MCP og Connectors: Tilslutning af eksterne tjenester
På denne side
Opdateret 2. november 2026 — Agent Builder. Den 3. juni 2026 annoncerede OpenAI lukningen af Agent Builder, planlagt til 30. november 2026; ChatKit forbliver tilgængeligt. Fremover henviser OpenAI brugere til Agents SDK eller agenter i ChatGPT-arbejdsområdet. Siden 10. september 2026 har OpenAI udbudt en offentlig beta af Agents API, der hoster agent-orchestrering (se ChatGPT i 2026, lektion 10).
MCP og Connectors: Tilslutning af eksterne tjenester
Model Context Protocol (MCP) er en åben standard, der lader din agent forbinde til eksterne tjenester på en standardiseret måde. I stedet for at omskrive integrationer for hver enkelt tjeneste, tilslutter du blot en MCP-server, og din agent får øjeblikkeligt adgang til nye værktøjer. Hvor du måske tidligere skulle skrive tre hundrede linjer GitHub-klientkode, behøver du nu kun en enkelt serverdeklaration.
Hvad er MCP?
MCP er en åben standard, der definerer, hvordan en klient – din agent – kommunikerer med en server, altså en ekstern tjeneste. Hver MCP-server eksponerer værktøjer, som din agent kan bruge. Protokollen håndterer transport, serialisering og opdagelse af værktøjer. Denne sidste funktion er den mest værdifulde i det daglige arbejde: agenten spørger serveren, hvad den kan gøre, så du slipper for at vedligeholde en liste. Agents SDK indeholder native MCP-understøttelse og kan forbinde til enhver kompatibel server.
Tilslutning af en MCP-server
SDK’et tilbyder klassen MCPServerStdio til lokale servere, der kommunikerer via stdin/stdout – typisk en Node-proces startet med npx.
from agents import Agent, Runner
from agents.mcp import MCPServerStdio
# Lokal MCP-server (kommunikerer via stdin/stdout)
file_server = MCPServerStdio(
name="File Manager",
command="npx",
args=["-y", "@modelcontextprotocol/server-filesystem", "/path/to/folder"],
)
async def main():
async with file_server:
agent = Agent(
name="File Agent",
instructions="You manage files for the user.",
mcp_servers=[file_server],
)
result = await Runner.run(agent, "List the files in the root folder.")
print(result.final_output)
async with-blokken er ikke blot pynt: den starter serverprocessen, opdager dens værktøjer og lukker den pænt ned, når blokken afsluttes. En agent, der oprettes uden for denne kontekst, vil ikke have nogen værktøjer.
Fjerne MCP-servere via SSE
Til hostede servere bruger du MCPServerSse og SSE-transporten (Server-Sent Events). Logikken er den samme; det er kun URL’en og autentificeringsheadere, der ændres.
from agents.mcp import MCPServerSse
github_server = MCPServerSse(
name="GitHub",
url="https://mcp.github.com/sse",
headers={"Authorization": "Bearer ghp_your_token"},
)
async def main():
async with github_server:
agent = Agent(
name="DevOps Agent",
instructions="You manage GitHub repositories.",
mcp_servers=[github_server],
)
result = await Runner.run(
agent,
"Create an issue in the my-project repo with the title 'Critical Bug'"
)
print(result.final_output)
OpenAI Connectors
Ud over MCP tilbyder OpenAI connectors, der administreres direkte på platformen. De integreres i Agent Builder og forbliver brugbare via SDK’et uden at kræve, at du hoster en server.
from agents import Agent, Runner
# Connectors konfigureret i Agent Builder er automatisk tilgængelige
agent = Agent(
name="CRM Agent",
instructions="""You are a CRM assistant. Use the connectors
to access Salesforce, HubSpot, and Google Workspace.""",
model="gpt-5.6-terra",
# Connectors er knyttet til agentens konfiguration på platformen
)
Fraværet af en mcp_servers-parameter giver god mening: connectors er knyttet til agentens konfiguration på platformen. De håndterer OAuth-autentificering, paginering og rate limiting for dig – tre områder, der ellers kræver betydelig tid, hvis de håndteres manuelt.
Kombination af MCP og funktionsværktøjer
Du behøver ikke vælge. En enkelt agent kan bruge en MCP-server til dataadgang og dine egne funktioner til forretningslogik, som du ikke ønsker at delegere.
from agents import Agent, Runner, function_tool
from agents.mcp import MCPServerStdio
@function_tool
def calculate_invoice(amount_excl_tax: float, vat_rate: float = 20.0) -> str:
"""Calculates the total amount including tax for an invoice."""
amount_incl_tax = amount_excl_tax * (1 + vat_rate / 100)
return f"Excl. tax: €{amount_excl_tax}, VAT {vat_rate}%: €{amount_excl_tax * vat_rate / 100:.2f}, Incl. tax: €{amount_incl_tax:.2f}"
db_server = MCPServerStdio(
name="Database",
command="npx",
args=["-y", "@modelcontextprotocol/server-postgres", "postgresql://user:pass@localhost/mydb"],
)
async def main():
async with db_server:
agent = Agent(
name="Accounting Agent",
instructions="""You handle accounting.
Use the database for customer data
and the calculation function for invoices.""",
tools=[calculate_invoice],
mcp_servers=[db_server],
)
result = await Runner.run(
agent,
"Retrieve orders for customer Alice and calculate the total invoice"
)
print(result.final_output)
Momsberegningen bliver i din kode, hvor den er testbar og reviderbar; hentning af ordrer sker gennem PostgreSQL MCP-serveren. Det er den opdeling, du bør sigte efter.
Filtrering af MCP-værktøjer
En MCP-server kan eksponere snesevis af værktøjer, hvoraf de fleste ikke er relevante for dit use case – og hver enkelt af dem bruger kontekst og øger risikoen for et upassende kald. Start med at inspicere, hvad der faktisk er tilgængeligt.
server = MCPServerStdio(
name="GitHub",
command="npx",
args=["-y", "@modelcontextprotocol/server-github"],
)
# Du kan filtrere under forbindelse
async with server:
tools = await server.list_tools()
# Inspicer tilgængelige værktøjer
for tool in tools:
print(f"- {tool.name}: {tool.description}")
Håndtering af MCP-fejl
En MCP-server er en proces eller en fjernservice: den kan fejle ved start, miste forbindelsen eller have et udløbet token. Planlæg for en degraderet tilstand i stedet for at lade undtagelsen boble op til brugeren.
from agents.mcp import MCPServerStdio
async def create_agent_with_mcp():
server = MCPServerStdio(
name="External Service",
command="npx",
args=["-y", "my-mcp-server"],
)
try:
async with server:
agent = Agent(
name="My Agent",
instructions="Use the external service.",
mcp_servers=[server],
)
result = await Runner.run(agent, "Execute the task.")
return result.final_output
except Exception as e:
# Fallback uden MCP
fallback_agent = Agent(
name="My Agent (degraded mode)",
instructions="The external service is unavailable. Inform the user.",
)
result = await Runner.run(fallback_agent, "The service is unavailable.")
return result.final_output
Fallback-agenten lader ikke som om, den virker: den meddeler utilgængeligheden. En agent, der opfinder et svar, når dens datakilde er nede, koster langt mere end en, der indrømmer, at den ikke kan fortsætte.
Vigtige pointer
- MCP er en åben protokol til at forbinde eksterne tjenester til din agent
- Brug
MCPServerStdiotil lokale servere ogMCPServerSsetil fjerne servere - OpenAI Connectors er administrerede integrationer på platformen
- Du kan kombinere funktionsværktøjer og MCP-servere i samme agent
- Håndtér MCP-forbindelsesfejl med en degraderet tilstand