Integracja agentów z danymi firmowymi przez MCP w OpenAI Agents SDK

1. Czym jest Model Context Protocol?

Model Context Protocol (MCP) umożliwia agentom dostęp do zewnętrznych systemów – od GitHuba po bazy danych – bez pisania własnych wrapperów. Dokumentacja SDK opisuje dwa najczęściej używane transporty:

• MCPServerStreamableHttp – dla usług udostępnianych przez HTTP (idealne dla GitHuba, Notion).
• MCPServerStdio – dla lokalnych procesów uruchamianych z CLI (np. Postgresowy serwer MCP).

2. Konfiguracja streamowalnego serwera HTTP

Załóżmy, że chcesz, aby agent uzyskiwał dane z firmowego GitHuba i bazy wiedzy w Notion:

import {
  Agent,
  MCPServerStreamableHttp,
  createMCPToolStaticFilter,
} from "@openai/agents";

const githubMcp = new MCPServerStreamableHttp({
  name: "company-github",
  url: "https://mcp.github.com",
  cacheToolsList: true,
  toolFilter: createMCPToolStaticFilter(["list_pull_requests", "get_issue"]),
});

const notionMcp = new MCPServerStreamableHttp({
  name: "company-notion",
  url: "https://mcp.notion.com/mcp",
  cacheToolsList: true,
});

cacheToolsList: true przyspiesza ładowanie; kiedy dodasz nowe narzędzie, wywołaj githubMcp.invalidateToolsCache() aby odświeżyć cache.

3. Dodanie lokalnego serwera stdio

Do zapytań SQL skorzystaj z MCPServerStdio, który uruchomi serwer jako proces:

import { MCPServerStdio } from "@openai/agents";

const postgresMcp = new MCPServerStdio({
  fullCommand: "npx -y postgres-mcp-server",
  cacheToolsList: true,
  toolFilter: (tool) => tool.name?.startsWith("select_") ?? false,
});

W pliku .env przechowuj dane dostępowe (np. DATABASE_URL), a następnie przekaż je jako zmienne środowiskowe przy uruchamianiu procesu.

4. Agent korzystający z wielu MCP

Skonfiguruj agenta, który potrafi przełączać się między źródłami:

const opsAnalyst = new Agent({
  name: "Ops Analyst",
  instructions: `
    Odpowiadasz na pytania o status deployów, raporty błędów i dokumentację.
    Używaj MCP do pobierania danych: GitHub dla PR i issue, Notion dla runbooków, Postgres dla metryk.
  `,
  mcpServers: [githubMcp, notionMcp, postgresMcp],
});

Teraz po wywołaniu:

const result = await opsAnalyst.run({
  input: "Podaj status PR #245 i czy w bazie są nierozwiązane alerty.",
});
console.log(result.finalOutput);

Agent automatycznie wybierze odpowiednie narzędzia MCP (np. list_pull_requests, select_alerts) i zwróci scaloną odpowiedź. Dziennik result.newItems pokaże, które narzędzia zostały wykorzystane.

5. Dobre praktyki z dokumentacji

• Filtruj narzędzia – ograniczaj dostęp do konkretnych funkcji (createMCPToolStaticFilter lub funkcja własna), aby uniknąć wywołań spoza zakresu.
• Odświeżaj cache po zmianach – invalidateToolsCache() gwarantuje, że agent pozna nowe endpointy bez restartu aplikacji.
• Łącz MCP z guardrailami – zanim agent sięgnie po dane wrażliwe, sprawdź kontekst wejścia (np. czy pytanie ma odpowiedni poziom uprawnień).
• Monitoruj błędy – obsługuj wyjątki w try/catch, aby informować użytkownika, gdy zewnętrzny serwer MCP jest niedostępny.

Z tą konfiguracją agent AI zyskuje wgląd w realne systemy firmowe i może odpowiadać na bieżąco na pytania o deploye, zgłoszenia czy metryki – bez ręcznego kopiowania danych.

📚 Dokumentacja i Zasoby

Oficjalna Dokumentacja

• Model Context Protocol
• OpenAI Agents SDK - JavaScript
• OpenAI Agents - MCP Integration
• MCP Servers Repository

Powiązane Artykuły

• MCP (Model Context Protocol)
• OpenAI Agents JS - Orkiestracja
• OpenAI Agents JS - Zespół Pomocowy