wehub-resource-sync
13 KiB
13 KiB
Model Context Protocol (MCP) Integration med Microsoft Foundry
Denne guide viser, hvordan du integrerer Model Context Protocol (MCP) servere med Microsoft Foundry agenter, hvilket muliggør kraftfuld værktøjsorkestrering og virksomheders AI-funktionaliteter.
Introduktion
Model Context Protocol (MCP) er en åben standard, der gør det muligt for AI-applikationer sikkert at forbinde til eksterne datakilder og værktøjer. Når det integreres med Microsoft Foundry, tillader MCP agenter at få adgang til og interagere med forskellige eksterne tjenester, API'er og datakilder på en standardiseret måde.
Denne integration kombinerer fleksibiliteten i MCP's værktøjsøkosystem med Microsoft Foundrys robuste agentrammeværk, hvilket giver virksomhedens AI-løsninger med omfattende tilpasningsmuligheder.
Bemærk: Hvis du ønsker at bruge MCP i Microsoft Foundry Agent Service, understøttes p.t. kun følgende regioner: westus, westus2, uaenorth, southindia og switzerlandnorth
Læringsmål
Når du er færdig med denne guide, vil du kunne:
- Forstå Model Context Protocol og dets fordele
- Sætte MCP servere op til brug med Microsoft Foundry agenter
- Oprette og konfigurere agenter med MCP værktøjsintegration
- Implementere praktiske eksempler ved brug af rigtige MCP servere
- Håndtere værktøjsresponser og kildehenvisninger i agent-samtaler
Forudsætninger
Inden du begynder, skal du sikre dig, at du har:
- Et Azure-abonnement med adgang til Microsoft Foundry
- Python 3.10+ eller .NET 8.0+
- Azure CLI installeret og konfigureret
- De nødvendige tilladelser til at oprette AI-ressourcer
Hvad er Model Context Protocol (MCP)?
Model Context Protocol er en standardiseret måde for AI-applikationer at forbinde til eksterne datakilder og værktøjer. Centrale fordele inkluderer:
- Standardiseret Integration: Ensartet grænseflade på tværs af forskellige værktøjer og tjenester
- Sikkerhed: Sikre autentifikations- og autorisationsmekanismer
- Fleksibilitet: Understøttelse af forskellige datakilder, API’er og brugerdefinerede værktøjer
- Udvidelsesmuligheder: Let at tilføje nye funktioner og integrationer
Opsætning af MCP med Microsoft Foundry
Miljøkonfiguration
Vælg dit foretrukne udviklingsmiljø:
Python-implementering
Bemærk Du kan køre denne notebook
1. Installer nødvendige pakker
pip install azure-ai-projects -U
pip install azure-ai-agents==1.1.0b4 -U
pip install azure-identity -U
pip install mcp==1.11.0 -U
2. Importer afhængigheder
import os, time
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.agents.models import McpTool, RequiredMcpToolCall, SubmitToolApprovalAction, ToolApproval
3. Konfigurer MCP-indstillinger
mcp_server_url = os.environ.get("MCP_SERVER_URL", "https://learn.microsoft.com/api/mcp")
mcp_server_label = os.environ.get("MCP_SERVER_LABEL", "mslearn")
4. Initialiser projektklient
project_client = AIProjectClient(
endpoint="https://your-project-endpoint.services.ai.azure.com/api/projects/your-project",
credential=DefaultAzureCredential(),
)
5. Opret MCP-værktøj
mcp_tool = McpTool(
server_label=mcp_server_label,
server_url=mcp_server_url,
allowed_tools=[], # Valgfrit: angiv tilladte værktøjer
)
6. Færdigt Python-eksempel
with project_client:
agents_client = project_client.agents
# Opret en ny agent med MCP-værktøjer
agent = agents_client.create_agent(
model="Your AOAI Model Deployment",
name="my-mcp-agent",
instructions="You are a helpful agent that can use MCP tools to assist users. Use the available MCP tools to answer questions and perform tasks.",
tools=mcp_tool.definitions,
)
print(f"Created agent, ID: {agent.id}")
print(f"MCP Server: {mcp_tool.server_label} at {mcp_tool.server_url}")
# Opret tråd til kommunikation
thread = agents_client.threads.create()
print(f"Created thread, ID: {thread.id}")
# Opret besked til tråd
message = agents_client.messages.create(
thread_id=thread.id,
role="user",
content="What's difference between Azure OpenAI and OpenAI?",
)
print(f"Created message, ID: {message.id}")
# Håndter værktøjsgodkendelser og kør agent
mcp_tool.update_headers("SuperSecret", "123456")
run = agents_client.runs.create(thread_id=thread.id, agent_id=agent.id, tool_resources=mcp_tool.resources)
print(f"Created run, ID: {run.id}")
while run.status in ["queued", "in_progress", "requires_action"]:
time.sleep(1)
run = agents_client.runs.get(thread_id=thread.id, run_id=run.id)
if run.status == "requires_action" and isinstance(run.required_action, SubmitToolApprovalAction):
tool_calls = run.required_action.submit_tool_approval.tool_calls
if not tool_calls:
print("No tool calls provided - cancelling run")
agents_client.runs.cancel(thread_id=thread.id, run_id=run.id)
break
tool_approvals = []
for tool_call in tool_calls:
if isinstance(tool_call, RequiredMcpToolCall):
try:
print(f"Approving tool call: {tool_call}")
tool_approvals.append(
ToolApproval(
tool_call_id=tool_call.id,
approve=True,
headers=mcp_tool.headers,
)
)
except Exception as e:
print(f"Error approving tool_call {tool_call.id}: {e}")
if tool_approvals:
agents_client.runs.submit_tool_outputs(
thread_id=thread.id, run_id=run.id, tool_approvals=tool_approvals
)
print(f"Current run status: {run.status}")
print(f"Run completed with status: {run.status}")
# Vis samtale
messages = agents_client.messages.list(thread_id=thread.id)
print("\nConversation:")
print("-" * 50)
for msg in messages:
if msg.text_messages:
last_text = msg.text_messages[-1]
print(f"{msg.role.upper()}: {last_text.text.value}")
print("-" * 50)
.NET-implementering
Bemærk Du kan køre denne notebook
1. Installer nødvendige pakker
#r "nuget: Azure.AI.Agents.Persistent, 1.1.0-beta.4"
#r "nuget: Azure.Identity, 1.14.2"
2. Importer afhængigheder
using Azure.AI.Agents.Persistent;
using Azure.Identity;
3. Konfigurer indstillinger
var projectEndpoint = "https://your-project-endpoint.services.ai.azure.com/api/projects/your-project";
var modelDeploymentName = "Your AOAI Model Deployment";
var mcpServerUrl = "https://learn.microsoft.com/api/mcp";
var mcpServerLabel = "mslearn";
PersistentAgentsClient agentClient = new(projectEndpoint, new DefaultAzureCredential());
4. Opret MCP-værktøjsdefinition
MCPToolDefinition mcpTool = new(mcpServerLabel, mcpServerUrl);
5. Opret agent med MCP-værktøjer
PersistentAgent agent = await agentClient.Administration.CreateAgentAsync(
model: modelDeploymentName,
name: "my-learn-agent",
instructions: "You are a helpful agent that can use MCP tools to assist users. Use the available MCP tools to answer questions and perform tasks.",
tools: [mcpTool]
);
6. Færdigt .NET-eksempel
// Create thread and message
PersistentAgentThread thread = await agentClient.Threads.CreateThreadAsync();
PersistentThreadMessage message = await agentClient.Messages.CreateMessageAsync(
thread.Id,
MessageRole.User,
"What's difference between Azure OpenAI and OpenAI?");
// Configure tool resources with headers
MCPToolResource mcpToolResource = new(mcpServerLabel);
mcpToolResource.UpdateHeader("SuperSecret", "123456");
ToolResources toolResources = mcpToolResource.ToToolResources();
// Create and handle run
ThreadRun run = await agentClient.Runs.CreateRunAsync(thread, agent, toolResources);
while (run.Status == RunStatus.Queued || run.Status == RunStatus.InProgress || run.Status == RunStatus.RequiresAction)
{
await Task.Delay(TimeSpan.FromMilliseconds(1000));
run = await agentClient.Runs.GetRunAsync(thread.Id, run.Id);
if (run.Status == RunStatus.RequiresAction && run.RequiredAction is SubmitToolApprovalAction toolApprovalAction)
{
var toolApprovals = new List<ToolApproval>();
foreach (var toolCall in toolApprovalAction.SubmitToolApproval.ToolCalls)
{
if (toolCall is RequiredMcpToolCall mcpToolCall)
{
Console.WriteLine($"Approving MCP tool call: {mcpToolCall.Name}");
toolApprovals.Add(new ToolApproval(mcpToolCall.Id, approve: true)
{
Headers = { ["SuperSecret"] = "123456" }
});
}
}
if (toolApprovals.Count > 0)
{
run = await agentClient.Runs.SubmitToolOutputsToRunAsync(thread.Id, run.Id, toolApprovals: toolApprovals);
}
}
}
// Display messages
using Azure;
AsyncPageable<PersistentThreadMessage> messages = agentClient.Messages.GetMessagesAsync(
threadId: thread.Id,
order: ListSortOrder.Ascending
);
await foreach (PersistentThreadMessage threadMessage in messages)
{
Console.Write($"{threadMessage.CreatedAt:yyyy-MM-dd HH:mm:ss} - {threadMessage.Role,10}: ");
foreach (MessageContent contentItem in threadMessage.ContentItems)
{
if (contentItem is MessageTextContent textItem)
{
Console.Write(textItem.Text);
}
else if (contentItem is MessageImageFileContent imageFileItem)
{
Console.Write($"<image from ID: {imageFileItem.FileId}>");
}
Console.WriteLine();
}
}
MCP-værktøjskonfigurationsmuligheder
Når du konfigurerer MCP-værktøjer til din agent, kan du angive flere vigtige parametre:
Python-konfiguration
mcp_tool = McpTool(
server_label="unique_server_name", # Identifikator for MCP-serveren
server_url="https://api.example.com/mcp", # MCP-server endepunkt
allowed_tools=[], # Valgfrit: angiv tilladte værktøjer
)
.NET-konfiguration
MCPToolDefinition mcpTool = new(
"unique_server_name", // Server label
"https://api.example.com/mcp" // MCP server URL
);
Godkendelse og Headers
Begge implementeringer understøtter brugerdefinerede headers til godkendelse:
Python
mcp_tool.update_headers("SuperSecret", "123456")
.NET
MCPToolResource mcpToolResource = new(mcpServerLabel);
mcpToolResource.UpdateHeader("SuperSecret", "123456");
Fejlfinding af almindelige problemer
1. Forbindelsesproblemer
- Bekræft at MCP server-URL er tilgængelig
- Tjek autentifikationsoplysninger
- Sørg for netværksforbindelse
2. Fejl ved værktøjsopkald
- Gennemgå værktøjsargumenter og formatering
- Tjek serverspecifikke krav
- Implementer korrekt fejlhåndtering
3. Ydeevneproblemer
- Optimer kaldhastigheden til værktøjer
- Implementer caching hvor relevant
- Overvåg svartider på serveren
Næste skridt
For at forbedre din MCP-integration yderligere:
- Udforsk brugerdefinerede MCP-servere: Byg dine egne MCP-servere til proprietære datakilder
- Implementer avanceret sikkerhed: Tilføj OAuth2 eller brugerdefinerede autentifikationsmekanismer
- Overvågning og analyse: Implementer logning og overvågning af værktøjsbrug
- Skaler din løsning: Overvej belastningsbalancering og distribuerede MCP-serverarkitekturer
Yderligere ressourcer
- Microsoft Foundry Dokumentation
- Model Context Protocol-eksempler
- Microsoft Foundry Agents Oversigt
- MCP-specifikation
Support
For yderligere support og spørgsmål:
- Gennemgå Microsoft Foundry dokumentationen
- Tjek MCP fællesskabsressourcer
Hvad er det næste
Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.