MCP + OpenAI Agents SDK: Cómo construir un poderoso agente de IA

Cuando se abrieron susAgents SDKHace unas semanas, los desarrolladores de todo el mundo se hicieron hip-hop —y por buena razón! Finalmente, una forma sencilla de construir agentes de IA orientados a objetivos que realmente puedan razonar yHaz el trabajo hecho.

pero casi en la misma respiración,MCPexplotó en el escenario, convirtiéndose rápidamente en la próxima tendencia caliente en este paisaje de IA salvaje. ¿Por qué no romper estos dos powerhouses juntos?!

En esta guía,we're going to forge a formidable AI agentaprovechando el SDK de Agentes de OpenAI y conectándolo directamente a las herramientas del mundo real proporcionadas por un servidor MCP. ¡Prepárate para sobrecargar tu IA!

Introducción a la integración de MCP + OpenAI Agents SDK

OpenAI Agents SDK es uno de los conjuntos de herramientas de Python más populares para elaborar agentes inteligentes de IA, permitiéndoles razonar y actuar. Pero aquí está el kicker: sin información externa, a menudo se encuentran atrapados en una burbuja de datos de entrenamiento.

Piense en MCP como el puerto USB-C universal para su IA, dándole una forma estandarizada de conectarcualquierfuente de datos externa o herramienta: archivos locales, APIs, bases de datos, los nombres.

La integración de MCP con el SDK de Agentes de OpenAI significa que sus agentes obtienen un contexto dinámico en tiempo real, convirtiéndolos de bots inteligentes pero aislados en exploradores de datos y tomadores de acción!

Construir un agente de IA con integración de MCP utilizando el SDK de Agentes de OpenAI

Bueno, la teoría es suficiente. lo obtienes: MCP sobrecarga a los agentes de IA como si fueranHombre de hierroEn su icónica ropa de metal.

En esta sección paso a paso, vamos a usar el SDK de Agentes de OpenAI -yep, el nuevo SDK de Python de OpenAI- para construir un agente de IA con integración MCP.native MCP support, lo que significa que su agente puede ir de inteligente aSuperpoderesen segundos.

Ahora, pequeña captura: la API de OpenAI no es gratuita. 😅 Así que en esta guía,we’ll run it using Gemini as the LLM engine instead(No te preocupes, te mostraremos cómo intercambiar en OpenAI o cualquier otro modelo también).

¿Cuál es el servidor MCP que estamos utilizando?

Buena pregunta! Para comenzar rápidamente, estamos conectandoServicio de datos MCP—un servidor MCP construido para la automatización web y las tareas de datos. Permite a su agente de IA buscar, navegar, tomar acciones y extraer datos en tiempo real de la Web —con stealth integrado para eludir CAPTCHAs yArmaduras anti-bot.

En concreto, a continuación se muestran todas las herramientas soportadas por el servidor MCP Bright Data ️:

search_engine

Grabar datos de SERP (de Google, Bing, Yandex y más)

scrape_as_markdown

Raspar una URL y devolver el contenido en Markdown limpio

scrape_as_html

Grabar una URL y devolver el contenido HTML completo

session_stats

Ver el uso de la herramienta durante la sesión actual

web_data_amazon_product

Obtener información de productos de Amazon por URL

web_data_amazon_product_reviews

Comentarios de Amazon para un producto

web_data_linkedin_person_profile

Recopilación de datos de perfil de LinkedIn

web_data_linkedin_company_profile

Datos de la empresa Linkedin

web_data_zoominfo_company_profile

Obtener el perfil de ZoomInfo

web_data_instagram_profiles

Detalles del perfil de Instagram

web_data_instagram_posts

Obtener datos de Instagram Post

web_data_instagram_reels

Obtener datos reales de Instagram

web_data_instagram_comments

Fetch comentarios de un post de Instagram

web_data_facebook_posts

Extracto de Facebook Post Info

web_data_facebook_marketplace_listings

Obtener listas de Facebook Marketplace

web_data_facebook_company_reviews

Scrape comentarios de negocios de Facebook

web_data_x_posts

Recopilación de datos de X (anteriormente Twitter) publicaciones

web_data_zillow_properties_listing

Obtener listas de propiedades de Zillow

web_data_booking_hotel_listings

Fetchpor Booking.comLista de hoteles

web_data_youtube_videos

Extracción de metadatos de video de YouTube

scraping_browser_navigate

Navegar a una nueva URL en un navegador virtual

scraping_browser_go_back

Volver a una página en el navegador

scraping_browser_go_forward

Avanzar una página en el navegador

scraping_browser_click

Haga clic en un elemento de página (needs selector)

scraping_browser_links

Obtenga todos los enlaces y selectores en la página

scraping_browser_type

Tipo en un formulario o entrada

scraping_browser_wait_for

Esperar a que aparezca un elemento

scraping_browser_screenshot

Capturar una captura de pantalla de la página actual

scraping_browser_get_html

Obtener HTML crudo de la página

scraping_browser_get_text

Extraer contenido de texto de la página

¿Estás listo para rodar? ¡Ve cómo conseguir que tu agente de IA hable con el servidor MCP para obtener potencia ilimitada!

Paso #1: Desarrollo del proyecto

Para seguir junto con esta sección de tutoria, asegúrese de tener los siguientes requisitos previos en su lugar:

• Python 3.10+ instalado localmente
• Node.js instalado localmente
• Una clave de API de un proveedor de LLM compatible para el SDK de Agentes de OpenAI (recomendamos Gemini para este)

Saltaremos el aburrido flujo de configuración y asumiremos que ya ha creado un proyecto de Python con esta estructura:

/openai-agents-mcp
├── venv/
├── .env
└── agent.py

Ahora, activa tu entorno virtual (venv/Instalar los paquetes necesarios:

pip install openai-agents python-dotenv

Dónde es:

• openai-agents es el OpenAI Agents Python SDK, tu puerta de entrada a la magia del agente de IA
• python-dotenv es para leer valores de un archivo .env

A continuación, abiertoagent.pyTiempo para leer en esas variables ambientales y prepararse para el lanzamiento del agente:

import asyncio
from dotenv import load_dotenv
import os
from agents import (
    Runner,
    Agent,
    OpenAIChatCompletionsModel,
    set_default_openai_client,
    set_tracing_disabled
)
from openai import AsyncOpenAI
from agents.mcp import MCPServerStdio

# Load environment variables from the .env file
load_dotenv()

async def run():
    # AI Agent logic goes here...
    pass

if __name__ == "__main__":
    asyncio.run(run())

Boom! estás de pie y corriendo con los básicos.

Paso #2: Comience con el servidor MCP de datos brillantes

Entonces, tú¿Quieres que tu agente de IA hable con un servidor MCP?

Bueno, adivinen qué — necesitará un servidor MCP que funcione primero (sí,El Capitán ObvioInformar por el deber!

Como se mencionó anteriormente, se utilizará elBright Data MCP ServerEn este caso, primero,Agarra tu clave de API e inicia el servidor de acuerdo con los documentos oficiales del servidor MCP de Bright Data.

Una vez que esté listo, inicie el servidor con este comando:

npx -y @brightdata/mcp 

Si todo está configurado correctamente, debe ver una salida similar a esta:

Checking for required zones...
Required zone "mcp_unlocker" already exists
Starting server...

¡Muy bueno!

Ahora, configure las variables de entorno que el agente utilizará para conectarse al servidor MCP Bright Data..envDescargar y agregar estas dos líneas:

BRIGHT_DATA_API_TOKEN="<YOUR_BRIGHT_DATA_API_TOKEN>"
BRIGHT_DATA_BROWSER_AUTH="<BRIGHT_DATA_BROWSER_AUTH>"

Reemplaza los portadores de espacio con los valores obtenidos como se explica en los documentos del servidor MCP de Bright Data.

Volver enagent.pyLea en estos dos versos así:

BRIGHT_DATA_API_TOKEN = os.getenv("BRIGHT_DATA_API_TOKEN")
BRIGHT_DATA_BROWSER_AUTH = os.getenv("BRIGHT_DATA_BROWSER_AUTH")

Usaremos estos valores pronto al inicializar la conexión MCP desde el código.

Y al igual que eso, tu servidor MCP está en funcionamiento, en funcionamiento y listo para servir a tu agente de IA como un sidekick leal.

Paso #3: Crea tu agente de IA

Como se teje en la introducción de esta sección, vamos a usar Gemini (yep, el brillante LLM de Google) con el SDK de Agentes de OpenAI.

En primer lugar -¿Puedes incluso hacer eso?En segundo lugar -¿Por qué no usar OpenAI directamente?

Response¡Sí, usted puede hacer eso! 🙂Gemini exposes an OpenAI-compatible API, lo que significa que puedes conectarlo directamente al SDK de OpenAI Agents como un reemplazo de drop-in.It’s free—A diferencia de OpenAI, que le gusta cargar por el token.

Así que aquí está por qué tiene sentido usar Gemini en lugar de OpenAI directamente! 💡

Basta de chit-chat, vamos a arrastrar las cosas ☀. Primero, agarra tuLa clave de API Gemini de Google AI Studioy lo pongo en tu.envEl archivo:

GEMINI_API_KEY="<YOUR_GEMINI_API_KEY>"

Luego, enagent.pyLea la clave así:

GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")

Ahora, construya una función que conecte todo: elGemini model, OpenAI SDK, and the MCP server(que configuraremos en el código pronto ️):

async def create_mcp_ai_agent(mcp_server):
    # Initialize Gemini client using its OpenAI-compatible interface
    gemini_client = AsyncOpenAI(
        api_key=GEMINI_API_KEY,
        base_url="https://generativelanguage.googleapis.com/v1beta/openai/"
    )

    # Set the default OpenAI client to Gemini
    set_default_openai_client(gemini_client)
    # Disable tracing to avoid tracing errors being logged in the terminal
    set_tracing_disabled(True)

    # Create an agent configured to use the MCP server and Gemini model
    agent = Agent(
        name="Assistant",
        instructions="You are a helpful assistant",
        model=OpenAIChatCompletionsModel(
            model="gemini-2.0-flash",
            openai_client=gemini_client,
        ),
        mcp_servers=[mcp_server]
    )

    return agent

Si desea utilizar otro modelo compatible (como Claude, Mistral u otros modelos), simplemente cambie elbase_urlEl nombre del modelo en consecuencia.

Extra: ¿Quieres usar OpenAI en su lugar? No hay problema.OPENAI_API_KEYy sustituye la lógica anterior por:

async def create_mcp_ai_agent(mcp_server):
    # Create an agent configured to use the MCP server and Gemini model
    agent = Agent(
        name="Assistant",
        instructions="You are a helpful assistant",
        mcp_servers=[mcp_server]
    )

    return agent

Intercambio fácil, la misma interfaz: esa es la belleza del SDK.

Y si te preguntas dónde está elmcp_serverEl argumento proviene de – lo inicializaremos en el siguiente paso (alerta de spoiler).

Paso #4: Iniciar el servidor MCP

Dentro de turun()la función async, reemplazar el servidor MCP Bright Data utilizandonpxcomo esto:

async with MCPServerStdio(
    name="Bright Data web data MCP server, via npx",
    params={
        "command": "npx",
        "args": ["-y", "@brightdata/mcp"],
        "env": {
            "API_TOKEN": BRIGHT_DATA_API_TOKEN,
            "BROWSER_AUTH": BRIGHT_DATA_BROWSER_AUTH,
        }
    },
    client_session_timeout_seconds=180   # To avoid timeout errors
) as server:
    # Create and initialize the AI agent with the running MCP server
    agent = await create_mcp_ai_agent(server)

    # AI agent loop logic...

️ ¿Qué está sucediendo aquí? Esto inicia el servidor MCP usandonpx -y @brightdata/mcp, pasando sus credenciales a través de variables ambientales.

Título: No te olvides de batirclient_session_timeout_secondsDos180segundos (default es5) porquerascado en tiempo real, resolución de CAPTCHA y movimientos de ninja anti-botLa operación realizada por el servidor MCP de Bright Data toma tiempo . No quieres que se acorte en medio de la misión.

✅ dulce! Lo único que queda es arrancar la loop del agente de IA... Vamos a envolverlo.

Paso #5: Define el loop de agente de IA

Dentro del bloque de asíncope del servidor MCP, caiga en un loop REPL (Read-Eval-Print) para que los usuarios puedan escribir sus solicitudes, enviarlas a través del agente alimentado por MCP y recuperar la magia ✨:

while True:
    # Read the user's request
    request = input("Your request -> ")

    # Exit condition
    if request.lower() == "exit":
        print("Exiting the agent...")
        break

    # Run the request through the agent
    output = await Runner.run(agent, input=request)

    # Print the result to the user
    print(f"Output -> \n{output.final_output}\n\n")

Este pequeño fragmento de Python es el centro de comando de tu agente de IA. Continuamente captura tus solicitudes, las alimenta al agente, y luego salta el resultado final, glorioso.Piensa en él como la consola de no frills para tu cerebro de IA, listo para tomar órdenes hasta que le digas que "salga" .

¿Habéis tenido ese momento “whoa”?Si no, déjame que te lo explique:you just wired up a full AI agent loop using the OpenAI Agents SDK + Bright Data’s MCP server + Gemini!

Ahora estás listo para ver el código completo, todo unido como un hermoso monstruo de la automatización de la IA de Frankenstein.

Paso #6: Ponlo todo juntos

Este es tu script de Python final para la integración OpenAI Agents SDK + MCP (alimentado por Gemini para ahorrar dinero ):

import asyncio
from dotenv import load_dotenv
import os
from agents import (
    Runner,
    Agent,
    OpenAIChatCompletionsModel,
    set_default_openai_client,
    set_tracing_disabled
)
from openai import AsyncOpenAI
from agents.mcp import MCPServerStdio

# Load environment variables from the .env file
load_dotenv()

# Read the required secrets envs from environment variables
BRIGHT_DATA_API_TOKEN = os.getenv("BRIGHT_DATA_API_TOKEN")
BRIGHT_DATA_BROWSER_AUTH = os.getenv("BRIGHT_DATA_BROWSER_AUTH")
GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")

async def create_mcp_ai_agent(mcp_server):
    # Initialize Gemini client using its OpenAI-compatible interface
    gemini_client = AsyncOpenAI(
        api_key=GEMINI_API_KEY,
        base_url="https://generativelanguage.googleapis.com/v1beta/openai/"
    )

    # Set the default OpenAI client to Gemini
    set_default_openai_client(gemini_client)
    # Disable tracing to avoid tracing errors being logged in the terminal
    set_tracing_disabled(True)

    # Create an agent configured to use the MCP server and Gemini model
    agent = Agent(
        name="Assistant",
        instructions="You are a helpful assistant",
        model=OpenAIChatCompletionsModel(
            model="gemini-2.0-flash",
            openai_client=gemini_client,
        ),
        mcp_servers=[mcp_server]
    )

    return agent

async def run():
    # Start the Bright Data MCP server via npx
    async with MCPServerStdio(
        name="Bright Data web data MCP server, via npx",
        params={
            "command": "npx",
            "args": ["-y", "@brightdata/mcp"],
            "env": {
                "API_TOKEN": BRIGHT_DATA_API_TOKEN,
                "BROWSER_AUTH": BRIGHT_DATA_BROWSER_AUTH,
            }
        },
        client_session_timeout_seconds=180  # To avoid timeout errors
    ) as server:
        # Create and initialize the AI agent with the running MCP server
        agent = await create_mcp_ai_agent(server)

        # Main REPL loop to process user requests
        while True:
            # Read the user's request
            request = input("Your request -> ")

            # Exit condition
            if request.lower() == "exit":
                print("Exiting the agent...")
                break

            # Run the request through the agent
            output = await Runner.run(agent, input=request)

            # Print the result to the user
            print(f"Output -> \n{output.final_output}\n\n")

if __name__ == "__main__":
    asyncio.run(run())

Un agente de IA que puede navegar por la web, eludir los anti-bots, agarrar datos en tiempo real y hablar de nuevo, como si no fuera una gran cosa.

Gracias a la nuevaLos protocolosy herramientas de desarrollo como OpenAI Agents SDK y Bright Data MCP, la automatización de la IA es ahora... casi demasiado fácil.

Paso #7: Prueba el agente de IA alimentado por MCP

Execute su agente AI desde el terminal con:

python agent.py

Para Linux y macOS:

python3 agent.py

Usted será recibido por un prompt amigable como:

Your request ->

Por ejemplo, trate de preguntar al agente qué herramientas MCP tiene:

What tools are you linked to through MCP?

Te devolverás algo como:

Como puede ver, su agente de IA está al tanto de todas las herramientas de MCP de datos brillantes a las que puede conectarse, y está listo para usarlas!

Bueno, es hora de liberar la bestia! Pongamos esas brillantes herramientas de MCP a la prueba final: Comanda a tu agente de IA para raspar algunos datos jugosos de la página de Amazon P5 :

Para lograrlo, da una promptura como:

From the Amazon product page "https://www.amazon.com/PlayStation%C2%AE5-console-slim-PlayStation-5/dp/B0CL61F39H/", extract the main info and return it in JSON format

Hazlo y el resultado será:

En particular, la salida debe ser algo como:

{
  "title": "PlayStation®5 console (slim)",
  "seller_name": "Amazon.com",
  "brand": "Sony",
  "description": "The PS5 console unleashes new gaming possibilities that you never anticipated. Experience lightning fast loading with an ultra-high speed SSD, deeper immersion with support for haptic feedback, adaptive triggers, and 3D Audio*, and an all-new generation of incredible PlayStation games. Lightning Speed - Harness the power of a custom CPU, GPU, and SSD with Integrated I/O that rewrite the rules of what a PlayStation console can do. Stunning Games - Marvel at incredible graphics and experience new PS5 features. Play a back catalog of supported PS4 games. Breathtaking Immersion - Discover a deeper gaming experience with support for haptic feedback, adaptive triggers, and 3D Audio technology. Vertical stand sold separately. *3D audio via built-in TV speakers or analog/USB stereo headphones. Set up and latest system software update required.",
  "initial_price": 499,
  "currency": "USD",
  "availability": "In Stock",
  "reviews_count": 6759,
  "categories": [
    "Video Games",
    "PlayStation 5",
    "Consoles"
  ],
  "asin": "B0CL61F39H",
  "buybox_seller": "Amazon.com",
  "number_of_sellers": 1,
  "root_bs_rank": 18,
  "answered_questions": 0,
  "domain": "https://www.amazon.com/",
  "images_count": 5,
  "url": "https://www.amazon.com/PlayStation%C2%AE5-console-slim-PlayStation-5/dp/B0CL61F39H?th=1&psc=1&language=en_US&currency=USD",
  "video_count": 6,
  "image_url": "https://m.media-amazon.com/images/I/41ECK5cY-2L._SL1000_.jpg",
  "item_weight": "10.6 pounds",
  "rating": 4.7,
  "product_dimensions": "14 x 17 x 7 inches; 10.6 Pounds",
  "seller_id": "ATVPDKIKX0DER",
  "date_first_available": "December 10, 2023",
  "model_number": "CFI-2015",
  "manufacturer": "Sony",
  "department": "Video Games",
  "plus_content": true,
  "video": true,
  "final_price": 499,
  "delivery": [
    "FREE delivery Monday, May 26",
    "Or Prime members get FREE delivery Tomorrow, May 22. Order within 15 hrs 43 mins. Join Prime"
  ],
  "features": [
    "Model Number CFI-2000",
    "Includes DualSense Wireless Controller, 1TB SSD, Disc Drive, 2 Horizontal Stand Feet, HDMI Cable, AC power cord, USB cable, printed materials, ASTRO’s PLAYROOM (Pre-installed game)",
    "Vertical Stand sold separately"
  ],
  "bought_past_month": 8000,
  "is_available": true,
  "root_bs_category": "Video Games",
  "bs_category": "PlayStation  Consoles",
  "bs_rank": 15,
  "badge": "Amazon's  Choice",
  "subcategory_rank": [
    {
      "subcategory_name": "PlayStation 5 Consoles",
      "subcategory_rank": 1
    }
  ],
  "amazon_choice": true,
  "product_details": [
    {
      "type": "ASIN",
      "value": "B0CL61F39H"
    },
    {
      "type": "Release date",
      "value": "December 10, 2023"
    },
    {
      "type": "Customer Reviews",
      "value": "4.74.7 out of 5 stars6,759 ratings4.7 out of 5 stars"
    },
    {
      "type": "Best Sellers Rank",
      "value": "#18 in Video Games (See Top 100 in Video Games)#1 in PlayStation 5 Consoles"
    },
    {
      "type": "Product Dimensions",
      "value": "14 x 17 x 7 inches; 10.6 Pounds"
    },
    {
      "type": "Type of item",
      "value": "Video Game"
    },
    {
      "type": "Item model number",
      "value": "CFI-2015"
    },
    {
      "type": "Item Weight",
      "value": "10.6 pounds"
    },
    {
      "type": "Manufacturer",
      "value": "Sony"
    },
    {
      "type": "Country of Origin",
      "value": "China"
    },
    {
      "type": "Batteries",
      "value": "1 Lithium Ion batteries required. (included)"
    },
    {
      "type": "Date First Available",
      "value": "December 10, 2023"
    }
  ],
  "country_of_origin": "China",
  "seller_url": "https://www.amazon.com/sp?ie=UTF8&seller=ATVPDKIKX0DER&asin=B0CL61F39H",
  "customers_say": "Customers find the PlayStation 5 console runs well and performs mind-blowingly fast, with quick loading times and smooth game performance. The graphics quality receives positive feedback, with one customer highlighting its stunning 120Hz visuals, while the console is easy to set up with an intuitive user interface. Customers consider the price worth the investment and appreciate its pristine condition. The noise level receives mixed reviews, with some customers finding it super quiet while others report it being loud.",
  "climate_pledge_friendly": false,
  "sponsered": true,
  "store_url": "https://www.amazon.com/stores/PlayStationPlayHasNoLimits/page/5AF5EF82-86EF-4699-B450-C232B3BD720E?lp_asin=B0CL61F39H&ref_=ast_bln&store_ref=bl_ast_dp_brandLogo_sto",
  "ships_from": "Amazon.com",
  "customers_say": {
    "text": "Customers find the PlayStation 5 console runs well and performs mind-blowingly fast, with quick loading times and smooth game performance. The graphics quality receives positive feedback, with one customer highlighting its stunning 120Hz visuals, while the console is easy to set up with an intuitive user interface. Customers consider the price worth the investment and appreciate its pristine condition. The noise level receives mixed reviews, with some customers finding it super quiet while others report it being loud.",
    "keywords": {
      "positive": [
        "Functionality",
        "Gaming experience",
        "Value for money",
        "Graphics quality",
        "Quality",
        "Speed",
        "Ease of setup"
      ],
      "negative": null,
      "mixed": [
        "Noise level"
      ]
    }
  },
  "max_quantity_available": 30,
  "timestamp": "2025-05-21T10:46:13.487Z"
}

Wow! 🤯

One prompt, and you just scraped all the data from an Amazon product page.Y no sólo cualquier sitio - Amazon es notoriamente difícil de raspar gracias a los CAPTCHAs agresivos y las defensas anti-bot.

¿Cómo ha funcionado eso?Detrás de las escenas, el agente de la IA llamó a laweb_data_amazon_productLa herramienta MCP —una de las herramientas de potencia pre-construidas expuestas por el servidor MCP Bright Data. Se encargó del trabajo sucio: resolver CAPTCHAs, eludir la detección de bot y recoger la mercancía.

¡Y no se detiene ahí!

¿Puedes usarlo para pedir al agente de la IA un análisis adicional elaborando prompts más complejos.Después de todo, el agente de la IA puede elegir y unir libremente herramientas de su conjunto de herramientas alimentado por MCP, por lo queLas posibilidades son verdaderamente infinitas️

Con este poderoso sistema, el¡El mundo es tuyo!(Sólo no vayas lleno de Tony Montana)

Pensamientos finales

Ahora sabes cómo sobrecargar cualquier agente de IA construido con el SDK de Agentes de OpenAI, ya sea que se ejecute en GPT, Gemini o cualquier otra cosa, conectándolo a un servidor MCP.

En detalle, nos metimos en el poderosoBright Data MCP serverSólo una de lasMuchos servicios que hemos construido para soportar flujos de trabajo de IA en el mundo real a escala.

En Bright Data, nuestra misión es simple: hacer que la IA sea accesible para todos, en cualquier lugar. Así que hasta la próxima vez, mantente curioso, mantente audaz y continúe construyendo el futuro de la IA con creatividad.