MCP και Connectors: Το Καθολικό Πρότυπο
Σε αυτήν τη σελίδα
- MCP και Connectors: Το Καθολικό Πρότυπο
- Το Πρόβλημα που Λύνει το MCP
- Αρχιτεκτονική MCP
- Χρήση των OpenAI Connectors
- Δημιουργία ενός Διακομιστή MCP σε Python
- Έκθεση Πόρων MCP
- Σύνδεση ενός Διακομιστή MCP με το Responses API
- Μοτίβο: Κόμβος Πολλαπλών Connectors (Multi-Connector Hub)
- Ασφάλεια και Πιστοποίηση
- Βασικά σημεία
MCP και Connectors: Το Καθολικό Πρότυπο
Το Πρωτόκολλο Πλαισίου Μοντέλου (Model Context Protocol - MCP) είναι ένα ανοιχτό πρότυπο που επιτρέπει στα μοντέλα να αλληλεπιδρούν με εξωτερικές υπηρεσίες μέσω ενός ενοποιημένου πρωτοκόλλου. Τα OpenAI Connectors υλοποιούν αυτό το πρότυπο για να συνδέουν απευθείας τα μοντέλα με εργαλεία τρίτων κατασκευαστών εντός του Responses API.
Το Πρόβλημα που Λύνει το MCP
Το κεντρικό ζήτημα είναι ο πολλαπλασιασμός των ολοκληρώσεων: η σύνδεση N μοντέλων με M υπηρεσίες απαιτεί N×M προσαρμοσμένες ολοκληρώσεις, καθεμία από τις οποίες γράφεται και συντηρείται ξεχωριστά. Κάθε νέα υπηρεσία σας αναγκάζει να επαναλάβετε την εργασία για κάθε εφαρμογή, και κάθε αλλαγή στο API κινδυνεύει να διακόψει πολλαπλές ολοκληρώσεις.
Το MCP μετατρέπει αυτό το γινόμενο σε άθροισμα: η υπηρεσία εκθέτει τις δυνατότητές της μία φορά χρησιμοποιώντας το πρωτόκολλο, και οποιοδήποτε συμβατό πελάτης τις καταναλώνει. Αυτή είναι η ίδια λογική πίσω από τους οδηγούς εκτυπωτών ή το Πρωτόκολλο Διακομιστή Γλώσσας (LSP) στους επεξεργαστές κώδικα—η τυποποίηση δεν καθιστά τις ολοκληρώσεις πιο ισχυρές, αλλά τις καθιστά οικονομικά βιώσιμες.
# Πριν το MCP: χειροκίνητη ολοκλήρωση για κάθε υπηρεσία
tools = [
# Function for Slack
{"type": "function", "name": "slack_send_message", ...},
{"type": "function", "name": "slack_read_channel", ...},
# Function for Jira
{"type": "function", "name": "jira_create_ticket", ...},
{"type": "function", "name": "jira_list_tickets", ...},
# Function for Google Drive
{"type": "function", "name": "gdrive_list_files", ...},
# ... dozens of functions to maintain
]
Με το MCP, κάθε υπηρεσία εκθέτει τις δυνατότητές της μέσω ενός τυποποιημένου πρωτοκόλλου και το μοντέλο τις καταναλώνει απευθείας.
Αρχιτεκτονική MCP
Το πρωτόκολλο ορίζει τρεις έννοιες:
- Διακομιστής MCP (MCP Server): Μια υπηρεσία που εκθέτει εργαλεία, πόρους και prompts
- Πελάτης MCP (MCP Client): Το σύστημα που καταναλώνει τις δυνατότητες του διακομιστή
- Μεταφορά (Transport): Το κανάλι επικοινωνίας μεταξύ πελάτη και διακομιστή
# Ένας διακομιστής MCP εκθέτει:
# - Tools: Ενέργειες που μπορεί να εκτελέσει το μοντέλο
# - Resources: Δεδομένα που μπορεί να διαβάσει το μοντέλο
# - Prompts: Προκαθορισμένα πρότυπα prompts
Χρήση των OpenAI Connectors
Τα Connectors είναι διακομιστές MCP που φιλοξενούνται και συντηρούνται ήδη: εσείς τους δηλώνετε, πιστοποιείτε την ταυτότητά σας και τους καταναλώνετε. Αυτό είναι το φυσικό σημείο εισόδου—δεν χρειάζεται να γράψετε έναν διακομιστή MCP για να μιλήσετε σε μια κοινή υπηρεσία που κάποιος άλλος έχει ήδη συνδέσει.
from openai import OpenAI
client = OpenAI()
# Conceptual example: connector to an external service
response = client.responses.create(
model="gpt-5.6-terra",
input="Create a Jira ticket for the homepage bug",
tools=[
{
"type": "mcp",
"server_label": "jira",
"server_url": "https://mcp.your-server.com/jira",
"require_approval": "always"
}
]
)
Η παράμετρος require_approval ελέγχει την ανθρώπινη επικύρωση:
"always": Κάθε ενέργεια απαιτεί έγκριση"never": Αυτόματη εκτέλεση
Δημιουργία ενός Διακομιστή MCP σε Python
Η συγγραφή του δικού σας διακομιστή αποκτά νόημα μόλις μια εσωτερική υπηρεσία χρειάζεται να είναι προσβάσιμη από πολλαπλές εφαρμογές. Η λογική είναι η ίδια με αυτή ενός εσωτερικού API: το γράφετε μία φορά, καθαρά, με τους δικούς του κανόνες πρόσβασης—και κάθε εφαρμογή ωφελείται χωρίς να χρειάζεται να επανεφεύρει το στρώμα ολοκλήρωσης.
from mcp.server import Server
from mcp.types import Tool, TextContent
import json
server = Server("my-crm")
@server.tool()
async def search_client(term: str, field: str = "name") -> str:
"""Search for a client in the internal CRM.
Args:
term: The search term (name, email, or ID)
field: The field to search in (name, email, id)
"""
# Your business logic
results = await crm_database.search(term, field=field)
return json.dumps([{
"id": r.id,
"name": r.name,
"email": r.email,
"company": r.company
} for r in results])
@server.tool()
async def create_opportunity(
client_id: str,
title: str,
amount: float,
probability: int
) -> str:
"""Create a sales opportunity in the CRM.
Args:
client_id: Client identifier
title: Opportunity title
amount: Estimated amount in euros
probability: Probability of closing (0-100)
"""
opp = await crm_database.create_opportunity(
client_id=client_id,
title=title,
amount=amount,
probability=probability
)
return json.dumps({"id": opp.id, "status": "created"})
Έκθεση Πόρων MCP
Το MCP κάνει διάκριση μεταξύ εργαλείων (tools), που κάνουν κάτι, και πόρων (resources), που παρέχουν κάτι προς ανάγνωση. Αυτή η διάκριση έχει σημασία επειδή ορίζει τον κίνδυνο: ένας πόρος consultείται χωρίς παρενέργειες, ενώ ένα εργαλείο μπορεί να τροποποιήσει την κατάσταση του κόσμου. Οι έλεγχοι έγκρισης εστιάζουν φυσικά στο δεύτερο.
@server.resource("crm://pipeline")
async def sales_pipeline() -> str:
"""Current state of the sales pipeline."""
pipeline = await crm_database.get_pipeline()
return json.dumps({
"total_opportunities": pipeline.count,
"total_value": pipeline.total_value,
"by_stage": {
"prospecting": pipeline.prospecting,
"qualification": pipeline.qualification,
"proposal": pipeline.proposal,
"negotiation": pipeline.negotiation,
"closing": pipeline.closing
}
})
@server.resource("crm://client/{client_id}")
async def client_profile(client_id: str) -> str:
"""Complete profile of a client."""
client = await crm_database.get_client(client_id)
return json.dumps({
"name": client.name,
"email": client.email,
"purchase_history": client.purchases,
"satisfaction_score": client.nps
})
Σύνδεση ενός Διακομιστή MCP με το Responses API
# MCP connector configuration in the API call
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the status of our sales pipeline? "
"Create an opportunity for client CLI-789: "
"cloud migration, 50000 euros, 70% probability.",
tools=[
{
"type": "mcp",
"server_label": "internal-crm",
"server_url": "https://mcp.internal.example.com/crm",
"require_approval": "never"
}
]
)
Μοτίβο: Κόμβος Πολλαπλών Connectors (Multi-Connector Hub)
Εδώ λάμπει πραγματικά το πρότυπο: πολλαπλοί διακομιστές δηλώνονται ο ένας δίπλα στον άλλον, με το μοντέλο να συνθέτει δράσεις across αυτών—διαβάζοντας ένα ticket εδώ, αναζητώντας έναν πελάτη εκεί, γράφοντας μια απάντηση αλλού. Χωρίς ένα κοινό πρωτόκολλο, η ίδια ροή θα απαιτούσε τρεις συγκεκριμένες ολοκληρώσεις και τη διαρκή συντήρησή τους.
response = client.responses.create(
model="gpt-5.6-terra",
input="Check open Jira tickets, send a summary to Slack, "
"and update the Notion dashboard",
tools=[
{
"type": "mcp",
"server_label": "jira",
"server_url": "https://mcp.example.com/jira",
"require_approval": "always"
},
{
"type": "mcp",
"server_label": "slack",
"server_url": "https://mcp.example.com/slack",
"require_approval": "always"
},
{
"type": "mcp",
"server_label": "notion",
"server_url": "https://mcp.example.com/notion",
"require_approval": "always"
}
]
)
Ασφάλεια και Πιστοποίηση
# MCP servers handle authentication via headers
# or tokens in the configuration URL
# Best practice: always use require_approval for write actions
tools = [
{
"type": "mcp",
"server_label": "crm",
"server_url": "https://mcp.example.com/crm",
"require_approval": "always", # Human validation
"allowed_tools": ["search_client", "client_profile"], # Restrict tools
}
]
Βασικά σημεία
- Το MCP είναι ένα ανοιχτό πρότυπο για τη σύνδεση μοντέλων με εξωτερικές υπηρεσίες
- Τα OpenAI Connectors ενσωματώνουν το MCP απευθείας στο Responses API
- Δημιουργήστε τους δικούς σας διακομιστές MCP για να εκθέσετε εσωτερικές υπηρεσίες
- Χρησιμοποιήστε το
require_approvalγια να ελέγξετε την ανθρώπινη επικύρωση - Συνδέστε πολλαπλούς διακομιστές MCP σε μία μόνο κλήση για διαλειτουργικές ροές εργασίας