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

🌟 Lekcie od prvých používateľov

(Kliknite na obrázok vyššie pre zobrazenie videa k tejto lekcii)

🎯 Čo tento modul pokrýva

Tento modul skúma, ako reálne organizácie a vývojári využívajú Model Context Protocol (MCP) na riešenie skutočných výziev a podporu inovácií. Prostredníctvom podrobných prípadových štúdií, praktických projektov a príkladov objavíte, ako MCP umožňuje bezpečnú, škálovateľnú integráciu AI spájajúcu jazykové modely, nástroje a podnikové dáta.

📚 Pozrite si MCP v praxi

Chcete vidieť tieto princípy aplikované na produkčne pripravené nástroje? Pozrite si náš 10 Microsoft MCP serverov, ktoré menia produktivitu vývojárov, ktorý predstavuje skutočné MCP servery Microsoftu, ktoré môžete použiť ešte dnes.

Prehľad

Táto lekcia skúma, ako prvé organizácie využili Model Context Protocol (MCP) na riešenie reálnych problémov a podporu inovácií v rôznych odvetviach. Prostredníctvom podrobných prípadových štúdií a praktických projektov uvidíte, ako MCP umožňuje štandardizovanú, bezpečnú a škálovateľnú AI integráciu – spájajúc veľké jazykové modely, nástroje a podnikové dáta v jednotnom rámci. Získate praktické skúsenosti s navrhovaním a tvorbou riešení založených na MCP, naučíte sa overené implementačné vzory a objavíte osvedčené postupy pre nasadenie MCP v produkčných prostrediach. Lekcia tiež zdôrazňuje vznikajúce trendy, budúce smery a open-source zdroje, ktoré vám pomôžu zostať na čele MCP technológie a jej meniaceho sa ekosystému.

Ciele učenia

Analyzovať reálne implementácie MCP v rôznych odvetviach
Navrhnúť a vytvoriť kompletné aplikácie založené na MCP
Preskúmať vznikajúce trendy a budúce smery v MCP technológii
Aplikovať osvedčené postupy v reálnych vývojových scenároch

Reálne implementácie MCP

Prípadová štúdia 1: Automatizácia podnikovej zákazníckej podpory

Multinárodná spoločnosť implementovala riešenie založené na MCP na štandardizáciu AI interakcií vo svojich systémoch zákazníckej podpory. To im umožnilo:

Vytvoriť jednotné rozhranie pre viacerých poskytovateľov LLM
Udržiavať konzistentné riadenie promptov naprieč oddeleniami
Implementovať robustné bezpečnostné a súladové kontroly
Jednoducho prepínať medzi rôznymi AI modelmi podľa konkrétnych potrieb

Technická implementácia:

# Implementácia Python MCP servera pre zákaznícku podporu
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

# Konfigurácia zaznamenávania
logging.basicConfig(level=logging.INFO)

async def main():
    # Vytvorenie konfigurácie servera
    config = ServerConfig(
        name="Enterprise Customer Support Server",
        version="1.0.0",
        description="MCP server for handling customer support inquiries"
    )
    
    # Inicializácia MCP servera
    server = create_server(config)
    
    # Registrácia zdrojov znalostnej databázy
    server.resources.register(
        ResourceDefinition(
            name="customer_kb",
            description="Customer knowledge base documentation"
        ),
        lambda params: get_customer_documentation(params)
    )
    
    # Registrácia šablón promptov
    server.prompts.register(
        PromptDefinition(
            name="support_template",
            description="Templates for customer support responses"
        ),
        lambda params: get_support_templates(params)
    )
    
    # Registrácia nástrojov podpory
    server.tools.register(
        ToolDefinition(
            name="ticketing",
            description="Create and update support tickets"
        ),
        handle_ticketing_operations
    )
    
    # Spustenie servera s HTTP prenosom
    transport = create_http_transport(port=8080)
    await server.run(transport)

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

Výsledky: Zníženie nákladov na modely o 30 %, zlepšenie konzistencie odpovedí o 45 % a zvýšený súlad naprieč globálnymi prevádzkami.

Prípadová štúdia 2: Diagnostický asistent v zdravotníctve

Poskytovateľ zdravotnej starostlivosti vyvinul MCP infraštruktúru na integráciu viacerých špecializovaných medicínskych AI modelov s ochranou citlivých údajov pacientov:

Plynulé prepínanie medzi všeobecnými a špecializovanými medicínskymi modelmi
Prísne pravidlá ochrany súkromia a audítorské stopy
Integrácia s existujúcimi systémami Elektronických zdravotných záznamov (EHR)
Konzistentná tvorba promptov pre medicínsku terminológiu

Technická implementácia:

// 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);
    }
}

Výsledky: Zlepšené diagnostické návrhy pre lekárov pri úplnom dodržaní HIPAA a významné zníženie prepínania kontextov medzi systémami.

Prípadová štúdia 3: Analýza rizika vo finančných službách

Finančná inštitúcia zaviedla MCP na štandardizáciu svojich procesov analýzy rizika v rôznych oddeleniach:

Vytvorenie jednotného rozhrania pre modely kreditného rizika, detekcie podvodov a investičného rizika
Implementácia prísnych prístupových kontrol a verziovania modelov
Zabezpečenie auditovateľnosti všetkých AI odporúčaní
Udržiavanie konzistentného formátovania dát naprieč rôznymi systémami

Technická implementácia:

// Java MCP server pre hodnotenie finančného rizika
import org.mcp.server.*;
import org.mcp.security.*;

public class FinancialRiskMCPServer {
    public static void main(String[] args) {
        // Vytvoriť MCP server s funkciami finančnej zhody
        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");
    }
}

Výsledky: Zvýšená regulačná zhoda, 40 % rýchlejšie nasadenie modelov a zlepšená konzistencia hodnotenia rizík naprieč oddeleniami.

Prípadová štúdia 4: Microsoft Playwright MCP Server pre automatizáciu prehliadača

Microsoft vyvinul Playwright MCP server na umožnenie bezpečnej, štandardizovanej automatizácie prehliadača cez Model Context Protocol. Tento produkčne pripravený server umožňuje AI agentom a LLM interagovať s webovými prehliadačmi kontrolovaným, auditovateľným a rozšíriteľným spôsobom – čo umožňuje použitia ako automatizované webové testovanie, extrakcia dát a end-to-end pracovné postupy.

🎯 Produkčne pripravený nástroj

Táto prípadová štúdia predstavuje reálny MCP server, ktorý môžete dnes použiť! Viac informácií o Playwright MCP Serveri a ďalších 9 produkčne pripravených Microsoft MCP serveroch nájdete v našom Sprievodcovi Microsoft MCP servermi.

Kľúčové vlastnosti:

Exponuje funkcie automatizácie prehliadača (navigácia, vyplňovanie formulárov, snímanie obrazoviek a pod.) ako MCP nástroje
Implementuje prísne prístupové kontroly a sandboxovanie na zabránenie neautorizovaných akcií
Poskytuje detailné auditné záznamy všetkých interakcií s prehliadačom
Podporuje integráciu s Azure OpenAI a ďalšími poskytovateľmi LLM pre agentom riadenú automatizáciu
Poháňa agenta GitHub Copilot pre kódovanie s funkciami prehliadania webu

Technická implementácia:

// TypeScript: Registrácia nástrojov na automatizáciu prehliadača Playwright v MCP serveri
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'
});

// Zaregistrujte nástroj na navigáciu na URL a zachytenie screenshotu
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 };
  }
);

// Spustite MCP server
server.listen(8080);

Výsledky:

Umožnil bezpečnú, programovateľnú automatizáciu prehliadača pre AI agentov a LLM
Znížil manuálnu testovaciu záťaž a zlepšil pokrytie testami webových aplikácií
Poskytol opakovane použiteľný, rozšíriteľný rámec pre integráciu nástrojov založených na prehliadači v podnikových prostrediach
Poháňa funkcie prehliadania GitHub Copilot

Referencie:

Prípadová štúdia 5: Azure MCP – Enterprise-Grade Model Context Protocol ako služba

Azure MCP Server (https://aka.ms/azmcp) je spravovaná, podniková implementácia Model Context Protocol od Microsoftu, navrhnutá tak, aby poskytovala škálovateľné, bezpečné a súladné MCP serverové kapacity ako cloudovú službu. Azure MCP umožňuje organizáciám rýchlo nasadzovať, spravovať a integrovať MCP servery s Azure AI, dátovými a bezpečnostnými službami, čím znižuje prevádzkovú záťaž a zrýchľuje adopciu AI.

🎯 Produkčne pripravený nástroj

Toto je reálny MCP server, ktorý môžete použiť dnes! Viac o Microsoft Foundry MCP Serveri nájdete v našom Sprievodcovi Microsoft MCP servermi.

Plne spravované hostovanie MCP servera s vstavaným škálovaním, monitorovaním a bezpečnosťou
Nativna integrácia s Azure OpenAI, Azure AI Search a ďalšími Azure službami
Podniková autentifikácia a autorizácia cez Microsoft Entra ID
Podpora vlastných nástrojov, šablón promptov a konektorov zdrojov
Súlad s podnikmi bezpečnostnými a regulačnými požiadavkami

Technická implementácia:

# 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>

Výsledky:

Skrátený čas na dosiahnutie hodnoty pre podnikové AI projekty poskytovaním pripraveného, súladného MCP serverového riešenia
Zjednodušená integrácia LLM, nástrojov a podnikových dátových zdrojov
Zvýšená bezpečnosť, pozorovateľnosť a prevádzková efektívnosť MCP pracovných záťaží
Zlepšená kvalita kódu pomocou najlepších praktík Azure SDK a aktuálnych autentifikačných vzorov

Referencie:

Prípadová štúdia 6: NLWeb

MCP (Model Context Protocol) je vznikajúci protokol pre chatboty a AI asistentov na interakciu s nástrojmi. Každá inštancia NLWeb je zároveň MCP server, ktorý podporuje jednu hlavnú metódu, ask, ktorou sa kladie stránke otázka v prirodzenom jazyku. Vracaná odpoveď využíva schema.org, široko používaný slovník na popis webových dát. Voľne povedané, MCP je pre NLWeb to, čo je Http pre HTML. NLWeb kombinuje protokoly, formáty Schema.org a vzorový kód, ktorý pomáha stránkam rýchlo vytvárať tieto koncové body – prospešné pre ľudí prostredníctvom konverzačných rozhraní a pre stroje cez prirodzenú agent-agent interakciu.

NLWeb má dve odlišné komponenty:

Protokol, veľmi jednoduchý na začiatok, na rozhranie so stránkou v prirodzenom jazyku a formát využívajúci json a schema.org pre vracanú odpoveď. Viac podrobností nájdete v dokumentácii REST API.
Jednoduchú implementáciu (1), ktorá využíva existujúce značkovanie pre stránky, ktoré možno abstraktne zobraziť ako zoznamy položiek (produkty, recepty, atrakcie, recenzie atď.). Spolu so súborom widgetov užívateľského rozhrania môžu stránky jednoducho poskytovať konverzačné rozhrania k svojim obsahom. Viac o tom, ako to funguje, nájdete v dokumentácii Life of a chat query.

Referencie:

Prípadová štúdia 7: Microsoft Foundry MCP Server – Integrácia AI agentov v podniku

Microsoft Foundry MCP servery demonštrujú, ako možno MCP použiť na orchestráciu a správu AI agentov a pracovných postupov v podnikových prostrediach. Integráciou MCP s Microsoft Foundry môžu organizácie štandardizovať interakcie agentov, využiť správu pracovných postupov Foundry a zabezpečiť bezpečné, škálovateľné nasadenia.

🎯 Produkčne pripravený nástroj

Toto je reálny MCP server, ktorý môžete použiť ešte dnes! Viac o Microsoft Foundry MCP Serveri nájdete v našom Sprievodcovi Microsoft MCP servermi.

Kľúčové vlastnosti:

Komplexný prístup k Azure AI ekosystému vrátane katalógov modelov a správy nasadenia
Indexovanie znalostí s Azure AI Search pre RAG aplikácie
Hodnotiace nástroje na výkon a zabezpečenie kvality AI modelov
Integrácia s Microsoft Foundry Catalog a Labs pre špičkové výskumné modely
Správa agentov a hodnotiace schopnosti pre produkčné scenáre

Výsledky:

Rýchle prototypovanie a robustný monitoring pracovných postupov AI agentov
Plynulá integrácia so službami Azure AI pre pokročilé scenáre
Jednotné rozhranie pre tvorbu, nasadenie a monitoring agentových pipeline
Zvýšená bezpečnosť, súlad a prevádzková efektívnosť pre podniky
Urýchlená adopcia AI pri súčasnom udržiavaní kontroly nad zložitými procesmi riadenými agentmi

Referencie:

Prípadová štúdia 8: Foundry MCP Playground – Experimentovanie a prototypovanie

Foundry MCP Playground ponúka pripravené prostredie na experimentovanie s MCP servermi a integráciami Microsoft Foundry. Vývojári môžu rýchlo prototypovať, testovať a vyhodnocovať AI modely a pracovné postupy agentov pomocou zdrojov z Microsoft Foundry Catalog a Labs. Playground uľahčuje nastavenie, poskytuje vzorové projekty a podporuje kolaboratívny vývoj, čo zjednodušuje skúmanie najlepších postupov a nových scenárov s minimálnou záťažou. Je najmä užitočný pre tímy, ktoré chcú overovať nápady, zdieľať experimenty a urýchliť učenie bez potreby komplexnej infraštruktúry. Znížením vstupnej bariéry pomáha podporovať inovácie a komunitné príspevky v MCP a Microsoft Foundry ekosystéme.

Referencie:

Foundry MCP Playground GitHub repozitár

Prípadová štúdia 9: Microsoft Learn Docs MCP Server – Prístup k dokumentácii poháňanej AI

Microsoft Learn Docs MCP Server je cloudová služba, ktorá poskytuje AI asistentom prístup v reálnom čase k oficiálnej dokumentácii Microsoftu cez Model Context Protocol. Tento produkčne pripravený server sa pripája ku komplexnému ekosystému Microsoft Learn a umožňuje sémantické vyhľadávanie naprieč všetkými oficiálnymi zdrojmi Microsoftu.

🎯 Produkčne pripravený nástroj

Toto je reálny MCP server, ktorý môžete použiť ešte dnes! Viac o Microsoft Learn Docs MCP Serveri nájdete v našom Sprievodcovi Microsoft MCP servermi.

Kľúčové vlastnosti:

Prístup v reálnom čase k oficiálnej dokumentácii Microsoft, Azure a Microsoft 365
Pokročilé sémantické vyhľadávanie, ktoré rozumie kontextu a zámeru
Vždy aktuálne informácie podľa publikovaného obsahu Microsoft Learn
Komplexné pokrytie Microsoft Learn, Azure dokumentácie a Microsoft 365 zdrojov
Vracanie až 10 kvalitných obsahových blokov s názvami článkov a URL adresami

Prečo je to dôležité:

Rieši problém „zastaralých AI znalostí“ o technológiách Microsoftu
Zabezpečuje AI asistentom prístup k najnovším funkciám .NET, C#, Azure a Microsoft 365
Poskytuje autoritatívne, prvostranové informácie pre presnú generáciu kódu
Nevyhnutné pre vývojárov pracujúcich s rýchlo sa vyvíjajúcimi technológiami Microsoftu

Výsledky:

Výrazné zlepšenie presnosti AI generovaného kódu pre technológie Microsoftu
Skrátenie času potrebného na vyhľadávanie aktuálnej dokumentácie a najlepších postupov
Zvýšená produktivita vývojárov s kontextovo uvedomelým získavaním dokumentácie
Plynulá integrácia do vývojárskych pracovných postupov bez opúšťania IDE

Referencie:

Praktické projekty

Projekt 1: Vytvorte MCP server s viacerými poskytovateľmi

Cieľ: Vytvoriť MCP server, ktorý dokáže smerovať požiadavky na viacerých poskytovateľov AI modelov podľa konkrétnych kritérií.

Požiadavky:

Podpora minimálne troch rôznych poskytovateľov modelov (napr. OpenAI, Anthropic, lokálne modely)
Implementovať smerovaciu logiku založenú na metadátach požiadavky
Vytvoriť konfiguračný systém na správu poverení poskytovateľov
Pridať cacheovanie na optimalizáciu výkonu a nákladov
Vytvoriť jednoduchý dashboard na monitorovanie využitia

Kroky implementácie:

Nastaviť základnú infraštruktúru MCP servera
Implementovať adaptér pre každú AI modelovú službu
Vytvoriť smerovaciu logiku na základe atribútov požiadaviek
Pridať cacheovacie mechanizmy pre časté požiadavky
Vyvinúť monitorovací dashboard
Testovať s rôznymi vzormi požiadaviek

Technológie: Vyberte si zo Pythonu (.NET/Java/Python podľa preferencie), Redis na cacheovanie a jednoduchý webový framework pre dashboard.

Projekt 2: Podnikový systém správy promptov

Cieľ: Vyvinúť systém založený na MCP na správu, verzovanie a nasadzovanie šablón promptov naprieč organizáciou.

Požiadavky:

Vytvoriť centralizované úložisko šablón promptov
Implementovať verzovanie a schvaľovacie pracovné postupy
Vybudovať schopnosti testovania šablón so vzorovými vstupmi
Vyvinúť riadenie prístupu založené na rolách
Vytvoriť API pre získavanie a nasadzovanie šablón

Kroky implementácie:

Navrhnúť schému databázy pre uloženie šablón
Vytvoriť jadrové API pre CRUD operácie so šablónami
Implementovať systém verzovania
Vybudovať schvaľovací pracovný postup
Vyvinúť testovací rámec
Vytvoriť jednoduché webové rozhranie pre správu
Integrovať s MCP serverom

Technológie: Vaša voľba backendového frameworku, SQL alebo NoSQL databázy a frontendového frameworku pre správcovské rozhranie.

Projekt 3: MCP Založená Platforma na Generovanie Obsahu

Cieľ: Vybudovať platformu na generovanie obsahu, ktorá využíva MCP na zabezpečenie konzistentných výsledkov naprieč rôznymi typmi obsahu.

Požiadavky:

Podpora viacerých formátov obsahu (blogové príspevky, sociálne médiá, marketingové texty)
Implementácia generovania založeného na šablónach s možnosťami prispôsobenia
Vytvorenie systému pre kontrolu obsahu a spätnú väzbu
Sledovanie metrík výkonnosti obsahu
Podpora verzovania a iterácie obsahu

Kroky implementácie:

Zriadiť infraštruktúru MCP klienta
Vytvoriť šablóny pre rôzne typy obsahu
Vybudovať tok generovania obsahu
Implementovať systém kontroly
Vyvinúť systém sledovania metrík
Vytvoriť používateľské rozhranie pre správu šablón a generovanie obsahu

Technológie: Vaša preferovaná programovacia jazyk, webový framework a databázový systém.

Budúce Smerovanie Technológie MCP

Nové Trendy

Multi-modálny MCP
- Rozšírenie MCP na štandardizáciu interakcií s modelmi obrázkov, audia a videa
- Vývoj schopností krížovej modalitnej dedukcie
- Štandardizované formáty promptov pre rôzne modality
Federovaná MCP infraštruktúra
- Distribuované MCP siete, ktoré môžu zdieľať zdroje medzi organizáciami
- Štandardizované protokoly pre bezpečné zdieľanie modelov
- Techniky výpočtu zaručujúce zachovanie súkromia
Trhy MCP
- Ekosystémy pre zdieľanie a zpenazovanie MCP šablón a pluginov
- Procesy zabezpečenia kvality a certifikácie
- Integrácia s trhmi s modelmi
MCP pre Edge Computing
- Adaptácia normy MCP pre zariadenia s obmedzenými zdrojmi
- Optimalizované protokoly pre prostredia s nízkou šírkou pásma
- Špecializované implementácie MCP pre IoT ekosystémy
Regulačné rámce
- Vývoj rozšírení MCP pre dodržiavanie predpisov
- Štandardizované auditné záznamy a rozhrania vysvetliteľnosti
- Integrácia s novovznikajúcimi rámcami správy AI

Riešenia MCP od Microsoftu

Microsoft a Azure vyvinuli niekoľko open-source repozitárov, ktoré pomáhajú vývojárom implementovať MCP v rôznych scenároch:

Organizácia Microsoft

playwright-mcp - Playwright MCP server pre automatizáciu a testovanie prehliadača
files-mcp-server - Implementácia MCP servera pre OneDrive na lokálne testovanie a komunitný prínos
NLWeb - NLWeb je kolekcia otvorených protokolov a príslušných open source nástrojov. Jej hlavným cieľom je vytvoriť základnú vrstvu pre AI Web

Organizácia Azure-Samples

mcp - Odkazy na príklady, nástroje a zdroje pre vývoj a integráciu MCP serverov na Azure v rôznych jazykoch
mcp-auth-servers - Referenčné MCP servery demonštrujúce autentifikáciu podľa aktuálnej špecifikácie Model Context Protocol
remote-mcp-functions - Úvodná stránka pre implementácie Remote MCP Server pomocou Azure Functions s odkazmi na jazyko-špecifické repozitáre
remote-mcp-functions-python - Rýchly štart pre tvorbu a nasadenie vlastných vzdialených MCP serverov v Python pomocou Azure Functions
remote-mcp-functions-dotnet - Rýchly štart pre tvorbu a nasadenie vlastných vzdialených MCP serverov v .NET/C# pomocou Azure Functions
remote-mcp-functions-typescript - Rýchly štart pre tvorbu a nasadenie vlastných vzdialených MCP serverov v TypeScript pomocou Azure Functions
remote-mcp-apim-functions-python - Azure API Management ako AI Gateway pre vzdialené MCP servery v Pythone
AI-Gateway - APIM ❤️ AI experimenty vrátane schopností MCP, integrácia s Azure OpenAI a AI Foundry

Tieto repozitáre poskytujú rôzne implementácie, šablóny a zdroje na prácu s Model Context Protocol naprieč rôznymi programovacími jazykmi a službami Azure. Pokrývajú širokú škálu použitia od základných serverových implementácií až po autentifikáciu, cloudové nasadenie a scenáre integrácie podnikov.

Adresár zdrojov MCP

Adresár zdrojov MCP v oficiálnom Microsoft MCP repozitári poskytuje starostlivo vybranú zbierku ukážkových zdrojov, šablón promptov a definícií nástrojov pre použitie s Model Context Protocol servermi. Tento adresár je navrhnutý tak, aby pomohol vývojárom rýchlo začať s MCP a ponúkol znovupoužiteľné stavebné bloky a príklady najlepších postupov pre:

Šablóny promptov: Pripravené na použitie šablóny promptov pre bežné úlohy a scenáre AI, ktoré je možné prispôsobiť pre vlastné implementácie MCP serverov.
Definície nástrojov: Príkladové schémy nástrojov a metadata na štandardizáciu integrácie a vyvolávanie nástrojov naprieč rôznymi MCP servermi.
Ukážkové zdroje: Príkladové definície zdrojov pre pripojenie k dátovým zdrojom, API a externým službám v rámci rámca MCP.
Referenčné implementácie: Praktické príklady, ktoré ukazujú, ako štruktúrovať a organizovať zdroje, prompti a nástroje v reálnych projektoch MCP.

Tieto zdroje urýchľujú vývoj, podporujú štandardizáciu a pomáhajú zabezpečiť najlepšie postupy pri budovaní a nasadzovaní riešení založených na MCP.

Adresár zdrojov MCP

MCP Resources (Ukážkové prompty, nástroje a definície zdrojov)

Výskumné Príležitosti

Efektívne techniky optimalizácie promptov v rámci MCP rámcov
Bezpečnostné modely pre multi-tenant nasadenia MCP
Benchmarking výkonu naprieč rôznymi implementáciami MCP
Formálne metódy verifikácie MCP serverov

Záver

Model Context Protocol (MCP) rýchlo formuje budúcnosť štandardizovanej, bezpečnej a interoperabilnej AI integrácie naprieč odvetviami. Vďaka prípadovým štúdiám a praktickým projektom v tejto lekcii ste videli, ako skorí používatelia – vrátane Microsoftu a Azure – využívajú MCP na riešenie reálnych výziev, urýchlenie adopcie AI a zabezpečenie súladu, bezpečnosti a škálovateľnosti. Modulárny prístup MCP umožňuje organizáciám prepájať veľké jazykové modely, nástroje a podnikovú dátovú infraštruktúru v jednotnom, auditovateľnom rámci. Keď MCP pokračuje vo vývoji, kľúčové bude zostať v kontakte s komunitou, prebádať open-source zdroje a aplikovať najlepšie praktiky pre stavbu robustných, pripravených na budúcnosť AI riešení.

Ďalšie zdroje

Cvičenia

Analyzujte jednu z prípadových štúdií a navrhnite alternatívny prístup k implementácii.
Vyberte jeden z projektových nápadov a vytvorte podrobnú technickú špecifikáciu.
Preskúmajte odvetvie, ktoré nebolo pokryté prípadovými štúdiami, a načrtnite, ako by MCP mohlo riešiť jeho špecifické výzvy.
Preskúmajte jeden z budúcich smerov a vytvorte koncept nového rozšírenia MCP, ktoré ho podporí.

Čo ďalej

Preskúmajte viac: Microsoft MCP Servery

Pokračujte na: Modul 8: Najlepšie Praktiky

Vyhlásenie o zodpovednosti: Tento dokument bol preložený pomocou AI prekladateľskej služby Co-op Translator. Hoci sa snažíme o presnosť, vezmite prosím na vedomie, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho natívnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.

33 KiB Raw Permalink Blame History Unescape Escape

🌟 Lekcie od prvých používateľov

🎯 Čo tento modul pokrýva

📚 Pozrite si MCP v praxi

Prehľad

Ciele učenia

Reálne implementácie MCP

Prípadová štúdia 1: Automatizácia podnikovej zákazníckej podpory

Prípadová štúdia 2: Diagnostický asistent v zdravotníctve

Prípadová štúdia 3: Analýza rizika vo finančných službách

Prípadová štúdia 4: Microsoft Playwright MCP Server pre automatizáciu prehliadača

Prípadová štúdia 5: Azure MCP – Enterprise-Grade Model Context Protocol ako služba

Prípadová štúdia 6: NLWeb

Prípadová štúdia 7: Microsoft Foundry MCP Server – Integrácia AI agentov v podniku

Prípadová štúdia 8: Foundry MCP Playground – Experimentovanie a prototypovanie

Prípadová štúdia 9: Microsoft Learn Docs MCP Server – Prístup k dokumentácii poháňanej AI

Praktické projekty

Projekt 1: Vytvorte MCP server s viacerými poskytovateľmi

Projekt 2: Podnikový systém správy promptov

Projekt 3: MCP Založená Platforma na Generovanie Obsahu

Budúce Smerovanie Technológie MCP

Nové Trendy

Riešenia MCP od Microsoftu

Organizácia Microsoft

Organizácia Azure-Samples

Adresár zdrojov MCP

Adresár zdrojov MCP

Výskumné Príležitosti

Záver

Ďalšie zdroje

Cvičenia

Čo ďalej

33 KiB

Raw Permalink Blame History