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

Kapag bumalik na ako sa UP, i'll start building ilang 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 at ang Agents SDK Gawin ang trabaho Ngunit malapit sa parehong breath, Nagsimula 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?! MCP sa mga guides, Paggamit 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! we're going to forge a formidable AI agent 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 sa External data source o tool—local files, APIs, databases, ang iyong pangalan. ang lahat 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 ay sa kanyang iconic metal suit. ang Iron Man 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? , na kung saan ang iyong agent ay maaaring pumunta mula sa smart sa sa ilang segundo. native MCP support ang superpower Now, small catch: ang OpenAI's API ay hindi libreng. 😅 Kaya sa guide na ito, (Huwag kang mag-alala - kami ay ipakita kung paano mag-swap sa OpenAI o anumang iba pang modelo pa rin ). we’ll run it using Gemini as the LLM engine instead Ngunit maghintay—ang MCP server na ginagamit namin? Great question! Para magsimula mabilis, kami ay nag-plugin sa - 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 at . Mga pahinang tumuturo sa MCP Server Mga 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 hotel listings Booking.com 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 fetch Mga Listahan ng Hotel sa pamamagitan ng Booking.com 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 ( ) at i-install ang mga kinakailangan ng mga pakete: venv/ 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 Open at i-wire up ang iyong mga impormasyon. Time to read in those environment variables and prepare for agent launch: agent.py 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, ikaw nais 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, Mag-report para sa trabaho! 🙂 Ang kapitan ay obvious Tulad ng sinabi namin, ang paggamit natin ay Para sa mga ito, unang . Bright Data MCP Server pagkuha 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. I-file at i-add ang dalawang linya na ito: .env BRIGHT_DATA_API_TOKEN=" " BRIGHT_DATA_BROWSER_AUTH=" " I-substitute ang placeholders sa mga halaga na nakuha mo tulad ng inilarawan sa Bright Data MCP server docs. Pagbalik sa Magbigay ng inspirasyon sa kontemporaryong designer ay maaaring gumawa ng kahit ano, kahit ano, at ang New Year - ay walang exception. agent.py 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 - Sa ikalawang - ang Pwede bang gawin ito? Bakit hindi lamang ginagamit ang OpenAI? “Yes, ikaw ay maaaring gawin ito! , kung saan ang ibig sabihin na maaari mong i-connect ito sa OpenAI Agents SDK bilang isang drop-in replacement. —diyos sa OpenAI, na gusto mong i-charge sa iyo sa pamamagitan ng token. Response Gemini exposes an OpenAI-compatible API It’s free 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 your Pumunta ito sa iyong ang file: Gemini API key mula sa Google AI Studio .env GEMINI_API_KEY=" " Pagkatapos, sa Tingnan mo ang key na ito: agent.py GEMINI_API_KEY = os.getenv("GEMINI_API_KEY") Ngayon, bumuo ng isang function na pinagsasama ang lahat ng bagay - ang (na kung saan kami ay i-configure sa code soon ️): Gemini model, OpenAI SDK, and the MCP server 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 ang at ang pangalan ng modelo ayon sa base_url ang : Gusto mong gamitin ang OpenAI? Walang problema. Ipasok lamang ang iyong Substitute ang logic na ito sa: Extra OPENAI_API_KEY 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 ang ang argumento ay dumating mula sa - kami ay i-initialize ito sa susunod na step ( spoiler alert). mcp_server Step #4: I-initialize ang MCP Server Sa loob ng iyong async function, i-spin up ang Bright Data MCP server gamit ang tulad ng ito: run() 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) # AI agent loop logic... ️ Ano ang nangyari dito? Ito ay nagsisimula ang server ng MCP gamit ang Ipasok ang iyong mga credentials sa pamamagitan ng mga environment variables. npx -y @brightdata/mcp Note: Huwag mag-alala upang bump 2 ang Mga pahinang tumuturo sa default ( Dahil sa Ang paggawa ng Bright Data MCP server ay nangangailangan ng oras . Hindi mo nais na ito timing out mid-mission. client_session_timeout_seconds 180 5 real-time scraping, CAPTCHA solving, at anti-bot ninja moves ✅ 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" . Kung hindi, ipasok ko ang mga ito sa iyo: Nakita mo ba ang “who” moment na ito? 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 new at dev-first mga tool tulad ng OpenAI Agents SDK at Bright Data MCP, AI automation ay ngayon ... halos mas madali. ang mga protocol 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: 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 : 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: 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" } ang Wow! 🤯 At hindi lamang ang anumang site—Ang Amazon ay notoriously napaka-scrape dahil sa aggressive CAPTCHAs at anti-bot defenses. One prompt, and you just scraped all the data from an Amazon product page. At kung ano ang mga bagay na ito ay nagtatagumpay? ang mga ito ay nagtatagumpay sa mga agham. Ang 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. web_data_amazon_product 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, kaya sa loob ng isang taon Ang mga posibilidad ay walang katapusan Sa pamamagitan ng isang mahigpit na ito, ang (Huwag kang mag-alala tungkol sa Tony Montana) Ang mundo ay iyong! 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 na Ngunit ang isa lamang ng . Bright Data MCP server maramihang 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.