Utiliser le serveur MCP de Refine avec OpenAIChatGPT, l’API Responses et l’Agents SDK

Résumé

OpenAI a adopté MCP dans l’ensemble de ses outils : l’API Responses accepte des serveurs MCP distants comme outils, l’Agents SDK les intègre à des agents autonomes, et ChatGPT comme Codex prennent en charge les connecteurs MCP. Ce guide montre comment pointer chacun d’eux vers le serveur MCP de Refine, pour que les modèles GPT lisent vos données de visibilité IA, gèrent votre ensemble de prompts et lancent la génération de contenu, avec du code prêt à copier pour les deux voies API.

OpenAI et MCP : qu’est-ce qui se connecte où

OpenAI prend en charge MCP à quatre niveaux, et le bon dépend de ce que vous construisez :

• L’API Responses : passez un serveur MCP distant directement dans le tableau tools d’un seul appel d’API. Idéal pour une analyse ponctuelle et des fonctionnalités côté serveur.
• L’Agents SDK : rattachez des serveurs MCP à des agents de longue durée, avec passages de relais, garde-fous et traçage. Idéal pour des tâches GEO autonomes.
• ChatGPT : les connecteurs personnalisés apportent les outils MCP dans l’interface de chat de votre espace de travail.
• Codex : l’agent de code d’OpenAI lit les serveurs MCP dans sa configuration, pratique quand votre automatisation GEO vit à côté de votre code.

L’API Responses : un MCP distant en une requête

La voie la plus rapide : déclarez Refine comme outil MCP, et la plateforme OpenAI gère la boucle d’appels d’outils côté serveur. Aucune infrastructure de votre côté.

const response = await client.responses.create({
  model: "gpt-5",
  tools: [
    {
      type: "mcp",
      server_label: "refine",
      server_url: "https://app.refine-app.com/api/mcp/mcp",
      headers: { Authorization: "Bearer rfn_live_your_key" },
      require_approval: "never",
    },
  ],
  input:
    "What's my mention rate over the last 30 days, and which competitor gained the most share?",
});

Le modèle liste les outils Refine disponibles, appelle ceux dont il a besoin, get_visibility, get_prompt_history, list_competitors, et renvoie une réponse synthétisée fondée sur vos vraies données.

L’Agents SDK : des agents GEO en quelques lignes

Pour un travail récurrent ou en plusieurs étapes, placez le même serveur dans un agent. L’outil MCP hébergé garde la boucle d’appels d’outils sur l’infrastructure d’OpenAI :

from agents import Agent, HostedMCPTool, Runner

geo_analyst = Agent(
    name="GEO Analyst",
    instructions=(
        "You monitor the brand's AI search visibility with the "
        "Refine tools. Always ground claims in tool results."
    ),
    tools=[
        HostedMCPTool(
            tool_config={
                "type": "mcp",
                "server_label": "refine",
                "server_url": "https://app.refine-app.com/api/mcp/mcp",
                "headers": {"Authorization": "Bearer rfn_live_your_key"},
                "require_approval": "never",
            }
        )
    ],
)

result = Runner.run_sync(
    geo_analyst,
    "Find my weakest prompt and start a blog article for it.",
)

ChatGPT et Codex

Dans ChatGPT, les connecteurs MCP personnalisés s’ajoutent depuis les réglages des connecteurs (mode développeur pour un accès complet aux outils sur les espaces Plus, Pro et Business). La prise en charge de l’authentification varie selon l’offre : si votre configuration exige OAuth et ne permet pas encore d’ajouter une clé bearer, utilisez l’API Responses ou l’Agents SDK ci-dessus, qui acceptent pleinement l’authentification par en-tête.

Codex lit les serveurs MCP dans son fichier de configuration. Les versions récentes prennent en charge nativement les serveurs distants en Streamable HTTP ; pour les anciennes versions limitées à stdio, passez par mcp-remote :

[mcp_servers.refine]
command = "npx"
args = [
  "-y", "mcp-remote",
  "https://app.refine-app.com/api/mcp/mcp",
  "--header", "Authorization: Bearer rfn_live_your_key",
]

Un usage concret : la boucle de contenu qui se pilote seule

Voici la boucle que les équipes automatisent en premier, de bout en bout, chaque semaine :

• L’agent récupère l’historique de visibilité sur 30 jours et classe les prompts selon la baisse de leur taux de mention.
• Pour les deux prompts les plus faibles, il lit les réponses brutes de l’IA et identifie les sources que les moteurs citent à votre place.
• Il appelle generate_content pour chaque prompt, un article de blog et une réponse Reddit, en s’appuyant sur vos meilleures pages existantes comme URL sources.
• Il interroge get_content jusqu’à ce que les brouillons soient prêts, puis les livre avec un résumé expliquant pourquoi ces prompts, et pourquoi maintenant.
• La semaine suivante, il mesure si le contenu publié a fait bouger le taux de mention, et réajuste sa cible.

Remarques pratiques et limites

• Même clé, mêmes limites que pour tous les clients : 60 requêtes par minute et par clé, des clés limitées à une marque, jusqu’à 20 clés actives.
• Ne réglez require_approval sur « never » que pour des agents surtout en lecture et en qui vous avez confiance ; gardez l’approbation pour les agents qui créent ou suppriment des prompts.
• La génération de contenu est réservée à l’offre Autopilot ; les outils d’analytics fonctionnent dès l’offre Visibility.
• Conservez la clé API dans votre gestionnaire de secrets et injectez-la à l’exécution : ne l’écrivez jamais en dur dans les instructions d’un agent ou dans les fichiers du dépôt.