MCP és csatlakozók: az univerzális szabvány
Ezen az oldalon
- MCP és csatlakozók: az univerzális szabvány
- A probléma, amelyet az MCP megold
- Az MCP architektúrája
- Az OpenAI Connectors használata
- MCP szerver létrehozása Pythonban
- MCP erőforrások közzététele
- MCP szerver csatlakoztatása a Responses API-hoz
- Minta: Több csatlakozós központ
- Biztonság és hitelesítés
- Főbb megállapítások
MCP és csatlakozók: az univerzális szabvány
A Model Context Protocol (MCP) egy nyílt szabvány, amely lehetővé teszi a modellek számára, hogy egységes protokollon keresztül lépjenek kapcsolatba külső szolgáltatásokkal. Az OpenAI Connectors ezt a szabványt valósítja meg, hogy a Responses API-n belül közvetlenül összekösse a modelleket harmadik féltől származó eszközökkel.
A probléma, amelyet az MCP megold
A központi kérdés az integrációk elszaporodása: N modell és M szolgáltatás összekapcsolása N×M egyedi integrációt igényel, amelyek mindegyikét külön-külön kell megírni és karbantartani. Minden új szolgáltatás arra kényszerít, hogy minden alkalmazás esetén megismételd a munkát, és minden API-változás kockázatot jelent, hogy több integráció is meghibásodik.
Az MCP ezt a szorzatot összeggé alakítja: a szolgáltatás egyszer teszi közzé képességeit a protokoll segítségével, és bármely kompatibilis kliens fogyasztja azokat. Ez ugyanaz a logika, mint a nyomtató-illesztőprogramok vagy a kódszerkesztőkben használt Language Server Protocol (LSP) esetében – a szabványosítás nem teszi erősebbé az integrációkat, hanem gazdaságilag fenntarthatóvá teszi őket.
# MCP előtt: manuális integráció minden szolgáltatáshoz
tools = [
# Funkció a Slackhez
{"type": "function", "name": "slack_send_message", ...},
{"type": "function", "name": "slack_read_channel", ...},
# Funkció a Jirához
{"type": "function", "name": "jira_create_ticket", ...},
{"type": "function", "name": "jira_list_tickets", ...},
# Funkció a Google Drive-hoz
{"type": "function", "name": "gdrive_list_files", ...},
# ... tucatnyi karbantartandó funkció
]
Az MCP segítségével minden szolgáltatás szabványos protokollon keresztül teszi közzé képességeit, és a modell közvetlenül fogyasztja azokat.
Az MCP architektúrája
A protokoll három fogalmat definiál:
- MCP Server: Egy szolgáltatás, amely eszközöket, erőforrásokat és promptokat tesz közzé
- MCP Client: A rendszer, amely fogyasztja a szerver képességeit
- Transport: A kommunikációs csatorna a kliens és a szerver között
# Egy MCP szerver a következőket teszi közzé:
# - Tools: Műveletek, amelyeket a modell végrehajthat
# - Resources: Adatok, amelyeket a modell olvashat
# - Prompts: Előre definiált prompt sablonok
Az OpenAI Connectors használata
A Connectors olyan MCP szerverek, amelyeket már üzemeltetnek és karbantartanak: csak deklarálnod kell őket, hitelesítened kell, és már használhatod is. Ez a természetes belépési pont – nincs szükséged saját MCP szerver írására, ha egy gyakori szolgáltatásról van szó, amelyet valaki már összekötött.
from openai import OpenAI
client = OpenAI()
# Fogalmi példa: csatlakozó egy külső szolgáltatáshoz
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"
}
]
)
A require_approval paraméter szabályozza az emberi jóváhagyást:
"always": Minden művelet jóváhagyást igényel"never": Automatikus végrehajtás
MCP szerver létrehozása Pythonban
Saját szerver írása akkor válik érdemessé, ha egy belső szolgáltatást több alkalmazásnak is elérhetővé kell tenni. A logika ugyanaz, mint egy belső API esetében: egyszer írod meg, tisztán, a saját hozzáférési szabályaiddal – és minden alkalmazás profitál belőle anélkül, hogy újra fel kellene találni az integrációs réteget.
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:
"""Keresés egy ügyfél után a belső CRM-ben.
Args:
term: A keresési kifejezés (név, e-mail vagy azonosító)
field: A mező, amelyben keresni kell (name, email, id)
"""
# Üzleti logika
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:
"""Értékesítési lehetőség létrehozása a CRM-ben.
Args:
client_id: Ügyfél azonosítója
title: A lehetőség címe
amount: Becsült összeg euróban
probability: Zárás valószínűsége (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"})
MCP erőforrások közzététele
Az MCP különbséget tesz a tools (eszközök) és a resources (erőforrások) között: az előbbiek csinálnak valamit, míg az utóbbiak olvasnivalót biztosítanak. Ez a megkülönböztetés fontos, mert meghatározza a kockázatot: egy erőforrást mellékhatások nélkül konzultálnak, míg egy eszköz módosíthatja a világ állapotát. A jóváhagyási vezérlők természetesen ez utóbbira fókuszálnak.
@server.resource("crm://pipeline")
async def sales_pipeline() -> str:
"""Az értékesítési tölcsér aktuális állapota."""
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:
"""Egy ügyfél teljes profilja."""
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
})
MCP szerver csatlakoztatása a Responses API-hoz
# MCP csatlakozó konfigurációja az API hívásban
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"
}
]
)
Minta: Több csatlakozós központ
Itt mutatkozik meg igazán a szabvány ereje: több szerver deklarálása egymás mellett, ahol a modell ezek között komponál – itt jegyet olvas, ott ügyfelet keres, máshol választ ír. Közös protokoll nélkül ugyanez a folyamat három specifikus integrációt és azok folyamatos karbantartását igényelné.
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"
}
]
)
Biztonság és hitelesítés
# Az MCP szerverek a hitelesítést fejléceken keresztül
# vagy tokenekkel kezelik a konfigurációs URL-ben
# Legjobb gyakorlat: mindig használj require_approval-t írási műveleteknél
tools = [
{
"type": "mcp",
"server_label": "crm",
"server_url": "https://mcp.example.com/crm",
"require_approval": "always", # Emberi jóváhagyás
"allowed_tools": ["search_client", "client_profile"], # Eszközök korlátozása
}
]
Főbb megállapítások
- Az MCP egy nyílt szabvány a modellek és a külső szolgáltatások összekapcsolására
- Az OpenAI Connectors közvetlenül integrálja az MCP-t a Responses API-ba
- Készíts saját MCP szervereket belső szolgáltatások közzétételéhez
- Használd a
require_approvalparamétert az emberi jóváhagyás szabályozására - Csatlakoztass több MCP szervert egyetlen hívásban a funkciókon átnyúló munkafolyamatokhoz