Interconnexion MCP (WebSearch) avec /v1/responses

Cette page explique comment se connecter au MCP WebSearch via la route OpenAI-compatible /v1/responses. Une fois connecté, le modèle peut interroger le Web et utiliser ces résultats pour enrichir automatiquement ses réponses.

Endpoint

POST/v1/responses

URL complète (Gateway Clovis)

Entête

POST https://llm-gateway.clovis-ai.fr/v1/responses
Authorization: Bearer <CLOVIS_API_KEY>
Content-Type: application/json

Objectif

L’intégration MCP permet au modèle de :

Déclencher automatiquement un outil externe (ex: WebSearch)

Récupérer des informations à jour depuis Internet

Synthétiser ces informations dans une réponse structurée

Concrètement :

L’utilisateur pose une question → le modèle déclenche un tool call → la gateway exécute le MCP WebSearch → le modèle répond avec les résultats.

Pré-requis

• Une clé API Clovis valide (Bearer token)

• Accès réseau au gateway Clovis :
  https://llm-gateway.clovis-ai.fr

• Accès au endpoint MCP exposé par Clovis (si activé) :
  https://llm-gateway.clovis-ai.fr/api/v1/mcp

Principe de fonctionnement MCP

1) Déclarer un serveur MCP dans la requête

La gateway Clovis permet de déclarer un serveur MCP via un champ provider-specific dans tools.

Exemple : déclaration du serveur WebSearch

Déclaration MCP

{
"type": "mcp",
"server_label": "web_search_preview",
"server_description": "The websearch mcp",
"server_url": "https://llm-gateway.clovis-ai.fr/api/v1/mcp",
"require_approval": "never"
}

Cette déclaration signifie :

• web_search_preview est un serveur MCP disponible durant la requête
• les appels MCP sont routés via server_url
• aucun contrôle manuel n’est requis (require_approval: "never")

Champs MCP (détails techniques)

Champ	Type	Obligatoire	Description
type	string	✔️	Doit être "mcp" pour activer la connexion MCP
server_label	string	✔️	Nom logique du serveur MCP (alias stable)
server_description	string		Description fonctionnelle du serveur
server_url	string	✔️	URL du broker MCP Clovis
require_approval	string		Politique d’exécution (never = automatique)

Exemple complet — /v1/responses avec MCP WebSearch

Requête

Payload JSON

{
"model": "ClovisLLM",
"input": [
  {
    "role": "system",
    "content": [
      {
        "type": "input_text",
        "text": "Tu es un assistant utile. Si une question nécessite des infos à jour, utilise le websearch."
      }
    ]
  },
  {
    "role": "user",
    "content": [
      {
        "type": "input_text",
        "text": "Peux-tu me donner les dernières informations sur n8n et les AI Agents ?"
      }
    ]
  }
],
"tools": [
  {
    "type": "mcp",
    "server_label": "web_search_preview",
    "server_description": "The websearch mcp",
    "server_url": "https://llm-gateway.clovis-ai.fr/api/v1/mcp",
    "require_approval": "never"
  }
],
"temperature": 0.3,
"max_output_tokens": 1200
}

Réponse API

Une fois le résultat MCP récupéré, le modèle retourne une réponse finale de type message :

Réponse

{
"id": "resp_xxx",
"object": "response",
"output": [
  {
    "type": "message",
    "role": "assistant",
    "content": [
      {
        "type": "output_text",
        "text": "Voici les dernières informations concernant n8n et les AI Agents : ... (synthèse basée sur la recherche web)"
      }
    ]
  }
],
"usage": {
  "input_tokens": 350,
  "output_tokens": 420,
  "total_tokens": 770
}
}

Exemples d’utilisation

python

Python

from openai import OpenAI

  # Configuration
  CLOVIS_API_KEY = "sk-rezr"

  CLOVIS_BASE_URL = "https://llm-gateway.clovis-ai.fr/v1"
  CLOVIS_MODEL_NAME = "ClovisLLM"

  # Initialize client
  client = OpenAI(api_key=CLOVIS_API_KEY, base_url=CLOVIS_BASE_URL)

  # Test /responses route
  answer = client.responses.create(
      model=CLOVIS_MODEL_NAME,
      input="What are the news of the day?",
      tools=[
          {
              "type": "mcp",
              "server_label": "web_search_preview",
              "server_description": "The websearch mcp",
              "server_url": "https://llm-gateway.clovis-ai.fr/api/v1/mcp",
              "require_approval": "never",
          }
      ]
  )

  print(answer.output_text)

Javascript

require('dotenv').config();
  const axios = require('axios');

  async function testResponses() {
  try {

      const payload = {
      model: "ClovisLLM",
      tools: [
          {
          type: "mcp",
          server_label: "web_search_preview",
          server_url: "https://llm-gateway.clovis-ai.fr/api/v1/mcp",
          require_approval: "never",
          }
      ],
      input: 'Qui est le premier ministre en france?',
      };

      const res = await axios.post('https://llm-gateway.clovis-ai.fr/v1/responses', payload, {
      headers: {
          Authorization: 'Bearer sh-xxxxxxx',
          'Content-Type': 'application/json',
      },
      });

      return true;
  } catch (err) {
      console.error("status:", err.response?.status);
      console.error("data:", JSON.stringify(err.response?.data, null, 2));
      console.error("headers:", err.response?.headers);
      return false;
  }
  }