Servidor MCP del Orquestador de ChatGPT

Un servidor MCP remoto mínimo en Python para el esquema:

ChatGPT -> MCP server -> main orchestrator -> helper agents

En la primera etapa, el servidor contiene una herramienta:

• run_orchestrator

• entrada: goal: string

• salida: JSON simple

Actualmente, contiene un stub. Más adelante, puede reemplazarlo con la llamada a su agente principal real.

Por qué FastMCP

Se eligió FastMCP porque permite describir una herramienta MCP con una función de Python normal y ejecutar inmediatamente un endpoint MCP remoto a través de HTTP. Para conectarse a ChatGPT, se necesita un endpoint HTTPS público del tipo /mcp.

Related MCP server: native-agent-router

Estructura del proyecto

.
├── .gitignore
├── server.py
├── requirements.txt
├── Procfile
├── render.yaml
└── README.md

Ejecución local

Requisitos:

• Python 3.11+

• pip

1. Crear un entorno virtual

PowerShell:

python -m venv .venv
.\.venv\Scripts\Activate.ps1

Si en Windows el comando python abre la Microsoft Store o no muestra la versión, utilice:

py -3.11 -m venv .venv
.\.venv\Scripts\Activate.ps1

macOS/Linux:

python3 -m venv .venv
source .venv/bin/activate

2. Instalar dependencias

pip install -r requirements.txt

3. Iniciar el servidor

python server.py

Endpoint MCP local:

http://localhost:8000/mcp

Verificación básica de que el servidor está activo:

http://localhost:8000/health

Si el cliente solicita un endpoint con una barra diagonal al final, utilice:

http://localhost:8000/mcp/

Verificación local

Deje python server.py ejecutándose. En una segunda terminal, ejecute:

Invoke-RestMethod http://localhost:8000/health

Respuesta esperada:

{
  "status": "ok"
}

Importante: si abre http://localhost:8000/mcp en el navegador o lo consulta con un curl normal sin encabezados MCP, es posible que vea un error:

{
  "error": {
    "message": "Not Acceptable: Client must accept text/event-stream"
  }
}

Esto es normal para un endpoint MCP. Verifique /health con un navegador normal y /mcp con un cliente MCP.

@'
import asyncio
from fastmcp import Client

async def main():
    async with Client("http://localhost:8000/mcp") as client:
        tools = await client.list_tools()
        print("TOOLS:")
        for tool in tools:
            print("-", tool.name)

        result = await client.call_tool(
            "run_orchestrator",
            {"goal": "Create an MVP launch plan"}
        )
        print("RESULT:")
        print(result)

asyncio.run(main())
'@ | python

Significado esperado de la respuesta: el servidor mostrará la herramienta run_orchestrator y devolverá un JSON indicando que el stub ha recibido la tarea.

También puede verificarlo a través del Inspector MCP:

npx @modelcontextprotocol/inspector

En la interfaz, seleccione el transporte Streamable HTTP y la URL:

http://localhost:8000/mcp

Despliegue en Render

Opción a través de GitHub

1. Cree un nuevo repositorio en GitHub.

2. Suba estos archivos allí.

3. Abra Render.

4. Haga clic en New -> Web Service.

5. Conecte el repositorio de GitHub.

6. Render normalmente leerá render.yaml automáticamente.

7. Si lo configura manualmente:

   • Runtime: Python

   • Build Command: pip install -r requirements.txt

   • Start Command: python server.py

8. Haga clic en Deploy.

Después del despliegue, Render proporcionará una URL similar a esta:

https://chatgpt-orchestrator-mcp.onrender.com

El endpoint MCP de producción será:

https://chatgpt-orchestrator-mcp.onrender.com/mcp

Endpoint de salud de producción para verificar en el navegador:

https://chatgpt-orchestrator-mcp.onrender.com/health

Esta es la URL que debe insertar en ChatGPT.

Cómo conectar a ChatGPT

1. Abra ChatGPT en el navegador.

2. Vaya a Settings.

3. Abra Apps & Connectors o Connectors.

4. Active el Developer Mode si aún no está activado:

   • Advanced settings

   • Developer mode

5. Haga clic en Create o Create connector.

6. Complete los campos:

   • Name: Orchestrator

   • Description: Runs my main orchestrator agent through MCP.

   • Connector URL: https://YOUR-RENDER-SERVICE.onrender.com/mcp

7. Guarde.

8. En un nuevo chat, seleccione este conector/herramienta y pídale a ChatGPT que llame al orquestador.

Ejemplo de solicitud de prueba en ChatGPT

Используй Orchestrator и вызови run_orchestrator с goal:
"Составь пошаговый план запуска MVP моего продукта"

La respuesta esperada de la herramienta ahora será aproximadamente:

{
  "status": "ok",
  "message": "Stub orchestrator accepted the goal.",
  "goal": "Составь пошаговый план запуска MVP моего продукта",
  "next_step": "Replace call_real_orchestrator() in server.py with your real agent call."
}

Dónde reemplazar el stub por el agente real

Abra server.py y busque la función:

def call_real_orchestrator(goal: str) -> dict[str, Any]:

Actualmente devuelve un JSON de prueba. Más adelante, reemplace su cuerpo con la llamada real a su agente principal.

Ejemplo de reemplazo futuro:

def call_real_orchestrator(goal: str) -> dict[str, Any]:
    result = my_main_agent.run(goal)
    return {
        "status": "ok",
        "goal": goal,
        "result": result,
    }

Importante: no cree un servidor MCP separado para cada agente auxiliar en la primera etapa. Deje que ChatGPT vea solo una herramienta run_orchestrator, y que su agente principal decida internamente a qué auxiliares llamar.

URLs finales

Localmente:

http://localhost:8000/mcp

Plantilla de URL de producción:

https://YOUR-RENDER-SERVICE.onrender.com/mcp

URL para ChatGPT:

https://YOUR-RENDER-SERVICE.onrender.com/mcp

Documentos oficiales útiles

• OpenAI: https://developers.openai.com/apps-sdk/deploy/connect-chatgpt

• OpenAI: https://developers.openai.com/api/docs/mcp