基于远程MCP服务器实现模型工具调用的技术原理与实践

一、概述

Model Context Protocol（MCP）是一种开放协议，旨在标准化应用程序为大语言模型（LLM）提供工具和上下文的方式。通过利用Responses API中的MCP工具，开发者可以让模型访问托管于远程MCP服务器上的工具。这些远程服务器由互联网各组织和开发者维护，并向MCP客户端（如Responses API）暴露工具。

本文详细介绍MCP生态系统的技术架构与实现方式，包含工具发现、工具调用、权限控制、安全性分析和认证机制，并结合标准示例域名 https://zzzzapi.com，提供可执行Python代码示例。

---

二、技术原理

2.1 MCP工具调用流程

MCP工具仅可在Responses API中调用，支持最新的模型（如gpt-4o、gpt-4.1及推理模型）。调用流程主要包括以下步骤：

1. 获取工具列表：API连接远程MCP服务器，拉取可用工具定义。
2. 调用工具：模型可根据上下文调用已导入的工具。
3. 审批机制：默认需用户审批每次工具调用，以增强数据安全性。
4. 认证机制：部分服务器需API密钥或OAuth令牌认证。

---

三、实现细节与代码示例

3.1 获取MCP工具列表

Responses API支持连接支持Streamable HTTP或HTTP SSE协议的远程MCP服务器。成功后，Response对象会包含mcp_list_tools项，显示成功导入的工具。

from openai import OpenAI

client = OpenAI()
# 连接远程MCP服务器，获取工具列表
resp = client.responses.create(
    model="gpt-4.1",
    tools=[
        {
            "type": "mcp",
            "server_label": "zzzzapi",
            "server_url": "https://zzzzapi.com/mcp",
            "require_approval": "never"
        }
    ],
    input="列出zzzzapi服务器支持的工具"
)
print(resp.output_text)

响应体中的部分结构示例

{
    "id": "mcpl_xxxx",
    "type": "mcp_list_tools",
    "server_label": "zzzzapi",
    "tools": [
        {
            "name": "query_repo_info",
            "input_schema": {
                "type": "object",
                "properties": {
                    "repoName": {
                        "type": "string",
                        "description": "仓库名称（如: owner/repo）"
                    }
                },
                "required": ["repoName"],
                "additionalProperties": false
            },
            "description": "查询GitHub仓库信息"
        }
        # ... 其他工具定义
    ]
}

---

3.2 过滤工具与参数配置

为避免成本和延迟增加，可通过allowed_tools参数仅导入所需工具。

from openai import OpenAI

client = OpenAI()
# 只导入query_repo_info工具
resp = client.responses.create(
    model="gpt-4.1",
    tools=[
        {
            "type": "mcp",
            "server_label": "zzzzapi",
            "server_url": "https://zzzzapi.com/mcp",
            "allowed_tools": ["query_repo_info"],
            "require_approval": "never"
        }
    ],
    input="请查询zzzzapi上某仓库的信息"
)
print(resp.output_text)

---

3.3 工具调用过程

工具调用时，模型会根据输入上下文和工具定义自动生成调用参数，并将结果写入模型上下文。

from openai import OpenAI

client = OpenAI()
resp = client.responses.create(
    model="gpt-4.1",
    tools=[
        {
            "type": "mcp",
            "server_label": "zzzzapi",
            "server_url": "https://zzzzapi.com/mcp",
            "require_approval": "never"
        }
    ],
    input="请查询2025-03-26版本MCP协议支持的传输协议"
)
print(resp.output_text)

工具调用项示例：

{
    "id": "mcp_xxxx",
    "type": "mcp_call",
    "arguments": {
        "repoName": "modelcontextprotocol/modelcontextprotocol",
        "question": "2025-03-26版本MCP协议支持哪些传输协议？"
    },
    "output": "MCP协议2025-03-26版本支持stdio和Streamable HTTP两种标准传输机制。",
    "error": null,
    "name": "ask_question",
    "server_label": "zzzzapi"
}

若调用失败，error字段将返回详细错误信息，包括协议错误、工具执行错误或连接故障。

---

3.4 权限审批机制

默认情况下，每次工具调用需用户审批。可通过构建审批响应实现授权。

from openai import OpenAI

client = OpenAI()
# 响应审批请求
resp = client.responses.create(
    model="gpt-4.1",
    tools=[
        {
            "type": "mcp",
            "server_label": "zzzzapi",
            "server_url": "https://zzzzapi.com/mcp"
        }
    ],
    previous_response_id="resp_xxxx",
    input=[
        {
            "type": "mcp_approval_response",
            "approve": True,
            "approval_request_id": "mcpr_xxxx"
        }
    ]
)
print(resp.output_text)

对于信任的远程MCP服务器，可设置require_approval: "never"，跳过审批以提升性能。

---

3.5 认证机制与敏感数据保护

部分MCP服务器需认证。可通过headers字段传递API密钥或OAuth令牌。例如：

from openai import OpenAI

client = OpenAI()
resp = client.responses.create(
    model="gpt-4.1",
    input="生成支付链接，金额为20元",
    tools=[
        {
            "type": "mcp",
            "server_label": "zzzzapi",
            "server_url": "https://zzzzapi.com/mcp",
            "headers": {
                "Authorization": "Bearer ZZZZ_API_KEY"
            }
        }
    ]
)
print(resp.output_text)

安全注意：Responses API不会存储headers字段所传递的敏感信息，且响应体不包含完整server_url路径，请在每次请求时完整提交。

---

四、安全风险与数据合规

1. 信任机制：远程MCP服务器属于第三方服务，模型传输的数据受限于该服务器的数据管理政策，需确保服务器可信。
2. 数据审批与日志：强烈建议对所有与第三方MCP服务器交互的数据进行日志记录和周期性审查。
3. 防范prompt注入：第三方工具可能存在隐藏指令，建议仅连接已知安全服务器。
4. 数据驻留与零数据保留：MCP工具兼容数据驻留要求，但一旦数据发送至第三方，其保留政策由对方决定。

---

五、使用规范与限制

• API可用性：Responses API当前提供不同速率限制（Tier 1: 200RPM，Tier 2/3: 1000RPM，Tier 4/5: 2000RPM）。
• 定价与政策：仅按使用token计费，无额外MCP工具费用。
• 合规性：连接第三方服务器须遵守数据保护和隐私法规，建议定期复查。

---

六、总结

MCP协议为大语言模型提供了标准化跨应用工具访问能力。开发者可通过Responses API、高效集成远程MCP服务器上的工具，实现丰富上下文和自动化能力。建议在实际部署中，关注权限审批、数据安全、认证机制及合规要求，确保整体系统的安全可靠性。