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

33 KiB

Raw Permalink Blame History

🌟 Wnioski od Wczesnych Użytkowników

(Kliknij powyższy obraz, aby obejrzeć wideo z tej lekcji)

🎯 Co Obejmuje Ten Moduł

Moduł ten bada, jak prawdziwe organizacje i deweloperzy wykorzystują Model Context Protocol (MCP) do rozwiązywania rzeczywistych wyzwań i napędzania innowacji. Poprzez szczegółowe studia przypadków, praktyczne projekty i przykłady dowiesz się, jak MCP umożliwia bezpieczną, skalowalną integrację AI, łącząc modele językowe, narzędzia i dane przedsiębiorstwa.

📚 Zobacz MCP w Akcji

Chcesz zobaczyć te zasady zastosowane w gotowych do produkcji narzędziach? Sprawdź nasz 10 Microsoft MCP Servers That Are Transforming Developer Productivity, który prezentuje rzeczywiste serwery Microsoft MCP, z których możesz korzystać już dziś.

Przegląd

Ta lekcja bada, jak wczesni użytkownicy wykorzystali Model Context Protocol (MCP) do rozwiązywania rzeczywistych problemów i napędzania innowacji w różnych branżach. Poprzez szczegółowe studia przypadków i praktyczne projekty zobaczysz, jak MCP umożliwia standaryzowaną, bezpieczną i skalowalną integrację AI — łącząc duże modele językowe, narzędzia i dane przedsiębiorstwa w zunifikowanym ramach. Zdobyjesz praktyczne doświadczenie w projektowaniu i budowaniu rozwiązań opartych na MCP, poznasz sprawdzone wzorce implementacji oraz najlepsze praktyki wdrażania MCP w środowiskach produkcyjnych. Lekcja podkreśla także pojawiające się trendy, przyszłe kierunki oraz zasoby open source, które pomogą Ci pozostać na czele technologii MCP i jej rozwijającego się ekosystemu.

Cele Nauki

Analizować rzeczywiste implementacje MCP w różnych branżach
Projektować i budować kompletne aplikacje oparte na MCP
Eksplorować pojawiające się trendy i przyszłe kierunki technologii MCP
Stosować najlepsze praktyki w rzeczywistych scenariuszach rozwojowych

Rzeczywiste Implementacje MCP

Studium Przypadku 1: Automatyzacja Obsługi Klienta w Przedsiębiorstwie

Międzynarodowa korporacja wdrożyła rozwiązanie oparte na MCP, aby ustandaryzować interakcje AI w swoich systemach obsługi klienta. Pozwoliło to na:

Utworzenie zunifikowanego interfejsu dla wielu dostawców LLM
Utrzymanie spójnego zarządzania promptami pomiędzy działami
Wdrożenie solidnych kontroli bezpieczeństwa i zgodności
Łatwą zmianę między różnymi modelami AI w zależności od specyficznych potrzeb

Implementacja techniczna:

# Implementacja serwera MCP w Pythonie dla obsługi klienta
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

# Konfiguruj logowanie
logging.basicConfig(level=logging.INFO)

async def main():
    # Utwórz konfigurację serwera
    config = ServerConfig(
        name="Enterprise Customer Support Server",
        version="1.0.0",
        description="MCP server for handling customer support inquiries"
    )
    
    # Zainicjuj serwer MCP
    server = create_server(config)
    
    # Zarejestruj zasoby bazy wiedzy
    server.resources.register(
        ResourceDefinition(
            name="customer_kb",
            description="Customer knowledge base documentation"
        ),
        lambda params: get_customer_documentation(params)
    )
    
    # Zarejestruj szablony podpowiedzi
    server.prompts.register(
        PromptDefinition(
            name="support_template",
            description="Templates for customer support responses"
        ),
        lambda params: get_support_templates(params)
    )
    
    # Zarejestruj narzędzia wsparcia
    server.tools.register(
        ToolDefinition(
            name="ticketing",
            description="Create and update support tickets"
        ),
        handle_ticketing_operations
    )
    
    # Uruchom serwer z transportem HTTP
    transport = create_http_transport(port=8080)
    await server.run(transport)

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

Wyniki: 30% redukcja kosztów modeli, 45% poprawa spójności odpowiedzi oraz wzmacniana zgodność w globalnych operacjach.

Studium Przypadku 2: Asystent Diagnostyczny w Opiece Zdrowotnej

Dostawca usług zdrowotnych opracował infrastrukturę MCP do integracji wielu wyspecjalizowanych medycznych modeli AI, jednocześnie zapewniając ochronę wrażliwych danych pacjentów:

Płynne przełączanie między modelami medycznymi ogólnymi i specjalistycznymi
Ścisłe kontrole prywatności i ścieżki audytu
Integracja z istniejącymi systemami Elektronicznej Dokumentacji Medycznej (EHR)
Spójne inżynieria promptów dla terminologii medycznej

Implementacja techniczna:

// 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);
    }
}

Wyniki: Ulepszone sugestie diagnostyczne dla lekarzy przy zachowaniu pełnej zgodności z HIPAA oraz znaczące zmniejszenie przełączania kontekstów między systemami.

Studium Przypadku 3: Analiza Ryzyka Usług Finansowych

Instytucja finansowa wdrożyła MCP, aby ustandaryzować procesy analizy ryzyka w różnych działach:

Stworzenie zunifikowanego interfejsu dla modeli oceny ryzyka kredytowego, wykrywania oszustw i ryzyka inwestycyjnego
Wdrożenie ścisłych kontroli dostępu i wersjonowania modeli
Zapewnienie audytowalności wszystkich rekomendacji AI
Utrzymanie spójnego formatowania danych w różnych systemach

Implementacja techniczna:

// Serwer MCP w Javie do oceny ryzyka finansowego
import org.mcp.server.*;
import org.mcp.security.*;

public class FinancialRiskMCPServer {
    public static void main(String[] args) {
        // Utwórz serwer MCP z funkcjami zgodności finansowej
        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");
    }
}

Wyniki: Zwiększona zgodność regulacyjna, 40% szybsze cykle wdrażania modeli oraz poprawiona spójność oceny ryzyka w działach.

Studium Przypadku 4: Microsoft Playwright MCP Server do Automatyzacji Przeglądarki

Microsoft opracował Playwright MCP server, umożliwiający bezpieczną, standaryzowaną automatyzację przeglądarki przez Model Context Protocol. Ten gotowy do produkcji serwer pozwala agentom AI i LLM na interakcję z przeglądarkami internetowymi w kontrolowany, audytowalny i rozszerzalny sposób — umożliwiając zastosowania takie jak automatyczne testowanie stron, ekstrakcja danych i kompleksowe workflow.

🎯 Narzędzie gotowe do produkcji

To studium przypadku prezentuje rzeczywisty serwer MCP, z którego możesz korzystać już dziś! Dowiedz się więcej o Playwright MCP Server i 9 innych gotowych serwerach Microsoft MCP w naszym Przewodniku po Microsoft MCP Servers.

Kluczowe Funkcje:

Udostępnia możliwości automatyzacji przeglądarki (nawigacja, wypełnianie formularzy, robienie zrzutów ekranu itp.) jako narzędzia MCP
Wdraża ścisłe kontrole dostępu i piaskownicę, aby zapobiec nieautoryzowanym działaniom
Zapewnia szczegółowe logi audytowe wszystkich interakcji z przeglądarką
Obsługuje integrację z Azure OpenAI i innymi dostawcami LLM dla automatyzacji sterowanej agentami
Napędza agenta kodującego GitHub Copilot z funkcjami przeglądania internetowego

Implementacja techniczna:

// TypeScript: Rejestrowanie narzędzi automatyzacji przeglądarki Playwright w serwerze MCP
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'
});

// Zarejestruj narzędzie do nawigacji do URL i robienia zrzutu ekranu
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 };
  }
);

// Uruchom serwer MCP
server.listen(8080);

Wyniki:

Umożliwiono bezpieczną, programową automatyzację przeglądarki dla agentów AI i LLM
Zredukowano wysiłek ręcznego testowania oraz poprawiono pokrycie testów dla aplikacji webowych
Zapewniono wielokrotnego użytku, rozszerzalne ramy integracji narzędzi przeglądarkowych w środowiskach korporacyjnych
Napędza funkcje przeglądania internetowego GitHub Copilot

Referencje:

Studium Przypadku 5: Azure MCP — Model Context Protocol klasy korporacyjnej jako usługa

Azure MCP Server (https://aka.ms/azmcp) to zarządzana, korporacyjna implementacja Model Context Protocol Microsoftu, zaprojektowana do zapewnienia skalowalnych, bezpiecznych i zgodnych funkcji serwera MCP jako usługi w chmurze. Azure MCP umożliwia organizacjom szybkie wdrażanie, zarządzanie i integrację serwerów MCP z usługami Azure AI, danymi i bezpieczeństwem, redukując obciążenia operacyjne i przyspieszając adopcję AI.

🎯 Narzędzie gotowe do produkcji

To jest rzeczywisty serwer MCP, z którego możesz korzystać dziś! Dowiedz się więcej o Microsoft Foundry MCP Server w naszym Przewodniku po Microsoft MCP Servers.

W pełni zarządzane hostowanie serwera MCP z wbudowanym skalowaniem, monitoringiem i zabezpieczeniami
Natychmiastowa integracja z Azure OpenAI, Azure AI Search i innymi usługami Azure
Korporacyjna autoryzacja i uwierzytelnianie poprzez Microsoft Entra ID
Wsparcie dla narzędzi niestandardowych, szablonów promptów i łączników zasobów
Zgodność z wymaganiami bezpieczeństwa i regulacyjnymi dla przedsiębiorstw

Implementacja techniczna:

# 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>

Wyniki:

Skrócenie czasu do wartości dla projektów AI w przedsiębiorstwach dzięki gotowej, zgodnej platformie serwera MCP
Uproszczona integracja LLM, narzędzi i źródeł danych korporacyjnych
Zwiększone bezpieczeństwo, obserwowalność i efektywność operacyjna dla zadań MCP
Poprawiona jakość kodu dzięki najlepszym praktykom Azure SDK i aktualnym wzorcom uwierzytelniania

Referencje:

Studium Przypadku 6: NLWeb

MCP (Model Context Protocol) to rozwijający się protokół dla chatbotów i asystentów AI do interakcji z narzędziami. Każda instancja NLWeb jest również serwerem MCP, który obsługuje jedną główną metodę, ask, służącą do zadawania pytania stronie internetowej w języku naturalnym. Zwracana odpowiedź korzysta ze schema.org, powszechnie stosowanego słownika do opisywania danych sieciowych. Mówiąc ogólnie, MCP jest dla NLWeb tym, czym Http jest dla HTML. NLWeb łączy protokoły, formaty Schema.org i przykładowy kod, aby pomóc stronom szybko tworzyć takie punkty końcowe, przynosząc korzyści zarówno ludziom przez interfejsy konwersacyjne, jak i maszynom poprzez naturalną interakcję agent-agent.

NLWeb składa się z dwóch odrębnych komponentów:

Protokół, bardzo prosty na początek, do interfejsu z witryną w języku naturalnym i formatu, wykorzystującego json i schema.org dla zwróconej odpowiedzi. Zobacz dokumentację REST API, aby poznać szczegóły.
Prosta implementacja (1), która wykorzystuje istniejące znaczniki, dla stron, które można abstrakcyjnie traktować jako listy elementów (produkty, przepisy, atrakcje, recenzje itd.). Razem z zestawem widgetów interfejsu użytkownika, strony mogą łatwo zapewniać interfejsy konwersacyjne do swoich treści. Zobacz dokumentację Life of a chat query, aby poznać szczegóły działania.

Referencje:

Studium Przypadku 7: Microsoft Foundry MCP Server – Integracja Agentów AI w Przedsiębiorstwie

Serwery Microsoft Foundry MCP demonstrują, jak MCP może być używany do orkiestracji i zarządzania agentami AI oraz workflow w środowiskach korporacyjnych. Integrując MCP z Microsoft Foundry, organizacje mogą standaryzować interakcje agentów, korzystać z zarządzania workflow Foundry i zapewniać bezpieczne, skalowalne wdrożenia.

🎯 Narzędzie gotowe do produkcji

To jest rzeczywisty serwer MCP, z którego możesz korzystać już dziś! Dowiedz się więcej o Microsoft Foundry MCP Server w naszym Przewodniku po Microsoft MCP Servers.

Kluczowe Funkcje:

Kompleksowy dostęp do ekosystemu AI Azure, włącznie z katalogami modeli i zarządzaniem wdrożeniami
Indeksowanie wiedzy przy użyciu Azure AI Search dla aplikacji RAG
Narzędzia oceny wydajności modeli AI i zapewnienia jakości
Integracja z Microsoft Foundry Catalog i Labs dla najnowocześniejszych modeli badawczych
Zarządzanie agentami i możliwości oceny dla scenariuszy produkcyjnych

Wyniki:

Szybkie prototypowanie i solidny monitoring workflow agentów AI
Płynna integracja z usługami Azure AI dla zaawansowanych scenariuszy
Zunifikowany interfejs do budowy, wdrażania i monitorowania pipeline agentów
Poprawa bezpieczeństwa, zgodności i efektywności operacyjnej dla przedsiębiorstw
Przyspieszenie adopcji AI przy zachowaniu kontroli nad złożonymi procesami sterowanymi agentami

Referencje:

Studium Przypadku 8: Foundry MCP Playground – Eksperymenty i Prototypowanie

Foundry MCP Playground to gotowe do użycia środowisko do eksperymentowania z serwerami MCP i integracjami Microsoft Foundry. Deweloperzy mogą szybko tworzyć prototypy, testować i oceniać modele AI oraz workflow agentów, korzystając z zasobów Microsoft Foundry Catalog i Labs. Playground upraszcza konfigurację, dostarcza przykładowe projekty i wspiera współpracę, co ułatwia eksplorację najlepszych praktyk i nowych scenariuszy przy minimalnym nakładzie. Jest szczególnie przydatny dla zespołów, które chcą weryfikować pomysły, dzielić się eksperymentami i przyspieszać naukę bez potrzeby skomplikowanej infrastruktury. Obniżając barierę wejścia, playground wspiera innowacje i wkład społeczności w ekosystem MCP i Microsoft Foundry.

Referencje:

Foundry MCP Playground GitHub Repository

Studium Przypadku 9: Microsoft Learn Docs MCP Server – Dostęp do Dokumentacji Wspierany przez AI

Microsoft Learn Docs MCP Server to usługa hostowana w chmurze, która zapewnia asystentom AI dostęp w czasie rzeczywistym do oficjalnej dokumentacji Microsoft poprzez Model Context Protocol. Ten gotowy do produkcji serwer łączy się z kompleksowym ekosystemem Microsoft Learn i umożliwia semantyczne wyszukiwanie we wszystkich oficjalnych źródłach Microsoft.

🎯 Narzędzie gotowe do produkcji

To jest rzeczywisty serwer MCP, z którego możesz korzystać dziś! Dowiedz się więcej o Microsoft Learn Docs MCP Server w naszym Przewodniku po Microsoft MCP Servers.

Kluczowe Funkcje:

Dostęp w czasie rzeczywistym do oficjalnej dokumentacji Microsoft, Azure oraz Microsoft 365
Zaawansowane możliwości wyszukiwania semantycznego rozumiejące kontekst i intencję
Zawsze aktualne informacje, gdy zawartość Microsoft Learn jest publikowana
Kompletne pokrycie Microsoft Learn, dokumentacji Azure oraz źródeł Microsoft 365
Zwraca do 10 wysokiej jakości fragmentów treści wraz z tytułami artykułów i adresami URL

Dlaczego to jest kluczowe:

Rozwiązuje problem "przestarzałej wiedzy AI" dla technologii Microsoft
Zapewnia asystentom AI dostęp do najnowszych funkcji .NET, C#, Azure i Microsoft 365
Dostarcza autorytatywne, pierwszorzędne informacje dla precyzyjnego generowania kodu
Niezbędne dla deweloperów pracujących z szybko rozwijającymi się technologiami Microsoft

Wyniki:

Dramatyczna poprawa dokładności generowanego kodu dla technologii Microsoft
Skrócenie czasu spędzanego na wyszukiwaniu aktualnej dokumentacji i najlepszych praktyk
Zwiększona produktywność deweloperów dzięki kontekstowemu pobieraniu dokumentacji
Płynna integracja z przepływami pracy deweloperskiej bez wychodzenia z IDE

Referencje:

Projekty Praktyczne

Projekt 1: Zbuduj Serwer MCP Obsługujący Wielu Dostawców

Cel: Utworzyć serwer MCP, który może kierować żądania do wielu dostawców modeli AI na podstawie określonych kryteriów.

Wymagania:

Wsparcie co najmniej trzech różnych dostawców modeli (np. OpenAI, Anthropic, modele lokalne)
Implementacja mechanizmu routingu opartego na metadanych żądania
Stworzenie systemu konfiguracji do zarządzania poświadczeniami dostawców
Dodanie mechanizmu cache’owania w celu optymalizacji wydajności i kosztów
Zbudowanie prostego panelu monitorowania użycia

Kroki implementacji:

Skonfiguruj podstawową infrastrukturę serwera MCP
Wdróż adaptory dostawców dla każdej usługi modelu AI
Stwórz logikę routingu opartą na atrybutach żądania
Dodaj mechanizmy cache’owania dla często powtarzanych żądań
Opracuj panel monitorowania
Przetestuj z różnymi wzorcami żądań

Technologie: Wybierz spośród Python (.NET/Java/Python według preferencji), Redis do cache’owania oraz prosty framework webowy do panelu.

Projekt 2: System Zarządzania Promptami dla Przedsiębiorstwa

Cel: Rozwinąć system oparty na MCP do zarządzania, wersjonowania i wdrażania szablonów promptów w organizacji.

Wymagania:

Utwórz scentralizowane repozytorium szablonów promptów
Wdróż wersjonowanie i przepływy pracy zatwierdzania
Zbuduj możliwości testowania szablonów z przykładowymi danymi wejściowymi
Opracuj kontroli dostępu oparte na rolach
Stwórz API do pobierania i wdrażania szablonów

Kroki implementacji:

Zaprojektuj schemat bazy danych dla przechowywania szablonów
Stwórz podstawowe API do operacji CRUD na szablonach
Wdróż system wersjonowania
Zbuduj przepływ pracy zatwierdzania
Opracuj framework testowy
Stwórz prosty interfejs webowy do zarządzania
Wdroż integrację z serwerem MCP

Technologie: Wybrany framework backendowy, baza danych SQL lub NoSQL oraz framework frontendowy do interfejsu zarządzania.

Projekt 3: Platforma generowania treści oparta na MCP

Cel: Zbudować platformę generowania treści wykorzystującą MCP, aby zapewnić spójne wyniki dla różnych typów treści.

Wymagania:

Obsługa wielu formatów treści (posty blogowe, media społecznościowe, teksty marketingowe)
Wdrożenie generowania opartego na szablonach z opcjami personalizacji
Stworzenie systemu przeglądu i feedbacku treści
Śledzenie metryk efektywności treści
Obsługa wersjonowania i iteracji treści

Kroki implementacji:

Skonfiguruj infrastrukturę klienta MCP
Stwórz szablony dla różnych rodzajów treści
Zbuduj pipeline generowania treści
Wdróż system przeglądu
Opracuj system śledzenia metryk
Stwórz interfejs użytkownika do zarządzania szablonami i generowania treści

Technologie: Preferowany język programowania, framework webowy i system bazy danych.

Kierunki rozwoju technologii MCP

Wschodzące trendy

Multi-modalne MCP
- Rozszerzenie MCP na standardyzację interakcji z modelami obrazów, dźwięku i wideo
- Rozwój zdolności rozumowania cross-modalnego
- Standardowe formaty promptów dla różnych modalności
Federacyjna infrastruktura MCP
- Rozproszone sieci MCP umożliwiające współdzielenie zasobów między organizacjami
- Standardowe protokoły do bezpiecznego udostępniania modeli
- Techniki prywatnego przetwarzania danych
Rynki MCP
- Ekosystemy do dzielenia się i monetyzacji szablonów i wtyczek MCP
- Procesy kontroli jakości i certyfikacji
- Integracja z rynkami modeli
MCP dla Edge Computing
- Adaptacja standardów MCP dla urządzeń o ograniczonych zasobach na krawędzi sieci
- Optymalizacja protokołów pod kątem środowisk o niskiej przepustowości
- Specjalistyczne implementacje MCP dla ekosystemów IoT
Ramowe regulacje prawne
- Rozwój rozszerzeń MCP do zgodności regulacyjnej
- Standardowe ścieżki audytu i interfejsy wyjaśnialności
- Integracja z rozwijającymi się ramami zarządzania AI

Rozwiązania MCP od Microsoft

Microsoft i Azure opracowały kilka repozytoriów open source, które pomagają deweloperom wdrażać MCP w różnych scenariuszach:

Organizacja Microsoft

playwright-mcp - Serwer MCP Playwright do automatyzacji i testowania przeglądarek
files-mcp-server - Implementacja serwera MCP OneDrive do lokalnych testów i wkładu społeczności
NLWeb - Kolekcja otwartych protokołów i narzędzi open source. Głównym celem jest ustanowienie warstwy bazowej dla AI Web

Organizacja Azure-Samples

mcp - Linki do przykładów, narzędzi i źródeł do budowy i integracji serwerów MCP na platformie Azure przy użyciu różnych języków
mcp-auth-servers - Referencyjne serwery MCP demonstrujące uwierzytelnianie zgodne z aktualną specyfikacją Model Context Protocol
remote-mcp-functions - Strona startowa implementacji zdalnych serwerów MCP w Azure Functions z linkami do repozytoriów specyficznych dla języków
remote-mcp-functions-python - Szablon szybkiego startu do tworzenia i wdrażania własnych zdalnych serwerów MCP w Azure Functions przy użyciu Pythona
remote-mcp-functions-dotnet - Szablon szybkiego startu do tworzenia i wdrażania własnych zdalnych serwerów MCP w Azure Functions przy użyciu .NET/C#
remote-mcp-functions-typescript - Szablon szybkiego startu do tworzenia i wdrażania własnych zdalnych serwerów MCP w Azure Functions przy użyciu TypeScript
remote-mcp-apim-functions-python - Azure API Management jako AI Gateway do zdalnych serwerów MCP używając Pythona
AI-Gateway - Eksperymenty APIM ❤️ AI, obejmujące funkcje MCP, integrujące się z Azure OpenAI i AI Foundry

Te repozytoria oferują różnorodne implementacje, szablony i zasoby do pracy z Model Context Protocol w różnych językach programowania i usługach Azure. Obejmują one szeroki zakres zastosowań od podstawowych implementacji serwerów po uwierzytelnianie, wdrożenia w chmurze i scenariusze integracji korporacyjnej.

Katalog zasobów MCP

Katalog zasobów MCP w oficjalnym repozytorium Microsoft MCP zapewnia wyselekcjonowany zbiór przykładowych zasobów, szablonów promptów i definicji narzędzi do wykorzystania z serwerami Model Context Protocol. Ten katalog ma pomóc deweloperom szybko rozpocząć pracę z MCP poprzez udostępnienie wielokrotnego użytku bloków budulcowych i przykładów najlepszych praktyk dla:

Szablonów promptów: Gotowe do użycia szablony promptów dla typowych zadań i scenariuszy AI, które można dostosować do własnych implementacji serwerów MCP.
Definicji narzędzi: Przykładowe schematy narzędzi i metadane standaryzujące integrację i wywoływanie narzędzi w różnych serwerach MCP.
Przykładów zasobów: Przykładowe definicje zasobów do łączenia z bazami danych, API i usługami zewnętrznymi w ramach MCP.
Referencyjnych implementacji: Praktyczne przykłady pokazujące, jak strukturyzować i organizować zasoby, prompty i narzędzia w rzeczywistych projektach MCP.

Te zasoby przyspieszają rozwój, promują standaryzację i pomagają zapewnić najlepsze praktyki podczas tworzenia i wdrażania rozwiązań opartych na MCP.

Katalog zasobów MCP

Zasoby MCP (przykładowe prompty, narzędzia i definicje zasobów)

Możliwości badań naukowych

Efektywne techniki optymalizacji promptów w ramach MCP
Modele bezpieczeństwa dla wielodostępnych wdrożeń MCP
Benchmarking wydajności różnych implementacji MCP
Formalne metody weryfikacji serwerów MCP

Podsumowanie

Model Context Protocol (MCP) szybko kształtuje przyszłość standardowej, bezpiecznej i interoperacyjnej integracji AI w różnych branżach. Poprzez studia przypadków i praktyczne projekty w tej lekcji, widziałeś, jak pionierzy — w tym Microsoft i Azure — wykorzystują MCP do rozwiązywania realnych problemów, przyspieszania adopcji AI oraz zapewniania zgodności, bezpieczeństwa i skalowalności. Modularne podejście MCP umożliwia organizacjom łączenie dużych modeli językowych, narzędzi i danych korporacyjnych w zunifikowany, audytowalny framework. W miarę rozwoju MCP, aktywne uczestnictwo w społeczności, korzystanie z zasobów open source i stosowanie najlepszych praktyk będzie kluczowe do budowania solidnych, gotowych na przyszłość rozwiązań AI.

Dodatkowe zasoby

Ćwiczenia

Przeanalizuj jedno z badań przypadku i zaproponuj alternatywne podejście do implementacji.
Wybierz jeden z pomysłów projektowych i przygotuj szczegółową specyfikację techniczną.
Zbadaj branżę nieobjętą badaniami przypadku i nakreśl, jak MCP mógłby rozwiązać jej specyficzne wyzwania.
Zbadaj któryś z kierunków rozwoju i stwórz koncepcję nowego rozszerzenia MCP dla jego wsparcia.

Co dalej

Poznaj więcej: Serwery MCP Microsoft

Kontynuuj do: Moduł 8: Najlepsze praktyki

Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.

33 KiB Raw Permalink Blame History Unescape Escape

🌟 Wnioski od Wczesnych Użytkowników

🎯 Co Obejmuje Ten Moduł

📚 Zobacz MCP w Akcji

Przegląd

Cele Nauki

Rzeczywiste Implementacje MCP

Studium Przypadku 1: Automatyzacja Obsługi Klienta w Przedsiębiorstwie

Studium Przypadku 2: Asystent Diagnostyczny w Opiece Zdrowotnej

Studium Przypadku 3: Analiza Ryzyka Usług Finansowych

Studium Przypadku 4: Microsoft Playwright MCP Server do Automatyzacji Przeglądarki

Studium Przypadku 5: Azure MCP — Model Context Protocol klasy korporacyjnej jako usługa

Studium Przypadku 6: NLWeb

Studium Przypadku 7: Microsoft Foundry MCP Server – Integracja Agentów AI w Przedsiębiorstwie

Studium Przypadku 8: Foundry MCP Playground – Eksperymenty i Prototypowanie

Studium Przypadku 9: Microsoft Learn Docs MCP Server – Dostęp do Dokumentacji Wspierany przez AI

Projekty Praktyczne

Projekt 1: Zbuduj Serwer MCP Obsługujący Wielu Dostawców

Projekt 2: System Zarządzania Promptami dla Przedsiębiorstwa

Projekt 3: Platforma generowania treści oparta na MCP

Kierunki rozwoju technologii MCP

Wschodzące trendy

Rozwiązania MCP od Microsoft

Organizacja Microsoft

Organizacja Azure-Samples

Katalog zasobów MCP

Katalog zasobów MCP

Możliwości badań naukowych

Podsumowanie

Dodatkowe zasoby

Ćwiczenia

Co dalej

33 KiB

Raw Permalink Blame History