323 mga pagbabasa
323 mga pagbabasa

MCP + OpenAI Agents SDK: Paano Gumawa ng isang Powerful AI Agent

sa pamamagitan ng Bright Data18m2025/05/27
Read on Terminal Reader

Masyadong mahaba; Upang basahin

Ang bagong Agents SDK ng OpenAI ay nagpapahintulot sa pagbuo ng target-driven AI agents, habang ang MCP (Model Context Protocol) ay nagbibigay-daan sa kanila ng access sa real-world data. Ang tutorial na ito ay nagpapakita kung paano gamitin ang mga ito gamit ang Bright Data's MCP server at Gemini LLM upang bumuo ng malakas, kontekstong-aware agent.
featured image - MCP + OpenAI Agents SDK: Paano Gumawa ng isang Powerful AI Agent
Bright Data HackerNoon profile picture
0-item
1-item

Kapag bumalik na ako sa UP, i'll start buildingAgents SDKilang linggo ang nakaraan, mga devs sa lahat ng lugar ay hyped - at para sa isang mahusay na dahilan! Sa katapusan, isang simpleng paraan upang bumuo ng mga target-driven AI na mga agens na maaaring talagang pag-iisip atGawin ang trabahoang

Ngunit malapit sa parehong breath,MCPNagsimula sa scene, mabilis na maging ang susunod na hot trend sa ito wild AI landscape. Kaya, bakit hindi i-break ang dalawang powerhouses na ito kasama?!

sa mga guides,we're going to forge a formidable AI agentPaggamit ng OpenAI Agents SDK at i-connect ito sa mga real-world na mga tool na ibinigay ng isang MCP server. Gawin ang iyong AI!

A Quick Intro sa MCP + OpenAI Agents SDK Integration

Ang OpenAI Agents SDK ay isa sa mga pinaka-popular na Python toolkits para sa crafting intelligent AI agents, na nagbibigay-daan sa kanila ng pag-iisip at pag-act. Ngunit dito ay ang mga kicker: walang mga eksternal na impormasyon, ang mga ito ay karaniwang nakaupo sa isang training data bubble. Ito ay kung saan ang MCP (Model Context Protocol) swaps sa!

Panatilihin ang MCP bilang ang universal USB-C port para sa iyong AI, na nagbibigay ng isang standardized paraan upang i-connect saang lahatExternal data source o tool—local files, APIs, databases, ang iyong pangalan.

Ang pag-integrate ng MCP sa OpenAI Agents SDK ay nangangahulugan na ang iyong mga agente ay makakuha ng real-time, dynamic na kontekstong, na tumugon sila mula sa smart-but-isolated bots sa powerhouse data explorers at action-takers!

Pagbuo ng isang AI Agent na may MCP Integration gamit ang OpenAI Agents SDK

Well, enough theory. You get it—MCP supercharges AI agents bilang ang mga ito ayang Iron Mansa kanyang iconic metal suit.


Your AI agent with MCP superpowers


Sa seksyon na ito, ginamit namin ang OpenAI Agents SDK - yep, ang bagong Python SDK mula sa OpenAI - upang bumuo ng isang AI agent na may integration ng MCP. Bakit OpenAI Agents SDK at hindi isang iba pang library?native MCP support, na kung saan ang iyong agent ay maaaring pumunta mula sa smart saang superpowersa ilang segundo.

Now, small catch: ang OpenAI's API ay hindi libreng. 😅 Kaya sa guide na ito,we’ll run it using Gemini as the LLM engine instead(Huwag kang mag-alala - kami ay ipakita kung paano mag-swap sa OpenAI o anumang iba pang modelo pa rin ).

Ngunit maghintay—ang MCP server na ginagamit namin?

Great question! Para magsimula mabilis, kami ay nag-plugin saMga pahinang tumuturo sa MCP Server- isang MCP server na binuo para sa web automation at data tasks. Ito ay nagbibigay-daan sa iyong AI agent upang search, browse, gawin ang mga aksyon, at i-extract real-time data mula sa Web - na may built-in stealth upang umuwi ang CAPTCHAs atMga Anti-bot traps.

Kasama rin, sa ibaba ay ang lahat ng mga tool na sumusuporta sa Bright Data MCP server ️:

Tool

Description

search_engine

Scrape SERP data (from Google, Bing, Yandex, and more)

scrape_as_markdown

Scrape a URL and return content in clean Markdown

scrape_as_html

Scrape a URL and return full HTML content

session_stats

View tool usage during the current session

web_data_amazon_product

Get Amazon product info by URL

web_data_amazon_product_reviews

Fetch Amazon reviews for a product

web_data_linkedin_person_profile

Grab LinkedIn profile data

web_data_linkedin_company_profile

Fetch LinkedIn company data

web_data_zoominfo_company_profile

Get ZoomInfo company profile

web_data_instagram_profiles

Fetch Instagram profile details

web_data_instagram_posts

Get Instagram post data

web_data_instagram_reels

Grab Instagram reel data

web_data_instagram_comments

Fetch comments from an Instagram post

web_data_facebook_posts

Extract Facebook post info

web_data_facebook_marketplace_listings

Get Facebook Marketplace listings

web_data_facebook_company_reviews

Scrape Facebook business reviews

web_data_x_posts

Fetch data from X (formerly Twitter) posts

web_data_zillow_properties_listing

Get Zillow property listings

web_data_booking_hotel_listings

Fetch Booking.com hotel listings

web_data_youtube_videos

Extract YouTube video metadata

scraping_browser_navigate

Navigate to a new URL in a virtual browser

scraping_browser_go_back

Go back one page in the browser

scraping_browser_go_forward

Go forward one page in the browser

scraping_browser_click

Click a page element (needs selector)

scraping_browser_links

Get all links and selectors on the page

scraping_browser_type

Type into a form or input

scraping_browser_wait_for

Wait for an element to appear

scraping_browser_screenshot

Capture a screenshot of the current page

scraping_browser_get_html

Get raw HTML from the page

scraping_browser_get_text

Extract text content from the page

search_engine

Scrape SERP data ( mula sa Google, Bing, Yandex, at higit pa)

scrape_as_markdown

I-scrape ang isang URL at i-return ang content sa clean Markdown

scrape_as_html

I-scrape ang isang URL at i-return ang buong content ng HTML

session_stats

Tingnan ang paggamit ng tool sa panahon ng kasalukuyang session

web_data_amazon_product

Makakuha ng Amazon produkto impormasyon sa pamamagitan ng URL

web_data_amazon_product_reviews

Fetch Amazon review para sa isang produkto

web_data_linkedin_person_profile

I-click ang profile ng LinkedIn

web_data_linkedin_company_profile

Paglalarawan ng mga data ng LinkedIn

web_data_zoominfo_company_profile

Mag-download ng ZoomInfo company profile

web_data_instagram_profiles

Paglalarawan ng Instagram Profile

web_data_instagram_posts

I-click ang Instagram Post Data

web_data_instagram_reels

Paggamit ng Instagram real data

web_data_instagram_comments

Fetch mga komento mula sa isang Instagram post

web_data_facebook_posts

Mga pahinang tumuturo sa Facebook Post Info

web_data_facebook_marketplace_listings

Pumunta sa Facebook Marketplace

web_data_facebook_company_reviews

Scrape ang Facebook Business Review

web_data_x_posts

Ipatupad ang data mula sa X (matagalang Twitter) posts

web_data_zillow_properties_listing

Makakuha ng Zillow property listings

web_data_booking_hotel_listings

ang fetchsa pamamagitan ng Booking.comMga Listahan ng Hotel

web_data_youtube_videos

I-extract ang YouTube video metadata

scraping_browser_navigate

Pag-navigate sa isang bagong URL sa isang virtual browser

scraping_browser_go_back

Ibalik ang isang pahina sa browser

scraping_browser_go_forward

Ibalik ang isang pahina sa browser

scraping_browser_click

Piliin ang isang item ng pahina (needs selector)

scraping_browser_links

Pumunta ang lahat ng mga link at selectors sa pahina

scraping_browser_type

Tipo sa isang form o input

scraping_browser_wait_for

Pumunta para sa isang elemento na nagpapakita

scraping_browser_screenshot

Pagkuha ng isang screenshot ng kasalukuyang pahina

scraping_browser_get_html

Pagkuha ng raw HTML mula sa pahina

scraping_browser_get_text

I-extract ang text content mula sa page

Ready to roll? Tingnan kung paano makakuha ng iyong AI Agent na nagsasalita sa server ng MCP para sa unlimited power!

Step #1: Pag-setup ng Proyekto

Upang gawin ito sa pamamagitan ng tutorial na ito, siguraduhin na ikaw ay may mga sumusunod na mga pangunahing pangangailangan sa lugar:

  • Ang Python 3.10+ ay naka-install sa lokal
  • Node.js ay naka-install sa lokal
  • Ang isang API key mula sa isang suportahan na provider ng LLM para sa OpenAI Agents SDK (na-recommend Gemini para sa ito)

Ipinapakita namin ang nabigyan ng setup fluff at sumasama na ikaw ay nag-uugali ng isang proyekto ng Python na may pag-aralan na ito:


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


I-activate ang iyong virtual environment (venv/) at i-install ang mga kinakailangan ng mga pakete:


pip install openai-agents python-dotenv


Nasaan ang:

  • openai-agents ay ang OpenAI Agents Python SDK—ang iyong gateway sa AI agent magic
  • python-dotenv ay para sa reading ng mga halaga mula sa isang .env file

Pagkatapos ng Openagent.pyat i-wire up ang iyong mga impormasyon. Time to read in those environment variables and prepare for agent launch:


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! Ikaw ay bumaba at pumunta sa mga pangunahing bagay.

Step #2: Buksan ang Bright Data MCP Server

Dahil dito, ikawnais mong ang iyong AI Agent upang makipag-usap sa isang MCP server?

Well, tingnan kung ano — kailangan mo ng isang MCP server na nagsisimula (ya,Ang kapitan ay obviousMag-report para sa trabaho! 🙂


Thanks, Captain Obvious!

Tulad ng sinabi namin, ang paggamit natin ayBright Data MCP ServerPara sa mga ito, unangpagkuha ng iyong API key at i-initialize ang server bilang sa pamamagitan ng mga opisyal na Bright Data MCP server docs.

Kapag ikaw ay nagsisimula, i-start ang server sa pamamagitan ng ito command:


npx -y @brightdata/mcp 


Kung ang lahat ay naka-configure correctly, maaari mong makita ang output tulad ng ito:


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


Nice na! 🙂

Ngayon, i-set up ang mga environment variables na ginagamit ng agent upang mag-connect sa Bright Data MCP server..envI-file at i-add ang dalawang linya na ito:

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

I-substitute ang placeholders sa mga halaga na nakuha mo tulad ng inilarawan sa Bright Data MCP server docs.

Pagbalik saagent.pyMagbigay ng inspirasyon sa kontemporaryong designer ay maaaring gumawa ng kahit ano, kahit ano, at ang New Year - ay walang exception.


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


Ang mga halimbawa na ito ay ginagamit sa panahon ng pag-initialize ng koneksyon ng MCP mula sa code.

At just like that—bam 💥—ang iyong MCP server ay up, run, at ready upang ibahagi ang iyong AI agent tulad ng isang loyal sidekick.

Step #3: Gumawa ang iyong AI Agent

Tulad ng tinutukoy sa intro ng seksyon na ito, kami ay gumagamit ng Gemini (yep, Google's shiny LLM) na may OpenAI Agents SDK.

Ang unang pagkakataon -Pwede bang gawin ito?Sa ikalawang -Bakit hindi lamang ginagamit ang OpenAI?ang

Response“Yes, ikaw ay maaaring gawin ito!Gemini exposes an OpenAI-compatible API, kung saan ang ibig sabihin na maaari mong i-connect ito sa OpenAI Agents SDK bilang isang drop-in replacement.It’s free—diyos sa OpenAI, na gusto mong i-charge sa iyo sa pamamagitan ng token.


Approved!

Kaya, dito ang dahilan kung bakit ito ay makakalimutan na gamitin ang Gemini sa lugar ng OpenAI direkta! 💡

Dito na ang chit-chat, let’s wire things up ☀. First, grab yourGemini API key mula sa Google AI StudioPumunta ito sa iyong.envang file:


GEMINI_API_KEY="<YOUR_GEMINI_API_KEY>"


Pagkatapos, saagent.pyTingnan mo ang key na ito:


GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")


Ngayon, bumuo ng isang function na pinagsasama ang lahat ng bagay - angGemini model, OpenAI SDK, and the MCP server(na kung saan kami ay i-configure sa code soon ️):


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


Kung nais mong gamitin ang isang iba't ibang suportahan na modelo (tulad ng Claude, Mistral, o iba't ibang mga modelo), i-swap angbase_urlat ang pangalan ng modelo ayon sa

angExtra: Gusto mong gamitin ang OpenAI? Walang problema. Ipasok lamang ang iyongOPENAI_API_KEYSubstitute ang logic na ito sa:


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


Easy swap, parehong interface — ito ay ang beauty ng SDK... 😎

Oh, at kung ikaw ay naniniwala kung saan angmcp_serverang argumento ay dumating mula sa - kami ay i-initialize ito sa susunod na step ( spoiler alert).

Step #4: I-initialize ang MCP Server

Sa loob ng iyongrun()async function, i-spin up ang Bright Data MCP server gamit angnpxtulad ng ito:


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...


️ Ano ang nangyari dito? Ito ay nagsisimula ang server ng MCP gamit angnpx -y @brightdata/mcpIpasok ang iyong mga credentials sa pamamagitan ng mga environment variables.

Note: Huwag mag-alala upang bumpclient_session_timeout_seconds2 ang180Mga pahinang tumuturo sa default5( Dahil sareal-time scraping, CAPTCHA solving, at anti-bot ninja movesAng paggawa ng Bright Data MCP server ay nangangailangan ng oras . Hindi mo nais na ito timing out mid-mission.

✅ Sweet! Ang iba pang bagay na nangyayari ay upang i-kick off ang AI agent loop... Let's wrap it up.

Step #5: Defines ang AI Agent Loop

Sa loob ng MCP server async block, i-drop sa isang REPL (Read-Eval-Print) loop upang ang mga gumagamit ay maaaring i-type sa kanilang mga request, i-send ang mga ito sa pamamagitan ng MCP-powered agent, at makakuha ng back ang magic ✨:


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")


Ang maliit na fragment ng Python na ito ay ang command center ng iyong AI agent. Ito ay nangangahulugang makuha ang iyong mga pangangailangan, i-feed ang mga ito sa agent, at pagkatapos ay i-spit out ang katapusan, magagandang resulta. Pinanatili ito bilang ang no-frills console para sa iyong AI brain, na nagtatagumpay sa mga order hanggang sa iyong sinabi sa kanya na "exit" .

Nakita mo ba ang “who” moment na ito?Kung hindi, ipasok ko ang mga ito sa iyo:you just wired up a full AI agent loop using the OpenAI Agents SDK + Bright Data’s MCP server + Gemini!

Now you're ready to look at ang buong code, ang lahat ay pinagsama bilang isang magandang Frankenstein monster ng AI automation.

Step #6: I-set ang lahat

Ito ay ang iyong pangunahing Python script para sa OpenAI Agents SDK + MCP integration (powered sa pamamagitan ng Gemini upang i-save ng pera ):


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())


lamang 81 linya ng code. At ano ang makakakuha ka? Ang isang AI agent na maaaring i-surf ang web, i-bypass ang anti-bots, i-grabe ang data sa real-time, at mag-talk back - tulad ng ito ay hindi isang malaking problema. kahit Superman ay maaaring maging masaya sa ito. ♂️

Thanks sa newang mga protocolat dev-first mga tool tulad ng OpenAI Agents SDK at Bright Data MCP, AI automation ay ngayon ... halos mas madali.

Step #7: Subukan ang MCP-Powered AI Agent

I-run ang iyong AI agent mula sa terminal na may:


python agent.py


Tungkol sa Linux / macOS:


python3 agent.py


Maaari mong malaman sa iyo ng isang friendly prompt tulad ng:


Your request ->


Halimbawa, subukan ang agente kung ano ang mga tool ng MCP na ito ay may:


What tools are you linked to through MCP?


Maaari mong ibalik ang isang bagay tulad ng:

The reply from the AI agent


Bilang makikita mo, ang iyong AI agent ay malalaman ng lahat ng mga bright data MCP tools na ito ay maaaring mag-connect sa - at ito ay handa upang gamitin ang mga ito!

Okay, oras upang i-release ang beast! Ipasok ang mga brilliant na mga tool ng MCP sa pangunahing test: I-command ang iyong AI agent upang i-scrape ang ilang juicy data mula sa Amazon P5 pahina :


The PS5 Amazon page


Upang makakuha ng ito, magbibigay ito ng isang prompt tulad ng:


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


I-execute ito at ang resulta ay:

The MCP-powered AI agent in action


Halimbawa, ang output ay dapat maging isang bagay tulad ng:


{
  "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"
}


angWow! 🤯


That’s astonishing!


One prompt, and you just scraped all the data from an Amazon product page.At hindi lamang ang anumang site—Ang Amazon ay notoriously napaka-scrape dahil sa aggressive CAPTCHAs at anti-bot defenses.

At kung ano ang mga bagay na ito ay nagtatagumpay? ang mga ito ay nagtatagumpay sa mga agham.web_data_amazon_productAng tool ng MCP — isa sa mga prebuilt power tools na inihahanda sa pamamagitan ng Bright Data MCP server. Ito ay nagtatrabaho ng mabuti na trabaho: pag-solve ng CAPTCHAs, pag-usapan ng bot detection, at pagkuha ng mga kalakal.

At hindi ito nagsisimula dito!

Maaari mong gamitin ang data? Maaari mong gamitin ito upang makatanggap ng AI agent para sa karagdagang pag-analysis sa pamamagitan ng paggawa ng mas kompleksong mga prompts. Sa katunayan, ang AI agent ay maaaring libre upang piliin at i-chain ang mga tool mula sa kanyang MCP-powered toolkit, kayaAng mga posibilidad ay walang katapusansa loob ng isang taon

Sa pamamagitan ng isang mahigpit na ito, angAng mundo ay iyong!(Huwag kang mag-alala tungkol sa Tony Montana)

Final na mga ideya

Ngayon alam mo kung paano mag-supercharge ang anumang AI agent na binuo sa OpenAI Agents SDK - kung ito ay gumagana sa GPT, Gemini, o kung ano ang susunod - sa pamamagitan ng pag-connect sa isang MCP server.

Sa detalye, kami ay tumutulong sa mga malakas naBright Data MCP serverNgunit ang isa lamang ngmaramihang mga serbisyo na kami ay binuo upang suportahan ang mga workflow ng real-world AI sa malaking.

Sa Bright Data, ang aming misyon ay simpleng: lumikha ng AI na magagamit para sa lahat, sa lahat ng lugar. Kaya hanggang sa susunod na pagkakataon - magkakaroon ka ng curiosity, magkakaroon ka ng ganyan, at patuloy na bumuo ng kapangyarihan ng AI na may creativity.

Trending Topics

blockchaincryptocurrencyhackernoon-top-storyprogrammingsoftware-developmenttechnologystartuphackernoon-booksBitcoinbooks