令

### 4-Agent调用3种方式

- 1-直接使用tool
- 2-运行mcpServer_sse（远程服务->直接运行+subprocess子进程）
- 3-运行mcpServer_stdio（本地服务->直接运行）

![](https://i-blog.csdnimg.cn/direct/cfbc6e1fd1b74fde8f5b4c4fa9783f68.png)

---

## 3-参考网址

- 1）OpenAI的官方文档：https://openai.github.io/openai-agents-python/
- 2）MCP官网的Python样例：https://github.com/openai/openai-agents-python/tree/main
- 3）个人开发代码仓库：https://gitee.com/enzoism/python_mcp_client_server

---

## 4-动手实践

### 1-【McpServer】开发

> 直接参考：https://blog.csdn.net/2301_77717148/article/details/147455632

-
openAI代码：https://github.com/openai/openai-agents-python/blob/main/examples/model_providers/custom_example_provider.py
- 【McpServer】个人开发代码仓库：https://gitee.com/enzoism/python_mcp_client_server/tree/master/mcp_server

----

### 2-【McpClient】开发

> 直接参考官网记录开发过程

### 1-空工程初始化环境

```
mkdir my_project
cd my_project
python -m venv .venv
```

### 2-激活环境

```
# Windows
source .venv/Scripts/activate
# Mac
source .venv/bin/activate
```

### 3-添加依赖

> 对应的依赖是在激活的环境中

```
# 1-安装MCP和Openai-agents
pip install uv httpx mcp openai-agents
```

### 4-创建.env文件

> 添加对应的环境变量

```
BASE_URL=https://api.deepseek.com/v1
API_KEY=sk-XXX
MODEL_NAME=deepseek-chat
```

### 5-创建

>
直接参考MCP官网的PythonClient样例：https://github.com/openai/openai-agents-python/blob/main/examples/model_providers/custom_example_provider.py

> 补充说明：MCP官网的PythonClient样例，没有进行环境变量的加载，在代码中我们使用dotenv进行记载(
> 代码基本上就是复制过来了，只做了少量的修改)

```
import asyncio
import os

from agents import (
    Agent,
    Model,
    ModelProvider,
    OpenAIChatCompletionsModel,
    RunConfig,
    Runner,
    function_tool,
    set_tracing_disabled,
)
from dotenv import load_dotenv
from openai import AsyncOpenAI

# 环境变量加载相关

# 加载.env文件
load_dotenv()
# 从.env文件中获取BASE_URL、API_KEY、MODEL_NAME信息
BASE_URL = os.getenv("BASE_URL") or ""
API_KEY = os.getenv("API_KEY") or ""
MODEL_NAME = os.getenv("MODEL_NAME") or ""

if not BASE_URL or not API_KEY or not MODEL_NAME:
    raise ValueError(
        "请通过环境变量或代码设置EXAMPLE_BASE_URL、EXAMPLE_API_KEY、EXAMPLE_MODEL_NAME。"
    )

"""
本例使用自定义提供程序调用Runner.run()的部分，并直接调用OpenAI进行其他操作。
步骤：1. 创建一个自定义的OpenAI客户端。
2. 创建一个使用自定义客户端的ModelProvider。
3. 在调用Runner.run()时使用ModelProvider，仅在我们想使用自定义LLM提供程序时。
注意，在本例中，我们假设您没有从platform.openai.com获取API密钥，因此禁用了跟踪。
如果您有API密钥，您可以选择设置`OPENAI_API_KEY`环境变量或调用set_tracing_export_api_key()来设置跟踪特定的密钥。
"""
# ①创建一个自定义的OpenAI客户端-Client
client = AsyncOpenAI(base_url=BASE_URL, api_key=API_KEY)
set_tracing_disabled(disabled=True)


# ②创建一个使用自定义客户端的-ModelProvider
class DeepSeekModelProvider(ModelProvider):
    def get_model(self, model_name: str | None) -> Model:
        return OpenAIChatCompletionsModel(model=model_name or MODEL_NAME, openai_client=client)


# ③实例化ModelProvider对象
CUSTOM_MODEL_PROVIDER = DeepSeekModelProvider()


# ④定义一个工具函数
@function_tool
def get_weather(city: str):
    print(f"[debug] getting weather for {city}")
    return f"The weather in {city} is sunny."


async def main():
    # ⑤创建一个Agent
    agent = Agent(name="Assistant", instructions="你只能用中文进行回复", tools=[get_weather])

    # ⑥获取Agent对话的结果
    result = await Runner.run(
        agent,
        "给我讲一个笑话吧！",
        run_config=RunConfig(model_provider=CUSTOM_MODEL_PROVIDER),
    )
    print(result.final_output)

    # ⑦获取Agent对话的结果-没有配置RunConfig使用的是OpenAI的默认模型
    # result = await Runner.run(
    #     agent,
    #     "给我讲一个笑话吧!",
    # )
    # print(result.final_output)


if __name__ == "__main__":
    asyncio.run(main())

```

![](https://i-blog.csdnimg.cn/direct/78a2e1d4fddf4afb858d1a60499a79ea.png)