在 OpenAI 调用中使用 MCP

在 LLM 调用中使用 MCP — 结合 OpenAI 模型

使用 MCP 释放 OpenAI 模型潜力

OpenAI 模型，例如 GPT-4 或 GPT-3.5，正处于人工智能能力的前沿。然而，与所有大型语言模型（LLM）一样，它们的内置知识存在截止日期，并且无法直接访问实时数据、私有存储库或在外部系统中执行操作。模型上下文协议（Model Context Protocol, MCP）提供了一个强大的框架来克服这些限制，通过无缝连接 OpenAI 模型到外部数据源和工具，从而增强其准确性、相关性和执行任务的能力。

MCP 就像一个标准化的网关。您的应用程序在使用 OpenAI 模型时，可以利用 MCP 来获取必要的上下文或委托执行操作，从而使 LLM 能够以更广泛、更动态的信息集和能力进行操作。

通过 MCP 连接 OpenAI 模型到外部数据

MCP 允许您通过 MCP 服务器暴露“资源”（resources）。这些资源可以代表各种数据类型：服务器上的文件、数据库记录、内部 API 的内容，甚至是股票价格等实时数据流。当使用 OpenAI 模型的应用程序需要为其提供特定、最新或机密信息时，它可以求助于 MCP 客户端。

工作流程很简单：您的应用程序在准备向 OpenAI 模型发出的请求时，会识别出对外部上下文的需求。它使用 MCP 客户端从指定的 MCP 服务器（例如，从电子商务后端获取用户的购买历史记录）检索这些数据。MCP 服务器以结构化形式提供数据。您的应用程序随后将这些数据整合到发送给 OpenAI 模型的提示（prompt）中，使其能够生成更具上下文感知能力和更准确的输出。

• 示例数据源：公司内部维基、客户关系管理（CRM）数据、代码仓库、实时传感器数据。

通过 MCP 赋予 OpenAI 模型外部工具能力

通常，与 LLM 交互不仅仅涉及信息检索；它还需要执行动作。MCP 支持定义“工具”（tools）——OpenAI 模型可以请求使用的特定能力。这些工具可能包括发送消息、创建数据库条目、与版本控制系统交互或调用自定义业务逻辑 API 等操作。当 OpenAI 模型（通常通过其函数调用（function calling）能力）指示需要执行某个动作时，您的应用程序可以使用 MCP 来实现此目的。

例如，如果用户要求一个由 OpenAI 驱动的助手查找最新的销售报告，然后通过电子邮件与销售团队分享其关键发现，模型可能会首先处理该报告（作为 MCP 资源提供）。随后，它可能会指定需要使用一个“email_tool”（电子邮件工具）（可能使用 OpenAI 的函数调用（function calling）格式）。您的应用程序会解释此意图，然后使用 MCP 客户端在 MCP 服务器上调用相应的工具（并传递发现结果和收件人列表），MCP 服务器将负责电子邮件的发送。此操作的结果可以反馈给 OpenAI 模型，以便通知用户。

• 示例工具：API 交互模块（例如，用于 JIRA、GitHub）、代码执行环境、数据库操作工具、通信网关（电子邮件、短信）。

示例场景：MCP 与 OpenAI 模型协同工作

设想一个使用 OpenAI 模型（例如 GPT-4）构建的 AI 驱动研究助手。该助手可以帮助用户收集信息和起草文档。以下是 MCP 如何增强其效果的示例：

1. 用户请求：用户请求：“查找上个月发表的关于量子计算进展的最新文章，将其总结，并将摘要保存到我的‘研究笔记’文件夹中。”

2. 数据检索（MCP 资源 - 模拟）：应用程序可能首先使用常规搜索工具（或作为搜索 API 包装器的 MCP 工具）来查找最新文章。假设它找到了几篇相关的在线文章。要访问可能存储在公司服务器上的专有研究论文，它会使用 MCP 客户端：mcp_client.get_resource(server_id='internal_research_db', resource_path='/papers?topic=quantum&since=last_month')。

3. OpenAI 模型上下文提示（Prompt）：检索到的文章/论文内容（或其摘要）被编译并包含在发送给 OpenAI 模型的提示中：“以下是关于量子计算的最新文章内容：[…文章内容…]。请将这些信息综合成一份全面的摘要。然后，准备保存这份摘要。”

4. OpenAI 模型处理与工具指示（函数调用）：OpenAI 模型处理这些文章并生成摘要。然后，它会指示需要使用“save_document”工具（保存文档工具），可能通过其原生函数调用（function calling）功能，输出一个类似这样的 JSON：{"function_name": "save_document_tool", "arguments": {"file_path": "Research Notes/quantum_summary.txt", "content": "...generated summary..."}}。

5. 工具执行（MCP 工具）：您的应用程序收到来自 OpenAI 模型的这个结构化请求。随后，它使用 MCP 客户端在管理文件系统操作或与文档管理系统集成的 MCP 服务器上调用“save_document”工具。MCP 调用示例（概念性）：mcp_client.execute_tool(server_id='file_storage_service', tool_id='save_file_to_user_drive', params={'path': 'Research Notes/quantum_summary.txt', 'data': '...generated summary...'})。

6. 结果与最终响应：MCP 服务器执行该工具（保存文件），并将结果（例如，{'status': 'success', 'file_id': 'doc_xyz789'}）返回给您的应用程序。然后将此结果反馈给 OpenAI 模型，由其为用户生成最终响应：“我已经总结了量子计算的最新进展，并将摘要保存为‘quantum_summary.txt’到您的‘研究笔记’文件夹中。”

# 应用程序逻辑的Python概念性示例

# 假设 mcp_client 和 openai_client 已初始化

# --- 阶段 1：使用 MCP 为 OpenAI 模型获取数据 ---
def get_research_data_for_openai(topic, period):
    try:
        # 这可能是网络搜索和 MCP 资源的组合
        # 为简单起见，假设 MCP 资源提供了精选数据
        research_data = mcp_client.get_resource(
            server_id='internal_research_db',
            resource_path=f'/papers?topic={topic}&since={period}'
        )
        return f"Relevant research data on {topic} from {period}: {research_data}"
    except MCPError as e:
        print(f"MCP Error fetching research data: {e}")
        return f"Sorry, I couldn't retrieve research data on {topic}."

user_prompt_details = "Find recent articles on advancements in quantum computing published in the last month, summarize them, and save the summary to my 'Research Notes' folder."

# 应用程序提取主题和时间段
topic = "quantum computing"
period = "last_month"

context_from_mcp = get_research_data_for_openai(topic, period)

# messages_for_openai = [
#     {"role": "system", "content": "您是一个乐于助人的研究助手。当被要求保存文件时，请使用'save_document_tool'。"},
#     {"role": "user", "content": f"{context_from_mcp}\n\n用户指令: {user_prompt_details}"}
# ]

# tools_definition_for_openai = [
#     {
#         "type": "function",
#         "function": {
#             "name": "save_document_tool",
#             "description": "将文档保存到指定路径并包含给定内容。",
#             "parameters": {
#                 "type": "object",
#                 "properties": {
#                     "file_path": {"type": "string", "description": "文件应保存的路径，例如，'Research Notes/summary.txt'"},
#                     "content": {"type": "string", "description": "要保存的文档内容。"}
#                 },
#                 "required": ["file_path", "content"]
#             }
#         }
#     }
# ]

# openai_response = openai_client.chat.completions.create(
#     model="gpt-4",
#     messages=messages_for_openai,
#     tools=tools_definition_for_openai,
#     tool_choice="auto"
# )
# response_message = openai_response.choices[0].message
# tool_calls = response_message.tool_calls

# --- 阶段 2：OpenAI 模型指示工具使用，通过 MCP 执行 ---
# if tool_calls:
#     for tool_call in tool_calls:
#         if tool_call.function.name == 'save_document_tool':
#             function_args = json.loads(tool_call.function.arguments)
#             try:
#                 mcp_tool_result = mcp_client.execute_tool(
#                     server_id='file_storage_service',
#                     tool_id='save_file_to_user_drive', # MCP server's tool ID
#                     params=function_args
#                 )
#                 print(f"MCP Tool execution result: {mcp_tool_result}")

#                 # 将结果反馈给 OpenAI 模型以生成最终用户响应
#                 # messages_for_openai.append(response_message) # 添加助手的回复
#                 # messages_for_openai.append(
#                 #     {
#                 #         "tool_call_id": tool_call.id,
#                 #         "role": "tool",
#                 #         "name": 'save_document_tool',
#                 #         "content": json.dumps(mcp_tool_result)
#                 #     }
#                 # )
#                 # final_user_response = openai_client.chat.completions.create(
#                 #     model="gpt-4",
#                 #     messages=messages_for_openai
#                 # ).choices[0].message.content
#                 # print(final_user_response)

#             except MCPError as e:
#                 print(f"MCP Tool Error: {e}")
                # 处理错误，可能通知 OpenAI 模型或用户

本示例说明了 MCP 如何通过标准化对外部数据和工具的访问，显著增强 OpenAI 模型的能力，使其能够参与更复杂、更有用的工作流程，尤其是在利用其函数调用（function calling）功能时。