ChatGPT で、カスタムの GPTs を試したことがある方は多いと思います。しかし、GPTs に外部サービスとの接続方法を設定するだけでツールを自由に追加できる機能 GPT Actions を試したことがある方はまだまだ少ないのではないでしょうか。
この GPT Actions は、様々な用途で活用できる可能性を持っています。GPT Actions を挟むだけで、すでに存在しているナレッジベースや社内サービスと ChatGPT をつなぐことができます。そして、こうした外部サービスを活用する AI を GPTs をユーザーインタフェースとして ChatGPT ワークスペース内の利用者全員に配布することができます。
先日、近い将来に ChatGPT デスクトップアプリが MCP サーバーとの接続に対応する計画も発表されましたが、MCP との連携という選択肢が増えた後でも GPT Actions が組織内で共有可能な GPTs を拡張するための重要な機能であることは変わりません。
GPT Actions の開発は想像以上に簡単に始められます。この記事では、より多くの方に試していただけるよう、設定方法から実装例までの最新の情報を整理して解説します。
はじめに GPT Actions の概要を改めて説明します。
GPT Actions は GPTs に追加することができるカスタム GPT を拡張するための機能です。何らかの機能を持つ Web API サーバーを公開し、その十分な説明とパラメーター・レスポンス情報を含む OpenAPI の形式（JSON/YAML）の接続先情報を用意して、あとはそれを GPTs のアクション設定画面で読み込むだけで Function Calling の呼び出し先として登録できる、という仕組みです。
GPT Actions の接続先の Web API サーバーでは、制限なく任意のコードを実行することができます。すでに上で述べた通り、ChatGPT と既存のシステム・データベースとつなぐ中間サーバーとして構築すれば、最小の開発コストで ChatGPT との連携を実現することができます。新規開発なら Agents SDK を使ったエージェントを接続しても面白いでしょう（その例も後半で紹介します）。
GPT Actions を動作させるために必要なものは、
- パラメーターを受け付けることができる公開された URL（認証あり・なしを選択可能）
- その URL でリクエストを処理する Web API サーバー
- URL ごとにパラメーター・レスポンスのデータ型を OpenAPI の形式で登録
です。これらの準備をできるだけ効率よく行うための方法を Python と Node.js のコード例とともに解説していきます。
実際に自前のコードを動かす前に、ドキュメントで紹介されている接続例を使って、登録方法と動作を確認しておきましょう。
Getting Started ページにある米国の気象情報を取得する例を使います。Step 1. の “See Full Open API Schema” という箇所をクリックすると、そのまま貼り付けると動作する YAML 設定が表示されるので、これをコピーします。
GPT 編集画面にアクセスします。下までスクロールすると表示される “Actions” の下の “Create new action” ボタンをクリックし、GPT Action の設定画面にある “Schema” のテキストエリアに先ほどコピーした YAML データを貼り付けます。すると、その下の “Available actions” のセクションに getPointData と getGridpointForecast という二つのアクションが追加されて “Test” ボタンから試せるようになります。
この状態で、右側のプレビュー画面のチャットボックスから Hey, can you tell me today's weather in San Francisco? と質問を投げてみてください。
まず api.weather.gov へアクセスしてよいかを確認されます。
“Allow” をクリックすると API への通信が開始され、結果が以下のように表示されるはずです。
デバッグ出力のところを展開してみると、San Francisco という都市名から緯度・経度のパラメーターが決められ、それを使って api.weather.gov への API リクエストが発生していることが分かります。そして、その応答を元にカスタム GPT の方で、チャットにわかりやすい形式で結果が表示されるという流れになっています。
ユーザーが利用する画面でも同様に api.weather.gov へのアクセスの許可を求め、クリックすると実際どのようなパラメーターを送信したか確認できるようになっています。
なお、ここでの例は誰でもアクセス可能な公開 API なので指定していませんが、Authentication のパートで、Basic 認証、Authorization ヘッダーや OAuth によるアクセス制御・リソースへのアクセス許可を指定することもできます。詳細はこちらのドキュメントを参照してください。この記事でも後半で実例とともに解説します。
GPT Actions で接続する先は、インターネットに公開された URL である必要があります。
ローカルで Web API サーバーを動かしている場合でも、なんらかの方法でアクセス可能な URL を用意する必要があります。一般的には ngrok や Cloudflare Tunnel などが使われることが多いです。この記事では Cloudflare Tunnel を使った例を紹介します。
最新の情報については Cloudflare のドキュメントを確認するのが確実ですが、この記事投稿時点で macOS の場合、以下のようなコマンドを実行するだけで、簡単にセットアップすることができます。
brew install cloudflared
cloudflared tunnel --url http://localhost:3000
実行してしばらく待つと、以下のような出力が表示されるはずです。
INF Requesting new quick Tunnel on trycloudflare.com...
INF +--------------------------------------------------------------------------------------------+
INF | Your quick Tunnel has been created! Visit it at (it may take some time to be reachable): |
INF | https://notification-mart-radio-admissions.trycloudflare.com |
INF +--------------------------------------------------------------------------------------------+
INF Cannot determine default configuration path. No file [config.yml config.yaml] in [~/.cloudflared ~/.cloudflare-warp ~/cloudflare-warp /etc/cloudflared /usr/local/etc/cloudflared]
この https://***.trycloudflare.com を使って GPT Actions のリクエストをローカルで起動しているアプリに forward することができるようになりました。
このやり方の場合、cloudflared tunnel を起動し直す度、また一定時間経過毎に URL が変わることに注意してください。
それではいよいよ GPT Action を実装して、接続してみましょう。Python、TypeScript + Node.js の例を紹介していきます。
Python 実装例
今回紹介する Web API サーバーアプリは、標準で OpenAPI 形式の出力をサポートしている FastAPI を使って実装していますが、他のツールでも構いません。OpenAPI の JSON/YAML 定義をマニュアルで作成する場合、Web API サーバーの実装方法に特に制限はありません。
依存ライブラリをインストール
Python の環境が準備できている前提で、以下のインストールを実行してください。requirements.txt で管理したり uv や Poetry でセットアップしても OK です。
pip install -U fastapi fastapi-cli uvicorn
単純な GPT Action 例
まずは疎通確認のために非常に単純な GPT Action を動かしてみましょう。「合言葉」を聞かれたときに「AGI」を返すだけのアクションです。***.trycloudflare.com は先ほど Cloudflare Tunnel を起動したときに表示されたものに書き換えてください。
from fastapi import FastAPI
app = FastAPI(
servers=[{"url": "https://***.trycloudflare.com"}],
)
@app.post(
path="/say-it",
operation_id="say-it",
summary="合言葉を聞かれたときに実行されるツール",
)
async def say_it() -> str:
return "AGI"
このコードを app.py として保存して fastapi dev app.py --port 3000 を実行すると http://localhost:3000/ の Web アプリとして起動します。app.py のコードを書き換えたときにも再起動なしで反映されます。
起動できたら Cloudflare Tunnel で接続されているかを確認するために https://(あなたが使用しているサブドメイン).trycloudflare.com/openapi.json にアクセスしてみてください。JSON データが表示されれば、とりあえずうまくいっています。
この JSON データを表示した URL をコピーして GPT 編集画面にアクセス、”Actions” の下の “Create new action” をクリックして “Import from URL” というボタンから設定します。以下のような感じで Schema が読み込まれるはずです。
そして、”Available actions” の下の “say-it” の “Test” ボタンをクリックすると、上で試した米国の気象情報の例と同様に Web API へのアクセスの許可を求める動作を確認できます。
この GPT Action の設定画面から一つ前の GPTs 編集画面に戻って、普通のチャットのやり取りで動作しているかも確認してみましょう。シンプルに「合言葉を教えてください！」と聞くと、登録した GPT Action を利用して「AGI」だと日本語で応答してくれるでしょう。
ということで、非常に単純な実装ですが、ChatGPT から手元で動いている GPT Action の処理を呼び出すことができました 🎉
パラメーター・レスポンスを定義する例
合言葉を返すだけの実装は、パラメーターを受け取らず、応答も単純な文字列の例でした。もう少し複雑なものを動かしてみましょう。カスタム辞書を考慮して翻訳してくれるエージェントを Agents SDK を使ってつくってみます。
まず OpenAI Agents SDK をインストールしてください。
pip install -U openai-agents
先ほどの FastAPI アプリをこんな感じで書き換えてみましょう。与えられた日本語を日本語から英語への変換ルールを定めた辞書を考慮して翻訳してくれるシンプルなエージェント実装です。
from typing import Annotated
from fastapi import FastAPI, Form
from agents import Agent, Runner
from pydantic import BaseModel
import logging
logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)
app = FastAPI(
servers=[{"url": "https://***.trycloudflare.com"}],
)
japanese_to_english = {
"瀬良和弘": "Kaz Sera",
}
examples = "\n".join(
[
f" * {jp} -> {en}"
for jp, en in japanese_to_english.items()
]
)
instructions = f"""
# Role
You are an exceptional translator who understands the nuances of both Japanese and English. Your task is to translate the given Japanese text into English with a professional tone suited to business communications.
# Rules
Ensure that the following words are translated consistently as specified:
{examples}
"""
class Result(BaseModel):
input: str
output: str
additional_notes: str
agent = Agent(
name="Translator",
instructions=instructions,
output_type=Result,
)
@app.post(
path="/translate",
operation_id="translate",
summary="Translate the given text into English",
)
async def translate(original_japanese_text: Annotated[str, Form()]) -> Result:
run_result = await Runner.run(
starting_agent=agent,
input=original_japanese_text,
)
logger.info(f"Agent result: {run_result}")
return run_result.final_output
ソースコードの変更を保存したら、もう一度 /openapi.json のフル URL をコピーして GPT Action の編集画面で “Import from URL” を再度実行してください。画面上で OpenAPI の定義がアップデートされ、”Available actions” のセクションでも “say-it” から “translate” にアクションが変わっていることが確認できるはずです。
生成された JSON データからパラメーターとレスポンスの定義を抜粋してみました。定義が Python コードからうまく生成されていることがわかります。”Import from URL” は都度実行する必要はありますが、二重管理を避けることができ、開発・運用がかなり楽になりそうです。
{
"openapi": "3.1.0",
"servers": [],
"paths": {
"/translate": {
"post": {
"summary": "Translate the given text into English",
"operationId": "translate",
"requestBody": {
"content": {
"application/x-www-form-urlencoded": {
"schema": {
"$ref": "#/components/schemas/Body_translate"
}
}
},
"required": true
},
"responses": {
"200": {
"description": "Successful Response",
"content": {
"application/json": {
"schema": {
"$ref": "#/components/schemas/Result"
}
}
}
}
}
}
}
},
"components": {
"schemas": {
"Body_translate": {
"properties": {
"original_japanese_text": {
"type": "string",
"title": "Original Japanese Text"
}
},
"type": "object",
"required": [
"original_japanese_text"
],
"title": "Body_translate"
},
"Result": {
"properties": {
"input": {
"type": "string",
"title": "Input"
},
"output": {
"type": "string",
"title": "Output"
},
"additional_notes": {
"type": "string",
"title": "Additional Notes"
}
},
"type": "object",
"required": [
"input",
"output",
"additional_notes"
],
"title": "Result"
}
}
}
}
ここでは “application/x-www-form-urlencoded” の例を使っていますが、”application/json” の方が Python のコードはシンプルになるかもしれません。
なお、ツールの呼び出しの精度が今一つ安定しないときは “summary” やパラメーターの命名などをよりわかりやすいものになるよう工夫してみてください。ここでの Result 型は output 以外使われておらず、デモンストレーション以外の意味はないのですが、もっと実用的なデータ構造を応答する場合には GPTs 側で効果的に利用されます。
安定したツール利用のために GPTs 編集画面で Instructions を以下のような内容に調整します。
You’re tasked to translate the user message text into English. You don’t need to do anything else. For the translation work, you must always use the available actions. When it’s successful, you must respond with only the English translation result. If something went wrong, you can tell what’s happened in Japanese.
変更すると、即座に右上の “Create” ボタンが “更新中” を示す表示になります。その更新が終わったら、右ペインのチャットボックスから「瀬良和弘と申します。」というメッセージを送信してみてください（もし違う例の方がよければ Python コード内の辞書を書き換えて違う言葉でテストしてみてください）。
ツールなしで翻訳した場合は「瀬良和弘」は一貫して「Kazuhiro Sera」と翻訳されますが、ツールを利用していれば「Kaz Sera」になるはずです。
ここで紹介したエージェントはあくまで最小のコードのデモであり、実際のところ Agents SDK を使わなくても実装可能なシンプルなものではありますが、より高度な処理を実装する際のひな形として使えるのではないかと思います。
マルチエージェント、ハンドオフ、ガードレールなど、色々と試してみてください。また、GPTs 側ではデフォルトのものからモデルを切り替えることはできませんが（記事投稿時点）、この Agents SDK を使った実装側では別のモデルを使うことも可能なので「GPT Actions の裏側では用途に合わせて最適なモデルを利用、GPTs 側でその出力を使った処理を行う」といった構成も考えられると思います。
Authentication の追加
この Python アプリに、認証機能を追加してみましょう。上で説明した通り、Basic 認証、Authorization ヘッダー（または任意のヘッダー名）での API キー検証、OAuth 認可のうち、いずれか一つを設定することができます。
ここでは Authorization: Bearer {api_key} ヘッダーの内容でリクエストを受け付けるか判定する処理を追加してみます。GPT Action の設定画面で Authentication の設定を “None” から “API Key” に変更、”Auth Type” は “Bearer” を指定、十分にセキュアな API トークンを生成して設定します。
同じ API キーを FastAPI サーバー側でも環境変数などから読み込むようにして、FastAPI のミドルウェアでチェックするようにします。
import os
from typing import Annotated
from fastapi import FastAPI, Form, Request, Response
api_key = os.environ.get("API_KEY")
app = FastAPI(
servers=[{"url": "https://***.trycloudflare.com"}],
)
@app.middleware("http")
async def verify_api_key(request: Request, call_next):
if (
request.url.path != "/openapi.json"
and request.headers.get("Authorization") != f"Bearer {api_key}"
):
return Response(status_code=401)
return await call_next(request)
これで、正しい API キーが設定されていない場合 401 エラーで応答されるようになりました。OAuth 認可の方法についても末尾で簡単に解説していますので、ご興味あればお読みください。
TypeScript + Node.js 実装例
上で紹介した Python の実装と同じものを TypeScript でも実装してみましょう。
色々と実装方法を調べてみましたが、tsoa と Express.js を組み合わせる方法が特に簡単だったので、その例を紹介します。
これから説明するアプリのプロジェクト構成はこのようになります。
├── build
│ ├── routes.ts
│ └── swagger.json
├── package-lock.json
├── package.json
├── src
│ ├── controllers.ts
│ └── main.ts
├── tsconfig.json
└── tsoa.json
まず、以下の内容の package.json を配置します。
{
"name": "gpt-action-example-app",
"version": "0.1",
"scripts": {
"start": "rm -rf build && tsoa routes && tsoa spec && tsx src/main.ts"
},
"keywords": [],
"author": "OpenAI",
"license": "MIT",
"type": "commonjs",
"dependencies": {
"express": "^5.1.0",
"tsoa": "^6.6.0"
},
"devDependencies": {
"@types/express": "^5.0.1",
"@types/node": "^22.14.0",
"tsx": "^4.19.3",
"typescript": "^5.8.2"
}
}
TypeScript 用の tsconfig.json を配置します。細かいところはお好みで OK です。
{
"compilerOptions": {
"target": "es2016",
"experimentalDecorators": true,
"emitDecoratorMetadata": true,
"module": "commonjs",
"esModuleInterop": true,
"forceConsistentCasingInFileNames": true,
"strict": true,
"skipLibCheck": true
}
}
次に tsoa 用の tsoa.json を配置します。Python の例と同様に ***.trycloudflare.com のところは実際の URL に差し替えてください。
{
"entryFile": "src/controllers.ts",
"noImplicitAdditionalProperties": "throw-on-extras",
"controllerPathGlobs": ["src/controllers.ts", "src/**/*Controller.ts"],
"spec": {
"outputDirectory": "build",
"specVersion": 3,
"spec": {
"servers": [{ "url": "https://***.trycloudflare.com" }]
}
},
"routes": {
"routesDir": "build"
}
}
src/ ディレクトリを作成して、そこに src/controllers.ts と src/main.ts を配置します。
import { Controller, Get, Route } from "tsoa";
@Route("/say-it")
export class SayItController extends Controller {
@Get("")
public async sayIt(): Promisestring> {
return "AGI";
}
}
tsoa が build 配下にソースコードを出力するステップがあるので Controller が定義されているファイルと main のアプリを実行するソースファイルは分ける必要があります。
import express, { json, urlencoded } from "express";
import { RegisterRoutes } from "../build/routes";
export const app = express();
app.use(urlencoded({ extended: true }));
app.use(json());
RegisterRoutes(app);
const port = process.env.PORT || 3000;
app.listen(port, () =>
console.log(`GPT Action app listening at http://localhost:${port}`)
);
準備完了です！
この状態で npm i && npm start を実行すると、http://localhost:3000 でアプリが起動するはずです。npm start（または npx tsoa spec）を実行すると OpenAPI の定義が build/swagger.json に出力されます。
この出力内容のうち "openapi": "3.0.0", になっているところを GPT Actions がサポートしている “3.1.0” に差し替えた上で GPT Actions の設定画面で貼り付けてください。macOS であれば cat build/swagger.json | sed 's/3.0.0/3.1.0/' | pbcopy でコピーして貼り付けるのが簡単です。
これで最低限の準備ができました。Python の例と同様に機能を追加してみてください。
最後に Authentication で選択できる OAuth の設定方法についても解説しておきます。
外部サービスとの OAuth 連携を行なう GPT Action の場合、OAuth フローで得られた API トークンを次回以降の GPT Actions 実行時で自動的に送信します。
このトークンは ChatGPT のユーザーごとに保持されます。
自分のトークンを破棄したい場合は GPTs の利用画面のメニューから Privacy Settings > Connected Accounts を選択し、表示されているアカウントの “Log out” をクリックすることで無効化できます。
カスタムの OAuth サーバーの例まで紹介すると長くなるので、この記事では Slack アカウントとのシンプルな連携を紹介します。Slack アカウントへのアクセスを許可し、「私の Slack アカウントのメールアドレスは何？」という質問に正しく応答する GPT Action をつくってみます。
Slack アプリの設定
まず、Slack 側の設定を行います。https://api.slack.com/apps にアクセスして、以下の YAML ファイルを使って Slack アプリ（= Slack 連携設定）を作成します。
g-TODO のところは GPTs の設定画面の URL が https://chatgpt.com/gpts/editor/g-67edf41338548191b049979de160719d であれば g-67edf41338548191b049979de160719d を設定してください。
display_information:
name: My Slack Test GPT
oauth_config:
redirect_urls:
- https://chat.openai.com/aip/g-TODO/oauth/callback
scopes:
user:
- openid
- email
settings:
org_deploy_enabled: false
socket_mode_enabled: false
token_rotation_enabled: false
Slack アプリが作成されたら Settings > Basic Information のページに遷移して、Client ID と Client Secret をコピーしておいてください。
もし上の手順で oauth_config.redirect_urls を変更し忘れた場合は Features > OAuth & Permissions のページに遷移して Redirect URLs のところの設定内容を更新してください。
GPT Actions の設定
GPTs の設定画面に戻って “Create new action” をクリックして GPT Action の設定画面へ遷移し、”None” になっている “Authentication” のところをクリック、”OAuth” に切り替え、以下の内容を入力して保存してください。
- Client ID: 上の Slack アプリ管理画面に表示されていたもの
- Client Secret: 同じく上の Slack アプリ管理画面に表示されていたもの
- Authorization URL:
https://slack.com/openid/connect/authorize
- Token URL:
https://slack.com/api/openid.connect.token
- Scope:
openid,email
- Token Exchange Method: “Basic authorization header” を選択
これを保存したら OpenAPI の Schema は以下の内容を反映します。
openapi: 3.1.0
info:
title: Slack OpenID Connect - userInfo
description: Retrieve user information from Slack using OpenID Connect.
version: 1.0.0
servers:
- url: https://slack.com/api
paths:
/openid.connect.userInfo:
get:
summary: Retrieve OpenID Connect user information
operationId: getUserInfo
description: This endpoint returns the connected user's Slack account information
security:
- bearerAuth: []
responses:
'200':
description: Successful user info response
content:
application/json:
schema:
type: object
properties:
ok:
type: boolean
sub:
type: string
name:
type: string
email:
type: string
format: email
この内容で保存して「私の Slack アカウントのメールアドレスは何？」と質問すれば slack.com へのアクセスを促され、アカウントが接続されたら、以降は接続した Slack アカウントのメールアドレスを知らせてくれます。
GPTs の “Instructions” を You're tasked with connecting a user's Slack account using the actions and providing the available information upon request. のような内容にして “Conversation starters” にも 私の Slack アカウントのメールアドレスは何？ のような定型の質問文を設定しておくとテストがしやすいかもしれません。
動かすまでの手順が Slack の例よりも多いので、この記事では詳しく解説しませんが、Google スプレッドシートとの連携も検証したので簡単に紹介しておきます。GPTs リリース当初は制約があったようですが、この記事投稿時点では以下の設定で接続できるようになっています。利用する OpenAPI の定義は Google の開発者コミュニティの情報をあたってみてください。
- Authorization URL:
https://accounts.google.com/o/oauth2/auth
- Token URL:
https://oauth2.googleapis.com/token
- Scope:
https://www.googleapis.com/auth/spreadsheets
GPT Actions の OAuth の詳細については、こちらのドキュメントも参考にしてください。
GPTs の外部接続を伴う拡張は「何となくとっつきづらそう」というイメージだった方も多いかもしれませんが、想像よりも簡単であることを感じていただけたなら幸いです。
冒頭で MCP サーバーとの連携の計画についても触れた通り、OpenAI のプラットフォームはこれからも進化を続けていきます。アップデートがあり次第、また最新情報をわかりやすく解説していく予定ですので、ぜひご期待ください！
あなたが戦利品とクラフトシステムに慣れると 
