wehub/microsoft--mcp-for-beginners

Fork 0

Files

T

wehub-resource-sync c275ba2868 chore: import upstream snapshot with attribution

2026-07-13 13:31:35 +08:00

32 KiB

Raw Permalink Blame History

🌟 Lærdommer fra Tidlige Brukere

(Klikk på bildet over for å se video av denne leksjonen)

🎯 Hva Denne Modulen Dekker

Denne modulen utforsker hvordan reelle organisasjoner og utviklere benytter Model Context Protocol (MCP) for å løse faktiske utfordringer og drive innovasjon. Gjennom detaljerte casestudier, praktiske prosjekter og konkrete eksempler vil du oppdage hvordan MCP muliggjør sikker, skalerbar AI-integrasjon som kobler sammen språkmodeller, verktøy og bedriftsdata.

📚 Se MCP i Praksis

Vil du se disse prinsippene anvendt på produksjonsklare verktøy? Sjekk ut våre 10 Microsoft MCP-servere som Transformerer Utviklerproduktiviteten, som viser ekte Microsoft MCP-servere du kan bruke i dag.

Oversikt

Denne leksjonen utforsker hvordan tidlige brukere har utnyttet Model Context Protocol (MCP) for å løse virkelige utfordringer og drive innovasjon på tvers av bransjer. Gjennom detaljerte casestudier og praktiske prosjekter vil du se hvordan MCP muliggjør standardisert, sikker og skalerbar AI-integrasjon – som knytter sammen store språkmodeller, verktøy og bedriftsdata i en enhetlig ramme. Du vil få praktisk erfaring med å designe og bygge MCP-baserte løsninger, lære av velprøvde implementeringsmønstre og oppdage beste praksis for å distribuere MCP i produksjonsmiljøer. Leksjonen fremhever også fremvoksende trender, fremtidige retninger og åpen kildekode-ressurser som hjelper deg å holde deg i front av MCP-teknologi og dens stadig utviklende økosystem.

Læringsmål

Analysere virkelige MCP-implementasjoner på tvers av ulike bransjer
Designe og bygge komplette MCP-baserte applikasjoner
Utforske fremvoksende trender og fremtidige retninger innen MCP-teknologi
Anvende beste praksis i faktiske utviklingsscenarioer

Virkelige MCP-Implementasjoner

Casestudie 1: Automatisering av Kundestøtte i Bedrifter

Et multinasjonalt selskap implementerte en MCP-basert løsning for å standardisere AI-interaksjoner på tvers av deres kundestøttesystemer. Dette tillot dem å:

Lage et samlet grensesnitt for flere LLM-leverandører
Opprettholde konsistent prompt-styring på tvers av avdelinger
Implementere robuste sikkerhets- og samsvarskontroller
Enkelt bytte mellom forskjellige AI-modeller basert på spesifikke behov

Teknisk Implementering:

# Python MCP-serverimplementering for kundesupport
import logging
import asyncio
from modelcontextprotocol import create_server, ServerConfig
from modelcontextprotocol.server import MCPServer
from modelcontextprotocol.transports import create_http_transport
from modelcontextprotocol.resources import ResourceDefinition
from modelcontextprotocol.prompts import PromptDefinition
from modelcontextprotocol.tool import ToolDefinition

# Konfigurer logging
logging.basicConfig(level=logging.INFO)

async def main():
    # Opprett serverkonfigurasjon
    config = ServerConfig(
        name="Enterprise Customer Support Server",
        version="1.0.0",
        description="MCP server for handling customer support inquiries"
    )
    
    # Initialiser MCP-server
    server = create_server(config)
    
    # Registrer kunnskapsbase ressurser
    server.resources.register(
        ResourceDefinition(
            name="customer_kb",
            description="Customer knowledge base documentation"
        ),
        lambda params: get_customer_documentation(params)
    )
    
    # Registrer promptmaler
    server.prompts.register(
        PromptDefinition(
            name="support_template",
            description="Templates for customer support responses"
        ),
        lambda params: get_support_templates(params)
    )
    
    # Registrer støtteverktøy
    server.tools.register(
        ToolDefinition(
            name="ticketing",
            description="Create and update support tickets"
        ),
        handle_ticketing_operations
    )
    
    # Start server med HTTP-transport
    transport = create_http_transport(port=8080)
    await server.run(transport)

if __name__ == "__main__":
    asyncio.run(main())

Resultater: 30 % reduksjon i modellkostnader, 45 % forbedring i responshomogenitet, og forbedret samsvar på tvers av globale operasjoner.

Casestudie 2: Helsediagnostisk Assistent

En helsetjenesteleverandør utviklet en MCP-infrastruktur for å integrere flere spesialiserte medisinske AI-modeller samtidig som sensitiv pasientdata ble beskyttet:

Sømløst bytte mellom generelle og spesialiserte medisinske modeller
Strenge personvernkontroller og revisjonsspor
Integrasjon med eksisterende journalsystemer (EHR)
Konsistent prompt-utforming for medisinsk terminologi

Teknisk Implementering:

// C# MCP host application implementation in healthcare application
using Microsoft.Extensions.DependencyInjection;
using ModelContextProtocol.SDK.Client;
using ModelContextProtocol.SDK.Security;
using ModelContextProtocol.SDK.Resources;

public class DiagnosticAssistant
{
    private readonly MCPHostClient _mcpClient;
    private readonly PatientContext _patientContext;
    
    public DiagnosticAssistant(PatientContext patientContext)
    {
        _patientContext = patientContext;
        
        // Configure MCP client with healthcare-specific settings
        var clientOptions = new ClientOptions
        {
            Name = "Healthcare Diagnostic Assistant",
            Version = "1.0.0",
            Security = new SecurityOptions
            {
                Encryption = EncryptionLevel.Medical,
                AuditEnabled = true
            }
        };
        
        _mcpClient = new MCPHostClientBuilder()
            .WithOptions(clientOptions)
            .WithTransport(new HttpTransport("https://healthcare-mcp.example.org"))
            .WithAuthentication(new HIPAACompliantAuthProvider())
            .Build();
    }
    
    public async Task<DiagnosticSuggestion> GetDiagnosticAssistance(
        string symptoms, string patientHistory)
    {
        // Create request with appropriate resources and tool access
        var resourceRequest = new ResourceRequest
        {
            Name = "patient_records",
            Parameters = new Dictionary<string, object>
            {
                ["patientId"] = _patientContext.PatientId,
                ["requestingProvider"] = _patientContext.ProviderId
            }
        };
        
        // Request diagnostic assistance using appropriate prompt
        var response = await _mcpClient.SendPromptRequestAsync(
            promptName: "diagnostic_assistance",
            parameters: new Dictionary<string, object>
            {
                ["symptoms"] = symptoms,
                patientHistory = patientHistory,
                relevantGuidelines = _patientContext.GetRelevantGuidelines()
            });
            
        return DiagnosticSuggestion.FromMCPResponse(response);
    }
}

Resultater: Forbedrede diagnostiske forslag til leger samtidig som full HIPAA-samsvar ble opprettholdt, og betydelig reduksjon i kontekstbytte mellom systemer.

Casestudie 3: Risikovurdering for Finansielle Tjenester

En finansinstitusjon implementerte MCP for å standardisere risikovurderingsprosesser på tvers av ulike avdelinger:

Laget et samlet grensesnitt for kreditt-, svindel- og investeringsrisikomodeller
Implementerte strenge tilgangskontroller og modellversjonering
Sikret revisjonsevne for alle AI-anbefalinger
Opprettholdt konsistent dataformat på tvers av forskjellige systemer

Teknisk Implementering:

// Java MCP-server for finansiell risikovurdering
import org.mcp.server.*;
import org.mcp.security.*;

public class FinancialRiskMCPServer {
    public static void main(String[] args) {
        // Opprett MCP-server med funksjoner for finansiell samsvarsstyring
        MCPServer server = new MCPServerBuilder()
            .withModelProviders(
                new ModelProvider("risk-assessment-primary", new AzureOpenAIProvider()),
                new ModelProvider("risk-assessment-audit", new LocalLlamaProvider())
            )
            .withPromptTemplateDirectory("./compliance/templates")
            .withAccessControls(new SOCCompliantAccessControl())
            .withDataEncryption(EncryptionStandard.FINANCIAL_GRADE)
            .withVersionControl(true)
            .withAuditLogging(new DatabaseAuditLogger())
            .build();
            
        server.addRequestValidator(new FinancialDataValidator());
        server.addResponseFilter(new PII_RedactionFilter());
        
        server.start(9000);
        
        System.out.println("Financial Risk MCP Server running on port 9000");
    }
}

Resultater: Forbedret regulatorisk samsvar, 40 % raskere modellutrullingssykluser, og forbedret konsistens i risikovurdering på tvers av avdelinger.

Casestudie 4: Microsoft Playwright MCP Server for Nettleserautomatisering

Microsoft utviklet Playwright MCP-serveren for å muliggjøre sikker, standardisert nettleserautomatisering via Model Context Protocol. Denne produksjonsklare serveren gjør det mulig for AI-agenter og LLM-er å samhandle med nettlesere på en kontrollert, reviderbar og utvidbar måte – og muliggjør brukstilfeller som automatisert webtesting, datauttrekk og ende-til-ende arbeidsflyter.

🎯 Produksjonsklart Verktøy

Denne casestudien viser en ekte MCP-server du kan bruke i dag! Lær mer om Playwright MCP Server og 9 andre produksjonsklare Microsoft MCP-servere i vår Microsoft MCP Servers Guide.

Nøkkelfunksjoner:

Eksponerer nettleserautomatiseringsfunksjoner (navigasjon, skjemautfylling, skjermbildeopptak osv.) som MCP-verktøy
Implementerer strenge tilgangskontroller og sandkasse for å forhindre uautoriserte handlinger
Gir detaljerte revisjonslogger for alle nettleserinteraksjoner
Støtter integrasjon med Azure OpenAI og andre LLM-leverandører for agentdrevet automatisering
Driver GitHub Copilots kodeagent med nettleserfunksjonalitet

Teknisk Implementering:

// TypeScript: Registrerer Playwright nettleserautomatiseringsverktøy i en MCP-server
import { createServer, ToolDefinition } from 'modelcontextprotocol';
import { launch } from 'playwright';

const server = createServer({
  name: 'Playwright MCP Server',
  version: '1.0.0',
  description: 'MCP server for browser automation using Playwright'
});

// Registrer et verktøy for å navigere til en URL og ta et skjermbilde
server.tools.register(
  new ToolDefinition({
    name: 'navigate_and_screenshot',
    description: 'Navigate to a URL and capture a screenshot',
    parameters: {
      url: { type: 'string', description: 'The URL to visit' }
    }
  }),
  async ({ url }) => {
    const browser = await launch();
    const page = await browser.newPage();
    await page.goto(url);
    const screenshot = await page.screenshot();
    await browser.close();
    return { screenshot };
  }
);

// Start MCP-serveren
server.listen(8080);

Resultater:

Muliggjorde sikker, programmersk nettleserautomatisering for AI-agenter og LLM-er
Reduserte manuelt testarbeid og forbedret testdekning for nettapplikasjoner
Tilbød en gjenbrukbar, utvidbar ramme for nettleserbasert verktøyintegrasjon i bedriftsmiljøer
Driver GitHub Copilots nettleserfunksjoner

Referanser:

Casestudie 5: Azure MCP – Enterprise-Grade Model Context Protocol som en Tjeneste

Azure MCP Server (https://aka.ms/azmcp) er Microsofts administrerte, enterprise-grade implementasjon av Model Context Protocol, designet for å tilby skalerbare, sikre og samsvarende MCP-serverkapasiteter som en skytjeneste. Azure MCP gjør det mulig for organisasjoner å raskt distribuere, administrere og integrere MCP-servere med Azure AI, data- og sikkerhetstjenester, redusere driftsbelastning og akselerere AI-adopsjon.

🎯 Produksjonsklart Verktøy

Dette er en ekte MCP-server du kan bruke i dag! Lær mer om Microsoft Foundry MCP Server i vår Microsoft MCP Servers Guide.

Fullt administrert MCP-serverhosting med innebygd skalering, overvåking og sikkerhet
Native integrasjon med Azure OpenAI, Azure AI Search og andre Azure-tjenester
Enterprise-autentisering og autorisasjon via Microsoft Entra ID
Støtte for tilpassede verktøy, promptmaler og ressurskoblinger
Samsvar med bedriftsnivå sikkerhets- og regulatoriske krav

Teknisk Implementering:

# Example: Azure MCP server deployment configuration (YAML)
apiVersion: mcp.microsoft.com/v1
kind: McpServer
metadata:
  name: enterprise-mcp-server
spec:
  modelProviders:
    - name: azure-openai
      type: AzureOpenAI
      endpoint: https://<your-openai-resource>.openai.azure.com/
      apiKeySecret: <your-azure-keyvault-secret>
  tools:
    - name: document_search
      type: AzureAISearch
      endpoint: https://<your-search-resource>.search.windows.net/
      apiKeySecret: <your-azure-keyvault-secret>
  authentication:
    type: EntraID
    tenantId: <your-tenant-id>
  monitoring:
    enabled: true
    logAnalyticsWorkspace: <your-log-analytics-id>

Resultater:

Redusert tid til verdi for bedrifts-AI-prosjekter ved å tilby en klar-til-bruk, samsvarende MCP-serverplattform
Forenklet integrasjon av LLM-er, verktøy og bedriftsdatakilder
Forbedret sikkerhet, observabilitet og driftseffektivitet for MCP-arbeidsmengder
Forbedret kodekvalitet med Azure SDK beste praksis og moderne autentiseringsmønstre

Referanser:

Casestudie 6: NLWeb

MCP (Model Context Protocol) er en fremvoksende protokoll for chatboter og AI-assistenter til å samhandle med verktøy. Hver NLWeb-instans er også en MCP-server, som støtter én kjerne-metode, ask, som brukes for å stille et nettsted et spørsmål på naturlig språk. Det returnerte svaret bruker schema.org, et mye brukt vokabular for beskrivelse av webdata. Løst sagt er MCP for NLWeb hva Http er for HTML. NLWeb kombinerer protokoller, Schema.org-formater og eksempel-kode for å hjelpe nettsteder raskt med å lage disse endepunktene, til nytte for både mennesker gjennom samtalegrensesnitt og maskiner gjennom naturlig agent-til-agent-interaksjon.

Det er to distinkte komponenter i NLWeb.

En protokoll, veldig enkel til å begynne med, for å grensesnitt med et nettsted på naturlig språk og et format, som bruker json og schema.org for det returnerte svaret. Se dokumentasjonen på REST API for mer detaljer.
En enkel implementering av (1) som utnytter eksisterende markup, for nettsteder som kan abstrakteres som lister over elementer (produkter, oppskrifter, attraksjoner, anmeldelser osv.). Sammen med et sett brukergrensesnitt-widgets kan nettsteder enkelt tilby samtalegrensesnitt til sitt innhold. Se dokumentasjonen på Life of a chat query for mer detaljer om hvordan dette fungerer.

Referanser:

Casestudie 7: Microsoft Foundry MCP Server – Enterprise AI-Agentintegrasjon

Microsoft Foundry MCP-servere viser hvordan MCP kan brukes til å orkestrere og administrere AI-agenter og arbeidsflyter i bedriftsmiljøer. Ved å integrere MCP med Microsoft Foundry kan organisasjoner standardisere agentinteraksjoner, utnytte Foundrys arbeidsflytstyring og sikre sikre, skalerbare distribusjoner.

🎯 Produksjonsklart Verktøy

Dette er en ekte MCP-server du kan bruke i dag! Lær mer om Microsoft Foundry MCP Server i vår Microsoft MCP Servers Guide.

Nøkkelfunksjoner:

Omfattende tilgang til Azures AI-økosystem, inkludert modellkataloger og distribusjonsstyring
Kunnskapsindeksering med Azure AI Search for RAG-applikasjoner
Evalueringsverktøy for AI-modellers ytelse og kvalitetssikring
Integrasjon med Microsoft Foundry Catalog og Labs for banebrytende forskningsmodeller
Agentadministrasjon og evalueringsmuligheter for produksjonsscenarier

Resultater:

Rask prototyping og robust overvåking av AI-agentarbeidsflyter
Sømløs integrasjon med Azure AI-tjenester for avanserte scenarioer
Enhetlig grensesnitt for bygging, utrulling og overvåking av agent-pipelines
Forbedret sikkerhet, samsvar og driftseffektivitet for bedrifter
Akselerert AI-adopsjon samtidig som kontroll over komplekse agentdrevne prosesser opprettholdes

Referanser:

Casestudie 8: Foundry MCP Playground – Eksperimentering og Prototyping

Foundry MCP Playground tilbyr et klart-til-bruk-miljø for eksperimentering med MCP-servere og Microsoft Foundry-integrasjoner. Utviklere kan raskt prototype, teste og evaluere AI-modeller og agentarbeidsflyter ved å bruke ressurser fra Microsoft Foundry Catalog og Labs. Playground forenkler oppsett, tilbyr eksempler på prosjekter og støtter samarbeidende utvikling, noe som gjør det enkelt å utforske beste praksis og nye scenarioer med minimal innsats. Det er spesielt nyttig for team som ønsker å validere ideer, dele eksperimenter og akselerere læring uten behov for kompleks infrastruktur. Ved å senke inngangsbarrieren fremmer playground innovasjon og fellesskapsbidrag i MCP- og Microsoft Foundry-økosystemet.

Referanser:

Foundry MCP Playground GitHub Repository

Casestudie 9: Microsoft Learn Docs MCP Server – AI-Drevet Tilgang til Dokumentasjon

Microsoft Learn Docs MCP Server er en skyhostet tjeneste som gir AI-assistenter sanntidstilgang til offisiell Microsoft-dokumentasjon gjennom Model Context Protocol. Denne produksjonsklare serveren kobles til det omfattende Microsoft Learn-økosystemet og muliggjør semantisk søk på tvers av alle offisielle Microsoft-kilder.

🎯 Produksjonsklart Verktøy

Dette er en ekte MCP-server du kan bruke i dag! Lær mer om Microsoft Learn Docs MCP Server i vår Microsoft MCP Servers Guide.

Nøkkelfunksjoner:

Sanntidstilgang til offisiell Microsoft-dokumentasjon, Azure-dokumentasjon og Microsoft 365-dokumentasjon
Avanserte semantiske søkefunksjoner som forstår kontekst og intensjon
Alltid oppdatert informasjon i takt med publisering av Microsoft Learn-innhold
Omfattende dekning på tvers av Microsoft Learn, Azure-dokumentasjon og Microsoft 365-kilder
Returnerer opptil 10 innholdsbiter av høy kvalitet med artikeltitler og URL-er

Hvorfor Det Er Kritisk:

Løser problemet med "utdatert AI-kunnskap" for Microsoft-teknologier
Sikrer at AI-assistenter har tilgang til de nyeste .NET-, C#-, Azure- og Microsoft 365-funksjonene
Gir autoritativ, førstepartsinformasjon for nøyaktig kodegenerering
Essensielt for utviklere som jobber med raskt utviklende Microsoft-teknologier

Resultater:

Dramatisk forbedret nøyaktighet på AI-generert kode for Microsoft-teknologier
Redusert tid brukt på å finne aktuell dokumentasjon og beste praksis
Forbedret utviklerproduktivitet med kontekstbevisst dokumentasjonsinnhenting
Sømløs integrasjon i utviklingsarbeidsflyter uten å forlate IDE-en

Referanser:

Praktiske Prosjekter

Prosjekt 1: Bygg en MCP-server med Flere Leverandører

Mål: Lag en MCP-server som kan rute forespørsler til flere AI-modellleverandører basert på bestemte kriterier.

Krav:

Støtte minst tre forskjellige modellleverandører (f.eks. OpenAI, Anthropic, lokale modeller)
Implementere en rutemekanisme basert på metadata i forespørselen
Lage et konfigurasjonssystem for å håndtere leverandørlegitimasjon
Legge til caching for å optimalisere ytelse og kostnader
Bygge et enkelt dashboard for overvåking av bruk

Implementeringstrinn:

Sett opp grunnleggende MCP-serverinfrastruktur
Implementer leverandøradaptere for hver AI-modelltjeneste
Lag rutelogikk basert på forespørselsattributter
Legg til cachingmekanismer for hyppige forespørsler
Utvikle overvåkingsdashboard
Test med ulike forespørselsmønstre

Teknologier: Velg blant Python (.NET/Java/Python etter preferanse), Redis for caching, og et enkelt web-rammeverk for dashboardet.

Prosjekt 2: Bedriftsystem for Promptadministrasjon

Mål: Utvikle et MCP-basert system for administrasjon, versjonering og utrulling av promptmaler på tvers av en organisasjon.

Krav:

Opprett et sentralt depot for promptmaler
Implementer versjonshåndtering og godkjenningsflyter
Bygg testmuligheter for maler med eksempelinndata
Utvikle rollebaserte tilgangskontroller
Lag en API for henting og distribusjon av maler

Implementeringstrinn:

Design databaseskjema for lagring av maler
Opprett kjerne-API for CRUD-operasjoner på maler
Implementer versjonshåndteringssystemet
Bygg godkjenningsflyt
Utvikle testingsrammeverket
Lag et enkelt webgrensesnitt for administrasjon
Integrer med en MCP-server

Teknologier: Valgt backend-rammeverk, SQL eller NoSQL database, og et frontend-rammeverk for administrasjonsgrensesnittet.

Prosjekt 3: MCP-basert plattform for innholdsgenerering

Mål: Bygg en plattform for innholdsgenerering som utnytter MCP for å gi konsistente resultater på tvers av ulike innholdstyper.

Krav:

Støtte flere innholdsformater (blogginnlegg, sosiale medier, markedsføringsinnhold)
Implementer malbasert generering med tilpasningsmuligheter
Lag et system for innholdsrevisjon og tilbakemelding
Spor ytelsesmetrikker for innhold
Støtt versjonering og iterasjon av innhold

Implementeringstrinn:

Sett opp MCP-klientinfrastruktur
Lag maler for ulike innholdstyper
Bygg innholdsgenereringspipeline
Implementer revisjonssystem
Utvikle system for metrikksporing
Lag brukergrensesnitt for maladministrasjon og innholdsgenerering

Teknologier: Ønsket programmeringsspråk, webrammeverk og databasesystem.

Fremtidige retninger for MCP-teknologi

Fremvoksende trender

Multi-Modalt MCP
- Utvidelse av MCP for standardisering av interaksjon med bilde-, lyd- og videomodeller
- Utvikling av tverrmodale resonnementsevner
- Standardiserte promptformater for ulike modaliteter
Federert MCP-infrastruktur
- Distribuerte MCP-nettverk som kan dele ressurser på tvers av organisasjoner
- Standardiserte protokoller for sikker deling av modeller
- Personvernbevarende beregningsteknikker
MCP-markedsplasser
- Økosystemer for deling og kommersialisering av MCP-maler og plugins
- Kvalitetssikring og sertifiseringsprosesser
- Integrasjon med modellmarkedsplasser
MCP for Edge Computing
- Tilpasning av MCP-standarder for ressursbegrensede edge-enheter
- Optimaliserte protokoller for lavbåndbreddemiljøer
- Spesialiserte MCP-implementeringer for IoT-økosystemer
Regulatoriske rammeverk
- Utvikling av MCP-utvidelser for regulatorisk samsvar
- Standardiserte revisjonsspor og forklarbarhetsgrensesnitt
- Integrasjon med kommende AI-styringsrammeverk

MCP-løsninger fra Microsoft

Microsoft og Azure har utviklet flere open-source repositories for å hjelpe utviklere med å implementere MCP i ulike scenarier:

Microsoft-organisasjonen

playwright-mcp - En Playwright MCP-server for nettleserautomatisering og testing
files-mcp-server - En OneDrive MCP-serverimplementering for lokal testing og fellesskapsbidrag
NLWeb - NLWeb er en samling av åpne protokoller og relaterte open source-verktøy. Hovedfokus er å etablere et grunnleggende lag for AI-nett

Azure-Samples-organisasjonen

mcp - Lenker til eksempler, verktøy og ressurser for å bygge og integrere MCP-servere på Azure med flere språk
mcp-auth-servers - Referanse MCP-servere som demonstrerer autentisering med gjeldende Model Context Protocol-spesifikasjon
remote-mcp-functions - Landingsside for Remote MCP-serverimplementeringer i Azure Functions med lenker til språkspesifikke repositories
remote-mcp-functions-python - Kjappstartmal for å bygge og deployere tilpassede fjern-MCP-servere med Azure Functions og Python
remote-mcp-functions-dotnet - Kjappstartmal for å bygge og deployere tilpassede fjern-MCP-servere med Azure Functions og .NET/C#
remote-mcp-functions-typescript - Kjappstartmal for å bygge og deployere tilpassede fjern-MCP-servere med Azure Functions og TypeScript
remote-mcp-apim-functions-python - Azure API Management som AI-gateway til fjern-MCP-servere ved bruk av Python
AI-Gateway - APIM ❤️ AI-eksperimenter inkludert MCP-funksjonalitet, med integrasjon til Azure OpenAI og AI Foundry

Disse repositories tilbyr ulike implementeringer, maler og ressurser for arbeid med Model Context Protocol på tvers av programmeringsspråk og Azure-tjenester. De dekker et spekter fra grunnleggende serverimplementeringer til autentisering, skyutplassering og bedriftsintegrasjons-scenarier.

MCP Resources Directory

MCP Resources directory i den offisielle Microsoft MCP-repoen tilbyr en kurert samling av eksempler på ressurser, promptmaler og verktøydefinisjoner for bruk med Model Context Protocol-servere. Denne katalogen er laget for å hjelpe utviklere å komme raskt i gang med MCP ved å tilby gjenbrukbare byggeklosser og beste praksiseksempler for:

Promptmaler: Ferdige promptmaler for vanlige AI-oppgaver og scenarier, som kan tilpasses egne MCP-serverimplementeringer.
Verktøydefinisjoner: Eksempelverktøyskjemaer og metadata for å standardisere verktøyintegrasjon og -kall på tvers av MCP-servere.
Ressurseeksempler: Eksempler på ressursdefinisjoner for tilkobling til datakilder, APIer og eksterne tjenester innen MCP-rammeverket.
Referanseimplementeringer: Praktiske eksempler som demonstrerer hvordan man strukturerer og organiserer ressurser, prompts og verktøy i reelle MCP-prosjekter.

Disse ressursene akselererer utvikling, fremmer standardisering, og bidrar til beste praksis ved bygging og utplassering av MCP-baserte løsninger.

MCP Resources Directory

MCP Resources (Sample Prompts, Tools, and Resource Definitions)

Forskningsmuligheter

Effektive teknikker for promptoptimalisering innen MCP-rammeverk
Sikkerhetsmodeller for multi-leietaker MCP-distribusjoner
Ytelsesmålinger på tvers av ulike MCP-implementeringer
Formelle verifikasjonsmetoder for MCP-servere

Konklusjon

Model Context Protocol (MCP) former raskt fremtiden for standardisert, sikker og interoperabel AI-integrasjon på tvers av bransjer. Gjennom case-studier og praktiske prosjekter i denne leksjonen har du sett hvordan tidlige brukere – inkludert Microsoft og Azure – utnytter MCP for å løse virkelige utfordringer, fremskynde AI-adopsjon, og sikre samsvar, sikkerhet og skalerbarhet. MCPs modulære tilnærming gjør det mulig for organisasjoner å koble sammen store språkmodeller, verktøy og bedriftsdata i en enhetlig, revisjonssikker ramme. Etter hvert som MCP utvikler seg videre, vil det være viktig å holde seg engasjert i fellesskapet, utforske open-source ressurser, og anvende beste praksis for å bygge robuste, fremtidsklare AI-løsninger.

Flere ressurser

Øvelser

Analyser et av case-studiene og foreslå en alternativ implementeringstilnærming.
Velg et av prosjektideene og lag en detaljert teknisk spesifikasjon.
Undersøk en bransje som ikke dekkes i case-studiene, og skissér hvordan MCP kan møte dens spesifikke utfordringer.
Utforsk en av de fremtidige retningene og lag et konsept for en ny MCP-utvidelse for å støtte denne.

Hva nå

Utforsk mer: Microsoft MCP Servers

Fortsett til: Modul 8: Beste praksis

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket skal betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.

32 KiB Raw Permalink Blame History Unescape Escape

🌟 Lærdommer fra Tidlige Brukere

🎯 Hva Denne Modulen Dekker

📚 Se MCP i Praksis

Oversikt

Læringsmål

Virkelige MCP-Implementasjoner

Casestudie 1: Automatisering av Kundestøtte i Bedrifter

Casestudie 2: Helsediagnostisk Assistent

Casestudie 3: Risikovurdering for Finansielle Tjenester

Casestudie 4: Microsoft Playwright MCP Server for Nettleserautomatisering

Casestudie 5: Azure MCP – Enterprise-Grade Model Context Protocol som en Tjeneste

Casestudie 6: NLWeb

Casestudie 7: Microsoft Foundry MCP Server – Enterprise AI-Agentintegrasjon

Casestudie 8: Foundry MCP Playground – Eksperimentering og Prototyping

Casestudie 9: Microsoft Learn Docs MCP Server – AI-Drevet Tilgang til Dokumentasjon

Praktiske Prosjekter

Prosjekt 1: Bygg en MCP-server med Flere Leverandører

Prosjekt 2: Bedriftsystem for Promptadministrasjon

Prosjekt 3: MCP-basert plattform for innholdsgenerering

Fremtidige retninger for MCP-teknologi

Fremvoksende trender

MCP-løsninger fra Microsoft

Microsoft-organisasjonen

Azure-Samples-organisasjonen

MCP Resources Directory

MCP Resources Directory

Forskningsmuligheter

Konklusjon

Flere ressurser

Øvelser

Hva nå

32 KiB

Raw Permalink Blame History