OpenAI Agents SDK artık, yapay zeka birlikte çalışabilirliği için bir oyun değiştirici olan MCP'yi (Model Context Protocol) destekliyor. Bu, geliştiricilerin yapay zeka modellerini harici araçlara ve veri kaynaklarına verimli bir şekilde bağlamasına olanak tanır. Bu teknik kılavuzda, yapay zeka uygulamalarınızı geliştirmek için OpenAI Agents SDK ile MCP Sunucuları oluşturma konusunda size yol göstereceğiz.
MCP Sunucuları Nedir ve Neden OpenAI Agents SDK ile Kullanmalısınız?
MCP (Model Context Protocol) , uygulamaların büyük dil modellerine (LLM'ler) nasıl bağlam sağladığını standartlaştıran açık bir protokoldür. MCP'yi yapay zeka uygulamaları için bir USB-C bağlantı noktası gibi düşünün; yapay zeka modellerinin farklı veri kaynakları ve araçlarla sorunsuz bir şekilde etkileşim kurmasını sağlayan evrensel bir bağlayıcı görevi görür.
OpenAI Agents SDK, aracıların harici araçlara ve verilere erişmesini sağlamak için MCP Sunucularını entegre eder. MCP Sunucularını kullanmak, yapay zeka aracınız ile hem uzak hem de yerel kaynaklar arasında sorunsuz bir etkileşim sağlar. Bu entegrasyon, araç çağırmadaki karmaşıklığı azaltır ve aracı işlevselliğini artırır.
OpenAI + MCP Sunucu kombinasyonlarıyla oluşturabileceğiniz bazı örnekler şunlardır:
🕵️♂️ used gitingest to download all the docs from @OpenAIDevs Agents SDK
— Dan Mac (@daniel_mac8) March 23, 2025
excellent for providing to your AI Coding Agent as context if building with the OpenAI Agents SDK
download from the GitHub link below ⬇️ pic.twitter.com/0szZ43wMTv
OpenAI MCP Entegrasyonunu Kullanma Adımları
OpenAI Agents SDK ile MCP Sunucuları Oluşturmak için Önkoşullar
Başlamadan önce, şunlara sahip olduğunuzdan emin olun:
- Sisteminizde Python 3.8 veya üzeri yüklü
- pip aracılığıyla yüklenmiş OpenAI Agents SDK:
pip install openai-agents - Belirli örnekler için
npxgibi MCP sunucu komutlarını çalıştırmak üzere kurulmuş Node.js - Bağımlılık yönetimi için başlatılmış bir sanal ortamı olan bir proje dizini
- SDK async/await kullandığından, Python'da eşzamansız programlamaya ilişkin temel bir anlayış
Adım 1: MCP Sunucuları için Geliştirme Ortamınızı Kurun
# Projeniz için yeni bir dizin oluşturun
mkdir mcp-agent-project && cd mcp-agent-project
# Bir Python sanal ortamı başlatın
python -m venv venv && source venv/bin/activate
# Gerekli bağımlılıkları yükleyin
pip install openai-agents pyyaml
MCP Sunucularını tanımlamak için mcp_agent.config.yaml adlı bir yapılandırma dosyası ayarlayın. Bu yapılandırma, yerel dosyalara erişmek için bir dosya sistemi MCP sunucusuna işaret eder.
Adım 2: OpenAI Agents SDK'daki MCP Sunucu Türlerini Anlayın
MCP Sunucuları, MCP spesifikasyonunda tanımlandığı gibi iki türe ayrılır:
- stdio sunucuları: Uygulamanızın bir alt süreci olarak yerel olarak çalışır
- HTTP over SSE sunucuları: Uzaktan çalışır ve bir URL aracılığıyla bağlanır
OpenAI Agents SDK, bu sunucuları işlemek için iki sınıf sağlar:
MCPServerStdio: Yerel alt süreç tabanlı sunucular içinMCPServerSse: Uzak HTTP over SSE sunucuları için
Uygulamanızın mimarisine ve gecikme gereksinimlerine göre sunucu türünü seçin. Stdio sunucuları yerel geliştirme için idealdir, SSE sunucuları ise dağıtılmış sistemler için daha uygundur.
Adım 3: Bir MCP Sunucusunu OpenAI Aracınıza Bağlayın
OpenAI Agents SDK'dan gerekli sınıfları içe aktarın ve MCP sunucunuzu tanımlayın:
from openai_agents import Agent, MCPServerStdio
# Örnek dosyalarınızın yolunu tanımlayın
samples_dir = "/path/to/your/files"
# Sunucuyu başlatmak için async bağlam yöneticisini kullanın
async with MCPServerStdio(
params={
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", samples_dir],
}
) as server:
# MCP sunucusu tarafından sağlanan araçları listeleyin
tools = await server.list_tools()
# MCP sunucusunu kullanan bir aracı oluşturun
agent = Agent(
name="Assistant",
instructions="Use the filesystem tools to help the user with their tasks.",
mcp_servers=[server]
)
# Aracı çalıştırın
result = await agent.run("List the files in the directory.")
Bu kurulum, aracın yürütme sırasında dosya sistemi araçlarını dinamik olarak kullanmasını sağlar.
Adım 4: Araç Önbelleğe Alma ile Performansı Optimize Edin
MCP Sunucuları, bir aracı her çalıştırdığında list_tools() çağırır, bu da özellikle uzak sunucularda gecikmeye neden olabilir. Bu yükü azaltmak için, araç önbelleğe almayı etkinleştirebilirsiniz:
# Sunucuyu başlatırken önbelleğe almayı etkinleştirin
async with MCPServerStdio(
params={
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", samples_dir],
},
cache_tools_list=True # Önbelleğe almayı etkinleştirin
) as server:
# Araç listesi ilk çağrıdan sonra önbelleğe alınacaktır
tools = await server.list_tools()
Önbelleğe alma için önemli hususlar:
- Araç listesinin çalışma zamanında değişmeyeceğinden eminseniz yalnızca önbelleğe almayı kullanın
- Araçların güncellenmesi gerekiyorsa, önbelleği geçersiz kılın:
await server.invalidate_tools_cache() - Önbelleğe alma, hem stdio hem de SSE sunucuları için çalışır ve uzak sunucular için daha büyük performans avantajları sağlar
Adım 5: MCP Sunucu Entegrasyonunu Aracınızın İş Akışıyla Uygulayın
MCP sunucularını aracınızla tam olarak entegre etmek için:
from openai_agents import Agent, MCPServerStdio, MCPServerSse
async def run_agent_with_mcp_servers():
# Yerel stdio MCP sunucusunu başlatın
local_server = MCPServerStdio(
params={
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "./local_files"],
},
cache_tools_list=True
)
# Uzak SSE MCP sunucusunu başlatın (gerekirse)
remote_server = MCPServerSse(
url="<https://your-remote-mcp-server.com/stream>",
cache_tools_list=True
)
async with local_server, remote_server:
# Her iki sunucuyla da aracı oluşturun
agent = Agent(
name="MultiToolAgent",
instructions="Use the available tools to accomplish tasks.",
mcp_servers=[local_server, remote_server]
)
# Aracı çalıştırın
result = await agent.run("Complete the requested task using appropriate tools.")
return result
Bu yaklaşım, aracınıza standartlaştırılmış MCP arayüzleri aracılığıyla hem yerel hem de uzak araçlara erişim sağlar.
Adım 6: MCP Sunucularınızı Hata Ayıklayın ve İzleyin
Etkili hata ayıklama ve izleme stratejileri şunları içerir:
- Araç yürütme sırasında hatalar için MCP sunucu günlüklerini kontrol etme
- Araç çağrılarını izlemek için OpenAI Agents SDK'nın izleme panosunu kullanma
- Sağlamlığı sağlamak için geçersiz araç adları veya sunucu kesintisi gibi uç durumları test etme
- Gerekirse uzak SSE sunucularını kullanırken gecikmeyi izleme ve önbelleğe alma ile optimizasyon yapma
- SDK'nın aşağıdakileri otomatik olarak yakalayan yerleşik izleme işlevinden yararlanma:
- Araçları listelemek için MCP sunucularına yapılan çağrılar
- Fonksiyon çağrılarında MCP ile ilgili bilgiler
Ek olarak, API Geliştirme döngünüzü kolaylaştırmak için bir Hepsi Bir Arada API Test aracı kullanmayı da düşünebilirsiniz.
Apidog, API geliştirmeyi basitleştiren güçlü bir araçtır ve OpenAI Agents SDK ile MCP Sunucuları oluştururken mükemmel bir yardımcıdır. MCP Sunucuları genellikle API'lerle etkileşim içerdiğinden (uzak HTTP over SSE sunucuları veya test araç çağrıları için olsun), Apidog iş akışınızı geliştirebilir.
Sonuç
OpenAI Agents SDK ile MCP Sunucuları oluşturmak, yapay zeka aracılarını harici araçlar ve veri kaynaklarıyla geliştirme konusunda yeni olanaklar sunar. Standartlaştırılmış MCP arayüzü, farklı ortamlarda entegrasyonu daha basit ve daha güvenilir hale getirir.
Bu kılavuzu izleyerek, Model Context Protocol aracılığıyla hem yerel hem de uzak kaynaklardan yararlanan güçlü aracılar oluşturabilirsiniz. MCP ekosistemi büyümeye devam ettikçe, aracileriniz giderek genişleyen bir araç ve yetenek kümesine erişebilecek.
Daha fazla örnek ve ayrıntılı belgeler için, resmi OpenAI Agents SDK MCP belgelerini ziyaret edin. SDK'nın MCP desteği, yapay zeka aracılarını daha yetenekli ve dijital dünyaya bağlı hale getirmede önemli bir adımı temsil ediyor.
