openai-agents-python MCP 集成全指南：五种传输方式、审批策略与高级配置实战

openai-agents-python MCP 集成全指南：五种传输方式、审批策略与高级配置实战

【免费下载链接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows项目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-python

Model Context Protocol（MCP）为应用程序向语言模型暴露工具与上下文提供了一套标准化协议。本文以 openai-agents-python 官方文档（docs/zh/mcp.md）为骨架，系统讲解如何把 MCP 服务器接入智能体：从托管式 MCP 工具、Streamable HTTP、SSE、stdio 到服务器管理器，覆盖每一种传输方式的配置方法、审批策略、工具筛选、分页、缓存与追踪等通用能力，并深入到 server.py 与 tool.py 的源码实现，帮助你在真实项目中做出正确的集成选型并快速落地。

MCP 是什么，为什么要在智能体中使用它

MCP 是一种开放协议，用于标准化应用程序向 LLM 提供上下文的方式。官方将其类比为“AI 应用程序的 USB-C 端口”：正如 USB-C 提供了一种将设备连接到各种外围设备和配件的标准化方式，MCP 也提供了一种将 AI 模型连接到不同数据源和工具的标准化方式。

Agents Python SDK 支持多种 MCP 传输方式，因此你可以复用现有的 MCP 服务器，也可以自行构建服务器，向智能体公开由文件系统、HTTP 或连接器支持的工具。

⚠️连接前务必进行信任验证

MCP 工具可以公开模型上下文中的数据，并使用你提供的凭据执行操作。请仅连接你信任的服务器，使用最小权限凭据，将访问令牌放在授权字段或标头中而不是 URL 中，并要求对敏感操作进行审批。

如何选择 MCP 集成方式

将 MCP 服务器接入智能体之前，需要先确定应在何处执行工具调用以及你可以访问哪些传输方式。下表汇总了 Python SDK 支持的选项：

其中HostedMCPTool定义在 src/agents/tool.py，三种本地 MCP 服务器类则全部实现于 src/agents/mcp/server.py（MCPServerStdio在 L1888 附近、MCPServerSse在 L2030 附近、MCPServerStreamableHttp在 L2200 附近），并统一通过 src/agents/mcp/init.py 对外导出。

MCP Python SDK v1 与 v2 的兼容性

Agents SDK 通过依赖版本范围mcp>=1.19.0,<3同时支持mcpPython 软件包的两个主要版本。需要特别注意的是：已安装的mcp软件包版本与同服务器协商的 MCP 协议版本相互独立。SDK 会检测已安装软件包的主版本，并自动适配 stdio、SSE 和 Streamable HTTP 连接，因此普通服务器配置不需要提供版本切换选项。

安装 MCP Python SDK v2 后，Agents SDK 会围绕配置的本地传输方式创建带有mode="auto"的 v2mcp.Client。客户端首先使用已安装 MCP SDK 所支持的最新协议版本发送server/discover探测请求：

• 现代服务器会响应此探测请求，客户端随后采用响应结果；
• 较旧的服务器不支持server/discover时，客户端会回退到旧版initialize握手，并使用在该过程中协商的协议版本。

因此，安装 MCP Python SDK v2并不会强制所有连接都使用最新的 MCP 协议版本。大多数应用程序应让依赖解析器选择兼容版本；如果你的应用程序必须固定使用某个主版本，请在openai-agents旁添加显式约束：

# MCP Python SDK v1 pip install "mcp>=1.19.0,<2" # MCP Python SDK v2 pip install "mcp>=2,<3"

HTTP 传输自定义与包版本强相关

HTTP 传输自定义必须使用已安装 MCP 软件包所拥有的 HTTP 栈，二者不能混用：

应尽可能使用Authorization标头——它在两个软件包版本中均可保持不变。当应用程序提供params["auth"]或params["httpx_client_factory"]时，这些值必须使用已安装mcp包主版本对应的 HTTP 类型。当应用程序设置MCPServerStreamableHttp的params["ignore_initialized_notification_failure"] = True时，必须保留mcp<2，或在升级前禁用该选项。

从源码可以看到这一约束是硬校验而非软提示：server.py 中create_streams()检测到 MCP v2 且该参数为True时，会直接抛出UserError（"not supported with MCP Python SDK v2"）。同时 MCPServerStreamableHttpParams 对auth、httpx_client_factory的注释也分别标注了 v1/v2 对应的 HTTP 类型。

这些本地mcp依赖要求不适用于HostedMCPTool，因为远程 MCP 连接由 OpenAI Responses API 管理，本地无需安装或协调mcp包。

智能体级 MCP 配置：Agent.mcp_config

除了选择传输方式外，还可以通过设置Agent.mcp_config调整 MCP 工具的准备方式：

from agents import Agent agent = Agent( name="Assistant", mcp_servers=[server], mcp_config={ # Try to convert MCP tool schemas to strict JSON schema. "convert_schemas_to_strict": True, # If None, MCP tool failures are raised as exceptions instead of # returning model-visible error text. "failure_error_function": None, # Prefix local MCP tool names with their server name. "include_server_in_tool_names": True, }, )

注意事项：

• convert_schemas_to_strict采用尽力而为的方式。如果某个架构无法转换，则使用原始架构。
• failure_error_function控制如何向模型呈现 MCP 工具调用失败。未设置时，SDK 使用默认的工具错误格式化程序。
• 服务器级的failure_error_function会覆盖该服务器的Agent.mcp_config["failure_error_function"]。这一优先级在MCPServerStreamableHttp的构造函数注释中有明确说明（server.py）：显式设为None时抛出错误而非转换；完全不设置时，才回退到智能体级配置或 SDK 默认。
• include_server_in_tool_names需要主动启用。启用后，每个本地 MCP 工具都会使用确定性的服务器前缀名称向模型公开，有助于避免多个 MCP 服务器发布同名工具时发生冲突。生成的名称兼容 ASCII、不会超过FunctionTool实例的名称长度限制，也不会与同一智能体上本地FunctionTool实例的已配置名称或已启用的任务转移发生冲突。SDK 仍会在原始服务器上调用具有原始名称的 MCP 工具。

各传输方式的通用决策模式

选择传输方式后，大多数集成还需要作出相同的后续决策：

• 如何仅公开一部分工具（工具筛选）。
• 服务器是否还提供可复用的提示词（提示词）。
• 是否应缓存list_tools()（缓存）。
• MCP 活动如何显示在追踪中（追踪）。

对于本地 MCP 服务器（MCPServerStdio、MCPServerSse、MCPServerStreamableHttp），审批策略和每次调用的_meta载荷也是通用概念。下文 Streamable HTTP 一节给出了最完整的代码示例，同样的模式也适用于其他本地传输方式。

1. 托管式 MCP 服务器工具（Hosted MCP Server Tools）

托管工具会将整个工具调用往返流程交由 OpenAI 基础设施处理。你的代码无需列出和调用工具，HostedMCPTool会将服务器标签（以及可选的连接器元数据）转发给 Responses API。模型会列出远程服务器的工具并调用它们，而无需额外回调你的 Python 进程。目前，托管工具适用于支持 Responses API 托管式 MCP 集成的 OpenAI 模型。

从源码看，HostedMCPTool是一个简单的 dataclass（tool.py），核心字段只有tool_config（类型为Mcp，与发送给 REST API 的 JSON 相对应）和可选的on_approval_request回调，其name属性固定返回"hosted_mcp"——也就是说，工具调用本身完全由模型端驱动。

基础托管式 MCP 工具

将HostedMCPTool添加到智能体的tools列表，即可创建托管工具。tool_config字典与发送给 REST API 的 JSON 相对应：

import asyncio from agents import Agent, HostedMCPTool, Runner async def main() -> None: agent = Agent( name="Assistant", instructions="Use the DeepWiki hosted MCP server to inspect openai/openai-agents-python.", tools=[ HostedMCPTool( tool_config={ "type": "mcp", "server_label": "deepwiki", "server_url": "https://mcp.deepwiki.com/mcp", "require_approval": "never", } ) ], ) result = await Runner.run( agent, "Which language is the repository openai/openai-agents-python written in?", ) print(result.final_output) asyncio.run(main())

托管服务器会自动公开其工具，无需将其添加到mcp_servers。

如果希望托管工具搜索以延迟加载方式加载托管式 MCP 服务器，请设置tool_config["defer_loading"] = True，并将ToolSearchTool添加到智能体。仅 OpenAI Responses 模型支持此功能，完整的工具搜索设置和限制可参阅 docs/zh/tools.md。

托管式 MCP 结果的流式传输

托管工具支持流式传输结果，其方式与函数工具完全相同。使用Runner.run_streamed可在模型仍在工作时接收增量 MCP 输出：

result = Runner.run_streamed(agent, "Summarise this repository's top languages") async for event in result.stream_events(): if event.type == "run_item_stream_event": print(f"Received: {event.item}") print(result.final_output)

可选审批流程

如果服务器能够执行敏感操作，可以要求在每次执行工具前进行人工或程序化审批。在tool_config中配置require_approval，其值可以是单一策略（"always"、"never"），也可以是将工具名称映射到策略的字典。若要在 Python 中作出决定，请提供on_approval_request回调：

from agents import MCPToolApprovalFunctionResult, MCPToolApprovalRequest SAFE_TOOLS = {"read_wiki_structure", "read_wiki_contents", "ask_question"} def approve_tool(request: MCPToolApprovalRequest) -> MCPToolApprovalFunctionResult: if request.data.name in SAFE_TOOLS: return {"approve": True} return {"approve": False, "reason": "Escalate to a human reviewer"} agent = Agent( name="Assistant", tools=[ HostedMCPTool( tool_config={ "type": "mcp", "server_label": "deepwiki", "server_url": "https://mcp.deepwiki.com/mcp", "require_approval": "always", }, on_approval_request=approve_tool, ) ], )

回调可以是同步或异步的，并且每当模型需要审批数据才能继续运行时都会调用它。对应类型定义在 tool.py：MCPToolApprovalRequest携带ctx_wrapper（运行上下文）与data（审批请求数据），MCPToolApprovalFunctionResult则是一个 TypedDict，必填approve: bool，可选用reason说明拒绝原因。

由连接器支持的托管服务器

托管式 MCP 还支持 OpenAI 连接器。无需指定server_url，只需提供connector_id和访问令牌。Responses API 会处理身份验证，托管服务器则会公开连接器的工具：

import os HostedMCPTool( tool_config={ "type": "mcp", "server_label": "google_calendar", "connector_id": "connector_googlecalendar", "authorization": os.environ["GOOGLE_CALENDAR_AUTHORIZATION"], "require_approval": "never", } )

完整可运行的托管工具代码示例（包括流式传输、审批和连接器）位于仓库的 examples/hosted_mcp 目录。

2. Streamable HTTP MCP 服务器

如果希望自行管理网络连接，请使用MCPServerStreamableHttp。当你需要控制传输方式，或者希望在自己的基础设施中运行服务器并保持较低延迟时，Streamable HTTP 服务器是理想选择：

import asyncio import os from agents import Agent, Runner from agents.mcp import MCPServerStreamableHttp from agents.model_settings import ModelSettings async def main() -> None: token = os.environ["MCP_SERVER_TOKEN"] async with MCPServerStreamableHttp( name="Streamable HTTP Python Server", params={ "url": "http://localhost:8000/mcp", "headers": {"Authorization": f"Bearer {token}"}, "timeout": 10, }, cache_tools_list=True, max_retry_attempts=3, ) as server: agent = Agent( name="Assistant", instructions="Use the MCP tools to answer the questions.", mcp_servers=[server], model_settings=ModelSettings(tool_choice="required"), ) result = await Runner.run(agent, "Add 7 and 22.") print(result.final_output) asyncio.run(main())

构造函数完整参数说明

对照 MCPServerStreamableHttp.init的签名，构造函数除params外还接受以下选项：

• client_session_timeout_seconds：控制 MCP ClientSession 的读取超时（默认 5 秒）。可由datetime.timedelta表示且至少为一微秒的有限正值会设置有限超时；None和0会禁用超时。构造服务器时会拒绝其他值。
• use_structured_content：控制是否优先使用tool_result.structured_content而不是文本输出。默认False（向后兼容——大多数 MCP 服务器仍会把结构化内容包含在tool_result.content中，默认启用会导致重复内容）；只有当你确认服务器不会在tool_result.content中重复结构化内容时才设为True。
• max_retry_attempts与retry_backoff_seconds_base：为list_tools()和call_tool()添加自动重试（指数退避，默认不重试；retry_backoff_seconds_base默认 1.0 秒，另有可选的retry_backoff_seconds_max封顶退避延迟）。
• tool_filter：允许你仅公开一部分工具（见下文工具筛选）。
• require_approval：为本地 MCP 工具启用人机协同审批策略。
• failure_error_function：自定义模型可见的 MCP 工具失败消息；设置为None可改为抛出错误。
• tool_meta_resolver：会在call_tool()之前注入每次调用的 MCP_meta载荷。
• message_handler：可选，处理 ClientSession 交付的会话消息。
• tool_input_guardrails/tool_output_guardrails：可选，对服务器上的每个工具在调用前/返回后应用守卫（guardrail）。

params字典本身（MCPServerStreamableHttpParams）支持：url（必填）、headers、timeout（HTTP 请求超时，默认 5 秒）、sse_read_timeout（SSE 连接超时，默认 5 分钟）、terminate_on_close（默认True）、httpx_client_factory、auth、ignore_initialized_notification_failure。

本地 MCP 服务器的审批策略

MCPServerStdio、MCPServerSse和MCPServerStreamableHttp均接受require_approval，支持以下形式（类型定义见 server.py 中的RequireApprovalPolicy、RequireApprovalMapping、RequireApprovalObject与RequireApprovalSetting）：

• 对所有工具使用"always"或"never"。
• True要求审批所有工具，False不要求审批任何工具（分别等同于"always"和"never"）。
• 按工具配置的映射，例如{"delete_file": "always", "read_file": "never"}。
• 分组对象：{"always": {"tool_names": [...]}, "never": {"tool_names": [...]}}。
• 此外还支持传入一个可调用对象（LocalMCPApprovalCallable），接收RunContextWrapper、请求工具的AgentBase和MCPTool，返回是否放行的布尔值。

async with MCPServerStreamableHttp( name="Filesystem MCP", params={"url": "http://localhost:8000/mcp"}, require_approval={"always": {"tool_names": ["delete_file"]}}, ) as server: ...

有关完整的暂停/恢复流程，请参阅 docs/zh/human_in_the_loop.md 和 examples/mcp/get_all_mcp_tools_example/main.py。

使用 tool_meta_resolver 注入每次调用元数据

当 MCP 服务器要求在_meta中提供请求元数据（例如租户 ID 或追踪上下文）时，请使用tool_meta_resolver。以下代码示例假设你将dict作为context传递给Runner.run(...)：

from agents.mcp import MCPServerStreamableHttp, MCPToolMetaContext def resolve_meta(context: MCPToolMetaContext) -> dict[str, str] | None: run_context_data = context.run_context.context or {} tenant_id = run_context_data.get("tenant_id") if tenant_id is None: return None return {"tenant_id": str(tenant_id), "source": "agents-sdk"} server = MCPServerStreamableHttp( name="Metadata-aware MCP", params={"url": "http://localhost:8000/mcp"}, tool_meta_resolver=resolve_meta, )

如果运行上下文是 Pydantic 模型、dataclass 或自定义类，请改用属性访问方式读取租户 ID，而不是字典式get。

MCP 工具输出：文本、图像及其他内容

当 MCP 结果使用内容块时，SDK 的处理规则如下：

• 文本内容作为文本输出转发；
• 图像内容映射为工具输出中的图像类型条目；
• 其他 MCP 内容块类型（包括音频和资源块）：SDK 转发文本输出，其值为该内容块的有效 JSON 序列化结果；
• 包含多个内容块的响应会作为输出项列表转发；
• 如果use_structured_content=True选择了非空且无错误的structuredContent载荷，则该结构化载荷优先于这些内容块；结构化内容缺失或为空时，回退到内容块。

3. 基于 SSE 的 HTTP MCP 服务器

⚠️注意：MCP 项目已弃用Server-Sent Events 传输方式。对于新集成，请优先使用 Streamable HTTP 或 stdio，仅为旧版服务器保留 SSE。

如果 MCP 服务器实现了基于 SSE 的 HTTP 传输方式，请实例化MCPServerSse。除传输方式外，其 API 与 Streamable HTTP 服务器完全相同：

from agents import Agent, Runner from agents.model_settings import ModelSettings from agents.mcp import MCPServerSse workspace_id = "demo-workspace" async with MCPServerSse( name="SSE Python Server", params={ "url": "http://localhost:8000/sse", "headers": {"X-Workspace": workspace_id}, }, cache_tools_list=True, ) as server: agent = Agent( name="Assistant", mcp_servers=[server], model_settings=ModelSettings(tool_choice="required"), ) result = await Runner.run(agent, "What's the weather in Tokyo?") print(result.final_output)

4. stdio MCP 服务器

对于以本地子进程方式运行的 MCP 服务器，请使用MCPServerStdio。SDK 会启动该进程、保持管道打开，并在退出上下文管理器时自动关闭管道。此选项适合快速构建概念验证，或服务器仅公开命令行入口点的情况：

from pathlib import Path from agents import Agent, Runner from agents.mcp import MCPServerStdio current_dir = Path(__file__).parent samples_dir = current_dir / "sample_files" async with MCPServerStdio( name="Filesystem Server via npx", params={ "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", str(samples_dir)], }, ) as server: agent = Agent( name="Assistant", instructions="Use the files in the sample directory to answer questions.", mcp_servers=[server], ) result = await Runner.run(agent, "List the files available to you.") print(result.final_output)

一个真实可运行的完整版本位于 examples/mcp/filesystem_example/main.py：它在__main__中先通过shutil.which("npx")检查npx是否安装，再用trace()包裹一次多轮对话（列出文件、读取书目、推荐歌曲），并在上下文中把 stdio 服务器挂载到同一个智能体上反复复用。

5. MCP 服务器管理器：MCPServerManager

如果有多个 MCP 服务器，请使用MCPServerManager预先连接它们，并向智能体公开其中成功连接的服务器子集：

from agents import Agent, Runner from agents.mcp import MCPServerManager, MCPServerStreamableHttp servers = [ MCPServerStreamableHttp(name="calendar", params={"url": "http://localhost:8000/mcp"}), MCPServerStreamableHttp(name="docs", params={"url": "http://localhost:8001/mcp"}), ] async with MCPServerManager(servers) as manager: agent = Agent( name="Assistant", instructions="Use MCP tools when they help.", mcp_servers=manager.active_servers, ) result = await Runner.run(agent, "Which MCP tools are available?") print(result.final_output)

主要行为：

• 当drop_failed_servers=True（默认值）时，active_servers仅包含成功连接的服务器。
• 失败信息记录在failed_servers和errors中。
• 设置strict=True可在首次连接失败时抛出异常。
• 调用reconnect(failed_only=True)可重试失败的服务器，调用reconnect(failed_only=False)可重启所有服务器。
• 对connect_all()、reconnect()和cleanup_all()的调用会串行执行。如果某个生命周期操作已在运行，另一个生命周期操作会等待其完成，而不会并发连接或清理相同的服务器。
• 设置connect_timeout_seconds、cleanup_timeout_seconds和connect_in_parallel可调整生命周期行为。两个生命周期超时的默认值均为10 秒。它们接受有限正秒数，或使用None禁用；在构造和赋值时都会进行验证，零会被拒绝（因为它会产生立即到期的截止时间）。

构造函数选项与重连行为的完整 API 参考见 docs/ref/mcp/manager.md，可运行示例见 examples/mcp/manager_example（含app.py、mcp_server.py与smoke_test.py）。

通用服务器能力

以下各节适用于所有 MCP 服务器传输方式（具体 API 范围取决于服务器类）。

工具筛选

每个 MCP 服务器都支持工具筛选器，因此你可以仅公开智能体所需的函数。筛选可以在构造时进行，也可以在每次运行时动态进行。

静态工具筛选：使用create_static_tool_filter配置简单的允许列表和阻止列表：

from pathlib import Path from agents.mcp import MCPServerStdio, create_static_tool_filter samples_dir = Path("/path/to/files") filesystem_server = MCPServerStdio( params={ "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", str(samples_dir)], }, tool_filter=create_static_tool_filter(allowed_tool_names=["read_file", "write_file"]), )

同时提供allowed_tool_names和blocked_tool_names时，SDK 会先应用允许列表，然后从剩余集合中移除所有被阻止的工具。

动态工具筛选：对于更复杂的逻辑，请传入一个可调用对象，该对象接收ToolFilterContext。该可调用对象可以是同步或异步的，并在应公开工具时返回True：

from pathlib import Path from agents.mcp import MCPServerStdio, ToolFilterContext samples_dir = Path("/path/to/files") async def context_aware_filter(context: ToolFilterContext, tool) -> bool: if context.agent.name == "Code Reviewer" and tool.name.startswith("danger_"): return False return True async with MCPServerStdio( params={ "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", str(samples_dir)], }, tool_filter=context_aware_filter, ) as server: ...

筛选器上下文会公开活动的run_context、请求工具的agent，以及server_name。可运行示例见 examples/mcp/tool_filter_example/main.py。

提示词

MCP 服务器还可以提供动态生成智能体指令的提示词。支持提示词的服务器会公开两种方法：

• list_prompts()枚举可用的提示词模板。
• get_prompt(name, arguments)获取具体提示词，并可选择提供参数。

from agents import Agent prompt_result = await server.get_prompt( "generate_code_review_instructions", {"focus": "security vulnerabilities", "language": "python"}, ) instructions = prompt_result.messages[0].content.text agent = Agent( name="Code Reviewer", instructions=instructions, mcp_servers=[server], )

服务端与客户端两端完整的提示词示例见 examples/mcp/prompt_server（server.py提供提示词，main.py消费提示词构造智能体）。

分页

内置的本地 MCP 服务器类在列出工具和提示词时，会自动跟随nextCursor：

• list_tools()会先收集完整的工具列表，再应用筛选器或填充缓存；
• list_prompts()返回一个合并结果，其中包含nextCursor=None；
• 如果后续页面失败或服务器重复使用游标，该操作会抛出错误，而不会公开或缓存部分结果。

资源仍需显式分页：将list_resources()或list_resource_templates()返回的nextCursor作为cursor参数传回，以获取下一页。

缓存

每次智能体运行都会在每个 MCP 服务器上调用list_tools()。远程服务器可能带来明显的延迟，因此所有 MCP 服务器类都公开了cache_tools_list选项。仅当你确信工具定义不会频繁变化时，才应将其设置为True。如需稍后强制获取最新列表，请在服务器实例上调用invalidate_tools_cache()。

从源码看（server.py），启用缓存后工具列表只会从服务器获取一次，能大幅降低延迟（避免每次运行都做一次往返）；反之每次list_tools()都会实时拉取。

追踪

追踪会自动捕获 MCP 活动，包括：

1. 为列出工具而对 MCP 服务器发起的调用。
2. 工具调用中的 MCP 相关信息。

上图展示了 MCP 追踪的实际效果：你可以看到对 MCP 服务器的list_tools调用，以及工具调用上携带的 MCP 相关元数据，便于在分布式运行中定位工具列表延迟或调用失败的具体环节。

延伸阅读

• examples/mcp —— 可运行的 stdio、SSE 和 Streamable HTTP 代码示例（含 filesystem、git、SSE、Streamable HTTP 远程/自定义客户端、提示词、工具筛选与管理器等完整场景）。
• examples/hosted_mcp —— 完整的托管式 MCP 演示，包括审批（on_approval.py）和连接器（connectors.py）。
• docs/zh/human_in_the_loop.md —— 人机协同审批的完整暂停/恢复流程。
• docs/ref/mcp —— MCP 相关 API 参考（server、manager、util 等）。

结语：按场景选择集成路线

综合以上内容，实际项目中的选型建议可归纳为：服务器可公开访问且希望零本地依赖时选托管式HostedMCPTool；自建基础设施、追求低延迟与传输可控时选 Streamable HTTP；旧版服务器只支持 SSE 时用MCPServerSse（新项目避免）；本地子进程或命令行入口点用MCPServerStdio；多服务器接入时用MCPServerManager统一生命周期。无论走哪条路线，工具筛选、审批策略、缓存与追踪这四个通用能力都值得在架构设计阶段一并规划，这样既能保证安全边界，也能让 MCP 集成在长期运行中保持可观测、可维护。

【免费下载链接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows项目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-python