小黃老師嘿技術

from openai import OpenAI
client = OpenAI()

resp = client.responses.create(
model="gpt-4.1",
tools=[{
"type": "mcp",
"server_label": "canva",
"server_url": "[https://mcp.canva.com/mcp](https://mcp.canva.com/mcp)",
"headers": {"Authorization": "Bearer "}
}],
input=(
"使用 Canva MCP 建立 12 頁 16:9 的簡報《生成式 AI 行銷入門》；"
"用我的品牌色深藍＋金；依序產生封面、議程、趨勢(3)、案例(3)、流程(2)、Q&A、結尾。"
"插入品牌資料夾的 Logo；完成後匯出 PDF 與每頁 PNG，回傳設計連結與檔案 URL。"
)
)
print(resp.output_text) 

import OpenAI from "openai";
const client = new OpenAI();

const resp = await client.responses.create({
model: "gpt-4.1",
tools: [{
type: "mcp",
server_label: "canva",
server_url: "[https://mcp.canva.com/mcp](https://mcp.canva.com/mcp)",
headers: { Authorization: "Bearer " }
}],
input: "使用 Canva MCP 建立 12 頁 16:9 的簡報，主題為《生成式 AI 行銷入門》…並匯出 PDF 與 PNG。"
});
console.log(resp.output_text); 

請以模板「A+ - Presentation」為基底，自動填入以下欄位：
- 標題：生成式 AI 行銷入門
- 章節：市場趨勢、成功案例、導入流程
- CTA：預約顧問（https://example.com/booking）
完成後匯出 PDF 與每頁 PNG。

什麼是 MCP？

MCP（Model Context Protocol）是一套開放協議，用來把 LLM 客戶端（如 ChatGPT）與外部系統連起來，包含「工具（tools）」、「資料來源（resources）」、「提示模板（prompts）」等。直覺地把它想像成 AI 的 USB‑C：一次對接，跨模型／跨平台可重用。

OpenAI 最新支援現況（截至 2025-10-09）

• Responses API：原生支援「type: mcp」工具，能直接連接「遠端 MCP 伺服器」（remote servers）。
• Agents SDK（Python）：提供多種傳輸介面，含 Hosted MCP（由 OpenAI 端代理呼叫）、HTTP、HTTP+SSE、以及 stdio 本地子程序。
• ChatGPT 產品：可在 Developer Mode 下新增「自訂連接器（Custom Connectors）」；企業/校園工作區（Enterprise/Edu/Business/Team）可由管理員發佈連接器，成員即可在深度研究或聊天中使用。

ChatGPT（介面）如何啟用與使用 MCP 連接器

1. 開啟 Developer Mode：到 ChatGPT「設定 → Connectors → Advanced → Developer mode」。個人方案（Plus/Pro）要使用自訂連接器需開啟此模式；企業／校園／商務工作區可由管理員發佈後供全員使用。
2. 新增自訂連接器：在「Connectors」搜尋或新增自家 MCP 伺服器（通常需要伺服器 URL、標籤 label、以及可能的認證資訊）。
3. 授權與可見範圍：首次使用請完成 OAuth/API Token 等授權；工作區管理員可限制哪些角色能新增或使用自訂連接器。
4. 使用場景：在「深度研究」或「聊天」中選取剛新增的連接器，直接以自然語言下達任務（例如：查詢 CRM、下單、讀檔、發工單等）。

API：用 Responses API 串接遠端 MCP 伺服器

最短可行範例（Python）：

from openai import OpenAI
client = OpenAI()

resp = client.responses.create(
model="gpt-4.1",
tools=[{
"type": "mcp",
"server_label": "shopify",
"server_url": "[https://example.com/mcp](https://example.com/mcp)"
}],
input="Add the toner pads to my cart"
)
print(resp.output_text)

等價的 JavaScript：

import OpenAI from "openai";
const client = new OpenAI();

const resp = await client.responses.create({
model: "gpt-4.1",
tools: [
{ type: "mcp", server_label: "shopify", server_url: "[https://example.com/mcp](https://example.com/mcp)" }
],
input: "Add the toner pads to my cart"
});
console.log(resp.output_text); 

Agents SDK（Python）整合：Hosted MCP、HTTP、SSE、stdio

以下展示三種常見整合方式：

4.1 Hosted MCP（由 OpenAI 端直接代理呼叫）

from agents import Agent, HostedMCPTool, Runner

agent = Agent(
name="Assistant",
tools=[HostedMCPTool(tool_config={
"type": "mcp",
"server_label": "gitmcp",
"server_url": "[https://gitmcp.io/openai/codex](https://gitmcp.io/openai/codex)",
"require_approval": "always"  # 可改 "never" 或依工具細項配置
})]
)
result = Runner.run(agent, "Which language is this repository written in?")
print(result.final_output) 

4.2 HTTP / HTTP+SSE 遠端伺服器

from agents import Agent, Runner
from agents.mcp import MCPServerStreamableHttp, MCPServerSse

# HTTP（自行管理連線與重試機制）

async with MCPServerStreamableHttp(name="HTTP server", params={
"url": "[http://localhost:8000/mcp](http://localhost:8000/mcp)",
"headers": {"Authorization": "Bearer "},
"timeout": 10
}, cache_tools_list=True) as server:
agent = Agent(name="Assistant", mcp_servers=[server])
print((await Runner.run(agent, "Add 7 and 22.")).final_output)

# SSE（伺服器以 Server-Sent Events 提供工具串流）

async with MCPServerSse(name="SSE server", params={"url": "[http://localhost:8000/sse"}](http://localhost:8000/sse%22})) as server:
agent = Agent(name="Assistant", mcp_servers=[server])
print((await Runner.run(agent, "Weather in Tokyo?")).final_output) 

4.3 本地 stdio 伺服器（以子程序啟動）

from pathlib import Path
from agents import Agent, Runner
from agents.mcp import MCPServerStdio

samples = Path(**file**).parent / "sample_files"
async with MCPServerStdio(name="FS", params={
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", str(samples)]
}) as server:
agent = Agent(name="Assistant", mcp_servers=[server])
print((await Runner.run(agent, "List the files available.")).final_output) 

如何建立並啟動一個 MCP 伺服器（入門）

1. 準備環境：node 18+ 或 python 3.10+。
2. 快速體驗檔案系統伺服器（Node）：

   npx -y @modelcontextprotocol/server-filesystem ./my-folder

3. 在本機測試連線：以 Agents SDK 啟動 MCPServerStdio 或 MCPServerStreamableHttp；若要接到 Responses API，請將伺服器部署為可公開存取的 URL。
4. 部署到雲端（例）：以 Cloudflare / Fly.io / 任意支援長連線的服務部署你的 HTTP/SSE MCP 伺服器，取得 server_url。
5. 串到 ChatGPT：在 Connectors 介面新增自訂連接器，貼上 server_url，完成授權。

常見用途與情境

視覺化示意圖（流程圖／架構圖）

以下兩張示意圖為純 HTML/CSS 元素繪製，無外部圖片與 SVG，適合直接貼上 Pixnet；所有文字均為繁體中文，並在手機上自動改成直向排版。

安全性與權限治理（強烈建議）

• 最小授權：讓 MCP 伺服器僅能存取必要資源；使用專用 API Key/Service Account，避免個人憑證。
• 審批流程：對具副作用的工具（如發信、金流、刪除），以 require_approval 或回呼機制加入人工核可。
• 稽核與封存：保存工具列表、呼叫參數、回傳摘要（切記勿無謂暴露敏感內容）。
• 傳輸面：HTTP/HTTPS 伺服器務必強制 TLS 與權杖驗證；本地 stdio 伺服器限制啟動環境。
• 來源信任：僅安裝來路清楚的第三方 MCP 伺服器；對開源套件釘版本、檢查變更紀錄。

疑難排解

• 「This MCP server doesn't implement our specification」：表示伺服器未符合規範（常見是缺少必要工具或回應格式錯誤）。請更新伺服器版本或依規格修正。
• 權限不足或需管理員核可：工作區管理員需在後台允許此連接器與授權範圍。
• 混用限制（個人 Plus/Pro）：Developer Mode 下自訂連接器暫時不能與內建連接器同時啟用，屬產品限制。

FAQ 與延伸閱讀

若你的使用者主要在 ChatGPT 介面互動，且偏重深度研究或聊天工作流，優先用「連接器」。若要做自家 App／多代理協作，或需要自訂審批、回放、追蹤與資料保護，建議用 Responses API 或 Agents SDK。

Hosted MCP 由 OpenAI 端直接代理工具呼叫，省去你在應用層處理工具列舉與回呼的複雜度；HTTP/SSE/stdio 模式則讓你完全掌控連線與環境，較適合企業與在地部署。

使用不同的 server_label 與 server_url，並在 IAM 上分段權限。對有副作用的工具，預設 require_approval=always，只有在生產環境才開放自動執行。