在ChatGPT应用程序中收集分析并应用个性化（MCP数据收集）
此用例展示了如何将ChatGPT应用程序（模型上下文协议服务器+可选UI组件）连接到Adobe Experience Platform Edge Network。 通过此类数据收集，您可以记录对会话交互的分析，这些会话交互会调用您的工具，并将个性化决策从Edge Network交付到由ChatGPT呈现的小部件中。
此用例偏好使用混合方法，即使用服务器端实施来收集数据，使用客户端实施来呈现个性化内容。 此方法非常理想，因为MCP工具调用是收集分析的最可靠时机。 构件在浏览器上下文中运行，是存储身份（在Cookie中）和应用个性化决策的正确位置。
此用例附带了一个完全可操作的代码示例。 有关示例代码和实施说明，请参阅GitHub上存储库中的ChatGPT应用程序+ Adobe Experience Platform Edgealloy-samples。
架构
在高层面上，有五个移动部分：
- MCP主机(ChatGPT)： ChatGPT调用MCP服务器公开的工具，并在请求元数据中提供稳定的假名用户标识符。
- MCP服务器（后端）：由您的组织拥有。 它实施列项、获取详细信息或提交请求等工具。
- Adobe IMS：您的MCP服务器用于调用Adobe数据收集API的访问令牌存在问题。
- Adobe Experience Platform Edge Network：接收由MCP服务器发送的体验事件，并返回Analytics确认、状态更新（如标识）和个性化决策。
- 嵌入式Web UI（由MCP主机呈现的前端小组件）：显示结构化结果并应用从MCP服务器后端接收的Adobe元数据。
数据流
- 用户使用您的MCP服务器提示ChatGPT。
- ChatGPT解释提示的意图并调用相应的后端MCP工具。
- 后端MCP服务器使用数据收集API （
interact终结点）向 Edge Network 发送体验事件以进行分析收集和可选个性化。 - Edge Network将响应句柄（包括状态更新和个性化决策）返回到后端MCP工具。
- 后端MCP工具将包含
structuredContent中的业务数据和_meta中的Adobe元数据的工具结果返回到ChatGPT。 - ChatGPT将工具结果交付给前端构件，该构件将渲染业务数据并使用Web SDK JavaScript库的
applyResponse命令应用Adobe元数据。 此命令与客户端状态水合，并在UI中呈现符合条件的个性化决策。
以下部分将详细介绍每个步骤。
步骤1：用户使用MCP服务器提示ChatGPT
此步骤是工作流的入口点。 用户提供自然语言意图：
"Use the Adobe Office Information Tool to show me details about which office that is the most pet-friendly."
有关详细信息，请参阅OpenAI开发人员文档中的构建MCP服务器。
步骤2：ChatGPT解释意图并调用MCP工具
ChatGPT根据MCP服务器的元数据解释意图并在MCP服务器上调用相应的工具处理程序。 此工具调用为交互创建与UI渲染成功无关的服务器端真实点。 您的工具之一可能具有以下元数据：
{
"name": "office_details",
"description": "Fetch details for a single office by ID and return personalization handles for the UI.",
"inputSchema": {
"type": "object",
"properties": {
"sessionId": { "type": "string", "description": "Server-issued session identifier." },
"officeId": { "type": "string", "description": "Office identifier." }
},
"required": ["sessionId", "officeId"],
"additionalProperties": false
},
"_meta": {
"ui": {
"visibility": ["model", "app"]
}
}
}
有关如何告知ChatGPT每个MCP工具功能的更多信息，请参阅OpenAI开发人员文档中的定义工具。
步骤3：您的MCP服务器向Edge Network发送体验事件
当您的MCP服务器收到请求时，它会触发对Adobe Experience Platform Edge Network的调用，以记录分析数据并可以选择请求决策/个性化。 由于此请求是服务器到服务器，因此请使用经过身份验证的interact终结点作为数据收集API的一部分。 Adobe建议使用自定义命名空间来传递OpenAI唯一标识符。 确保在身份UI中创建的命名空间与在调用中定义的身份命名空间匹配（区分大小写）。
curl -X POST "https://server.adobedc.net/ee/v2/interact?datastreamId={DATASTREAM_ID}"
-H "Authorization: Bearer {TOKEN}"
-H "x-gw-ims-org-id: {ORG_ID}"
-H "x-api-key: {API_KEY}"
-H "Content-Type: application/json"
-d '{
"event": {
"xdm": {
"eventType": "office.details.view",
"identityMap": {
"{IDENTITY_NAMESPACE}": [
{ "id": "{PSEUDONYMOUS_SUBJECT_ID}", "primary": true }
]
},
"timestamp": "YYYY-02-20T19:00:00.000Z"
}
},
"query": {
"personalization": {
"decisionScopes": ["__view__"]
}
},
"meta": {
"state": {
"entries": [
{ "key": "kndctr_orgid_cluster", "value": "{CLUSTER_HINT_IF_KNOWN}" },
{ "key": "kndctr_orgid_identity", "value": "{ECID_BLOB_IF_KNOWN}" }
]
}
}
}'
步骤4：Edge Network返回句柄
当Edge Network收到您的interact调用时，它使用handle数组进行响应。 此数组可以包括身份和个性化决策，具体取决于您的数据流配置。 示例响应可能如下所示：
{
"requestId": "60a2f...2294d",
"handle": [
{
"type": "locationHint:result",
"payload": [
{ "scope": "EdgeNetwork", "hint": "or2", "ttlSeconds": 1800 }
]
},
{
"type": "state:store",
"payload": [
{ "key": "kndctr_..._identity", "value": "CiYzM...snTI=", "maxAge": 34128000 },
{ "key": "kndctr_..._cluster", "value": "or2", "maxAge": 1800 }
]
}
]
}
然后，MCP服务器可以从Edge Network响应中提取信息以保留身份信息：
type EdgeHandle = { type: string; payload?: Array<{ key?: string; value?: string }> };
export function extractStateStore(handles: EdgeHandle[]) {
const store = handles.find(h => h.type === "state:store");
const entries = store?.payload ?? [];
const identity = entries.find(e => e.key?.includes("_identity"))?.value;
const cluster = entries.find(e => e.key?.includes("_cluster"))?.value;
return { identity, cluster };
}
步骤5： MCP服务器将结构化工具输出以及Adobe元数据返回到ChatGPT
您的MCP工具响应包括来自Edge Network的结构化工具输出和个性化。
structuredContent对象包含ChatGPT可以安全读取和讲述的业务数据。_meta对象包含Adobe响应句柄和服务器计算的identityMap，以便构件可以读取它们，而无需将该数据公开给ChatGPT。 将此信息保留在_meta.adobe中允许您在数据所在的位置上保持一致。 向前传递相同的identityMap有助于该构件在任何以后的UI端事件中使用相同的自定义标识。
{
"content": "Displayed details for office seattle.",
"structuredContent": {
"office": {
"id": "seattle",
"name": "Seattle",
"amenities": ["Pet Friendly", "Cafe", "Bike Storage"]
}
},
"_meta": {
"adobe": {
"identityMap": {
"{IDENTITY_NAMESPACE}": [
{ "id": "{PSEUDONYMOUS_SUBJECT_ID}", "primary": true }
]
},
"handles": [
{
"type": "state:store",
"payload": [
{ "key": "kndctr_..._identity", "value": "..." }
]
},
{
"type": "personalization:decisions",
"payload": [
{ "id": "..." }
]
}
]
}
}
}
有关详细信息，请参阅OpenAI开发人员参考中的工具结果。
步骤6：构件渲染结果并使用_adobe.handles应用applyResponse
该构件呈现来自structuredContent的业务数据，然后从_meta.adobe读取Adobe元数据。 在ChatGPT中，构件通过兼容性层可获得相同的数据：
window.openai.toolOutput包含structuredContentwindow.openai.toolResponseMetadata包含_meta
该构件使用Web SDK JavaScript库的applyResponse命令对客户端状态进行水化并渲染服务器端interact调用返回的个性化决策。 确保在调用configure之前调用applyResponse命令。 由于您的MCP服务器执行了interact调用，因此您不需要立即调用工具调用交互的sendEvent命令。
// Configure the Web SDK before any other commands.
alloy("configure", {
datastreamId: "YOUR_DATASTREAM_ID",
orgId: "YOUR_EXPERIENCE_CLOUD_ORG_ID"
});
// Business data exposed to ChatGPT and the widget.
const { office } = window.openai?.toolOutput ?? {};
// Adobe metadata available only to the widget.
const adobe = window.openai?.toolResponseMetadata?.adobe ?? {};
const { identityMap, handles } = adobe;
// Hydrate client-side state and render personalization decisions from the
// server-side interact response.
alloy("applyResponse", {
renderDecisions: true,
responseBody: { handle: handles ?? [] }
});
如果该小组件稍后发送其他用户界面端事件，则您可在这些调用中包含相同的identityMap：
alloy("sendEvent", {
xdm: {
eventType: "office.details.widgetView",
identityMap
}
});
此模式保持服务器端和用户界面标识使用一致，同时仍允许服务器端interact调用保持分析收集和决策的真实来源。
验证
配置上述所有步骤后，您可以验证以下内容：
- 数据收集：验证事件是否到达所需的数据集，以及每个事件是否按预期处理。
- Personalization：验证决策是否由Edge Network返回，以及这些决策是否由您的小组件渲染。
安全和隐私注意事项
- 将ChatGPT的标识符视为敏感标识符，即使它们以假名表示。
- 确保将贵组织的同意和数据治理实践应用于此工作流。
- Adobe建议使用OAuth 2.1工作流进行授权。
- 确保访问令牌和密钥绝不会到达客户端或UI。