HTTP with Server-Sent Events (SSE)

シンプルなリモート SSE 動作検証用。ダウンロードして即実行できるコードセット。

SSE （Server-Sent Events） MCP サーバーはリモートで実行され、HTTP エンドポイント経由で機能を提供する。stdio サーバーとは異なり、アプリケーションのサブプロセスとして実行されるものではない。

準備

pip install "mcp[cli]" "uvicorn"

1. 超シンプル実装

1.1. MCPサーバー

from mcp.server.fastmcp import FastMCP
from fastapi import FastAPI
import random
from pydantic import Field
# MCP サーバーのインスタンスを作成
mcp = FastMCP("Travel Agent")

# Tool 1: おすすめの旅行先を提案
@mcp.tool()
def suggest_onsen_destination() -> str:
    """
    おすすめの温泉地をランダムに提案します。
    """
    destinations = [
        "草津温泉（群馬県）",
        "下呂温泉（岐阜県）",
        "道後温泉（愛媛県）",
        "別府温泉（大分県）",
        "有馬温泉（兵庫県）",
        "黒川温泉（熊本県）",
        "城崎温泉（兵庫県）",
        "銀山温泉（山形県）",
        "熱海温泉（静岡県）",
        "登別温泉（北海道）"
    ]
    choice = random.choice(destinations)
    print(f"おすすめの温泉： {choice}")
    return choice

# Tool 2: 旅行予算の見積もり
@mcp.tool()
def estimate_travel_budget(
    days: int = Field(..., description="旅行の日数（例：3）"),
    people: int = Field(..., description="旅行者の人数（例：2）"),
    per_day_per_person: int = Field(15000, description="1人1日あたりの予算（円、デフォルトは15,000円）")
) -> int:
    """人数と日数から旅行の予算を見積もります。"""
    budget = days * people * per_day_per_person
    print(f"Estimating budget: {days}日 x {people}人 x {per_day_per_person}円 = {budget}円")
    return budget

# Tool 3: 観光地のベストシーズンをチェック
@mcp.tool()
def check_best_season(
    destination: str = Field(..., description="観光地の名前（例：北海道、京都、沖縄など）")
) -> str:
    """指定された観光地のベストシーズンを返します。"""
    seasons = {
        "北海道": "6月〜8月（夏）",
        "京都": "4月（桜）・11月（紅葉）",
        "沖縄": "5月〜10月（海）",
        "金沢": "3月（雪解け）・10月（文化祭）",
    }
    best = seasons.get(destination, "ベストシーズン情報は見つかりませんでした。")
    print(f"{destination} のベストシーズン: {best}")
    return best

# FastAPI アプリケーションを作成し、MCP の SSE エンドポイントをマウント
app = FastAPI()
app.mount("/", mcp.sse_app())

# サーバーを起動するには、以下のコマンドを実行してください:
# uvicorn server:app --host 127.0.0.1 --port 8000

uvicorn server:app --host 127.0.0.1 --port 8000

1.2. MCP クライアント

import asyncio
from mcp import ClientSession
from mcp.client.sse import sse_client

async def main():
    # MCP SSE サーバーの URL を指定
    server_url = "http://localhost:8000/sse"

    # SSE クライアントを作成して接続
    async with sse_client(server_url) as (read, write):
        async with ClientSession(read, write) as session:
            # セッションを初期化
            await session.initialize()

            # 利用可能なツールを取得
            tools = await session.list_tools()
            print("利用可能なツール:", [tool.name for tool in tools.tools])

            # おすすめの旅行先を提案するツールを呼び出す
            result = await session.call_tool("suggest_onsen_destination")

            # 結果を表示
            print(f"おすすめの旅行先は{result.content[0].text}です。")

            # おすすめの旅行先を提案するツールを呼び出す
            result = await session.call_tool("estimate_travel_budget",{ "days":3, "people":2, "per_day_per_person":15000})

            # 結果を表示
            print(f"旅行予算は{result.content[0].text}円です。")

            # 観光地のベストシーズンをチェックするツールを呼び出す
            result = await session.call_tool("check_best_season", {"destination":"北海道"})
            # 結果を表示
            print(f"北海道のベストシーズンは{result.content[0].text}です。")

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

python client.py

2. OpenAI Agent SDK 統合クライアント

Agent の mcp_servers パラメータにセットするだけ。

pip install openai-agents python-dotenv

import os
import asyncio
from dotenv import load_dotenv
from typing import Any
from openai import AsyncAzureOpenAI
from agents import Agent, Runner, gen_trace_id, trace, set_default_openai_client
from agents import OpenAIChatCompletionsModel, set_tracing_disabled, set_tracing_export_api_key
from agents.mcp import MCPServer, MCPServerSse
from agents.model_settings import ModelSettings

# 環境変数と接続設定の読み込み
load_dotenv()

# Azure OpenAIのAPIキーとエンドポイントを環境変数から取得
api_version = "2025-03-01-preview"
endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
apikey = os.getenv("AZURE_OPENAI_API_KEY")
model_deployment = os.getenv("AZURE_OPENAI_MODEL_DEPLOYMENT")

openai_client = AsyncAzureOpenAI(
    api_key=apikey,
    api_version=api_version,
    azure_endpoint=endpoint,
)
# Set the default OpenAI client for the Agents SDK
set_default_openai_client(openai_client, use_for_tracing=False)
set_tracing_disabled(disabled=True) # Azure OpenAI 401 Error 回避
#set_tracing_export_api_key("") # もし使用する場合「OpenAIのAPIキー」が必要

async def run(mcp_server: MCPServer):

    agent = Agent(
        name="TravelAgent",
        instructions="あなたは優秀なトラベルエージェントです。ツールを使って旅行の計画を手伝ってください。",
        mcp_servers=[mcp_server],
        model=OpenAIChatCompletionsModel( 
            model=model_deployment,
            openai_client=openai_client
        )
        #model_settings=ModelSettings(tool_choice="required"),
    )

    # Run the `get_secret_word` tool
    message = "おすすめの旅行先を提案して。"
    print(f"\n\nRunning: {message}")
    result = await Runner.run(starting_agent=agent, input=message)
    print(result.final_output)

    message = "2泊3日旅行での1人1日あたり2万円使う場合の旅行予算を見積もって。"
    print(f"\n\nRunning: {message}")
    result = await Runner.run(starting_agent=agent, input=message)
    print(result.final_output)

    message = "北海道のベストシーズンはいつ？"
    print(f"\n\nRunning: {message}")
    result = await Runner.run(starting_agent=agent, input=message)
    print(result.final_output)

async def main():
    async with MCPServerSse(
        name="SSE Python Server",
        params={
            "url": "http://localhost:8000/sse",
        },
    ) as server:
        await run(server)


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

3. AutoGen v0.4.x 統合クライアント

MCP クライアントは v0.4.6 以降で実装され、AgentChat API で簡単に実装できる。Distributed Agent の構想は MCP で容易に実装できるように。

pip install "autogen-agentchat==0.4.9" "autogen-ext[mcp,openai,azure]==0.4.9"

3.1. AssistantAgent 実装

import os
import asyncio
from dotenv import load_dotenv
from autogen_ext.tools.mcp import SseServerParams, mcp_server_tools
from autogen_agentchat.agents import AssistantAgent
from autogen_ext.models.openai import OpenAIChatCompletionClient, AzureOpenAIChatCompletionClient

async def main() -> None:
    load_dotenv()
    endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
    apikey = os.getenv("AZURE_OPENAI_API_KEY")
    model_deployment = os.getenv("AZURE_OPENAI_MODEL_DEPLOYMENT")

    # Setup server params for remote service
    server_params = SseServerParams(url="http://localhost:8000/sse")

    # Get all available tools
    tools = await mcp_server_tools(server_params)

    client = AzureOpenAIChatCompletionClient(
        azure_deployment=model_deployment,
        model="gpt-4o",
        api_key=apikey,
        api_version="2025-03-01-preview",
        azure_endpoint=endpoint,
    )

    # Create an agent with all tools
    agent = AssistantAgent(
        name="TravelAgent",
        model_client=client,
        tools=tools,
        system_message="あなたは優秀なトラベルエージェントです。ツールを使って旅行の計画を手伝ってください。",
    )
    
    # Run AssistantAgent and call the tool.
    result = await agent.run(task="おすすめの旅行先を提案して。")
    print(result.messages[-1].content)
    result = await agent.run(task="2泊3日旅行での1人1日あたり2万円使う場合の旅行予算を見積もって。")
    print(result.messages[-1].content)
    result = await agent.run(task="北海道のベストシーズンはいつ？")
    print(result.messages[-1].content)


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

3.2. Selector Group Chat 実装

import os
from dotenv import load_dotenv
from autogen_ext.tools.mcp import SseServerParams, mcp_server_tools
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.conditions import MaxMessageTermination, TextMentionTermination, TimeoutTermination
from autogen_agentchat.teams import SelectorGroupChat
from autogen_agentchat.ui import Console
from autogen_ext.models.openai import OpenAIChatCompletionClient, AzureOpenAIChatCompletionClient

load_dotenv()

endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
apikey = os.getenv("AZURE_OPENAI_API_KEY")
model_deployment = os.getenv("AZURE_OPENAI_MODEL_DEPLOYMENT")


# Setup server params for remote service
server_params = SseServerParams(url="http://localhost:8000/sse")

# Get all available tools
tools = await mcp_server_tools(server_params)

client = AzureOpenAIChatCompletionClient(
    azure_deployment=model_deployment,
    model="gpt-4o",
    api_key=apikey,
    api_version="2025-03-01-preview",
    azure_endpoint=endpoint,
)

# Define termination condition
max_msg_termination = MaxMessageTermination(max_messages=10)
text_termination = TextMentionTermination("TERMINATE")
time_terminarion = TimeoutTermination(120)
combined_termination = max_msg_termination | text_termination | time_terminarion

planning_agent = AssistantAgent(
    "PlanningAgent",
    description="タスクを計画するエージェント。新しいタスクが与えられたときに最初に起動するエージェントであるべきである。",
    model_client=client,
    system_message="""
    あなたはplanning agentです。
    あなたの仕事は、複雑なタスクをより小さく、管理しやすいサブタスクに分解することです。
    あなたのチームメンバーは次の通りです。
     - travel_agent: 日本の観光の専門家
    あなたは計画を立て、タスクを委任するだけで、自分で実行することはありません。

    タスクを割り当てる際には、このフォーマットを使用してください:
    1. <agent> : <task>

    最終回答が完成したら調査結果を要約し、文の最後に TERMINATE を含めること!
    """,
)
# Create an agent with all tools
travel_agent = AssistantAgent(
    name="TravelAgent",
    model_client=client,
    tools=tools,
    system_message="あなたは優秀なトラベルエージェントです。ツールを使って旅行の計画を手伝ってください。",
)

team = SelectorGroupChat(
    [planning_agent, travel_agent],
    model_client=client,
    termination_condition=combined_termination,
)

task = "なんかいい旅行先ない？"

# Use asyncio.run(...) if you are running this in a script.
await Console(team.run_stream(task=task))

4. Azure AI Agent Service 統合クライアント

こんなアーキテクチャも構成可能に。

azure_agent_mcp_server では以下のように Azure AI Foundry プロジェクトへの接続文字列とエージェント ID を指定するだけであとはクエリをラップしてくれる。

# Load environment variables
project_connection_string = os.getenv("PROJECT_CONNECTION_STRING")
default_agent_id = os.getenv("DEFAULT_AGENT_ID")

Security

実際には以下を考慮して実装すべし。

受信 SSE 接続の Origin ヘッダーを常に検証し、期待されるソースからのものであることを確認する
ローカルで実行しているときは、サーバーをすべてのネットワークインターフェース（0.0.0.0）にバインドしないでください。代わりに、ローカルホスト（127.0.0.1）にのみバインドすること
すべての SSE 接続に適切な認証を実装する

GitHub