Integrace Model Context Protocol (MCP) s Azure AI Foundry

Tento průvodce ukazuje, jak integrovat servery Model Context Protocol (MCP) s agenty Azure AI Foundry, což umožňuje pokročilou orchestraci nástrojů a podnikové AI funkce.

Úvod

Model Context Protocol (MCP) je otevřený standard, který umožňuje AI aplikacím bezpečně se připojit k externím datovým zdrojům a nástrojům. Po integraci s Azure AI Foundry umožňuje MCP agentům přístup a interakci s různými externími službami, API a datovými zdroji jednotným způsobem.

Tato integrace kombinuje flexibilitu ekosystému nástrojů MCP s robustním rámcem agentů Azure AI Foundry, čímž poskytuje podniková AI řešení s rozsáhlými možnostmi přizpůsobení.

Note: Pokud chcete používat MCP v Azure AI Foundry Agent Service, aktuálně jsou podporovány pouze následující regiony: westus, westus2, uaenorth, southindia a switzerlandnorth

Cíle učení

Na konci tohoto průvodce budete schopni:

Pochopit Model Context Protocol a jeho výhody
Nastavit MCP servery pro použití s agenty Azure AI Foundry
Vytvořit a nakonfigurovat agenty s integrací MCP nástrojů
Implementovat praktické příklady s reálnými MCP servery
Zpracovávat odpovědi nástrojů a citace v konverzacích agentů

Požadavky

Před začátkem se ujistěte, že máte:

Azure předplatné s přístupem k AI Foundry
Python 3.10+ nebo .NET 8.0+
Nainstalovaný a nakonfigurovaný Azure CLI
Odpovídající oprávnění pro vytváření AI zdrojů

Co je Model Context Protocol (MCP)?

Model Context Protocol je standardizovaný způsob, jak mohou AI aplikace přistupovat k externím datovým zdrojům a nástrojům. Mezi hlavní výhody patří:

Standardizovaná integrace: Konzistentní rozhraní napříč různými nástroji a službami
Bezpečnost: Bezpečné mechanismy autentizace a autorizace
Flexibilita: Podpora různých datových zdrojů, API a vlastních nástrojů
Rozšiřitelnost: Snadné přidávání nových funkcí a integrací

Nastavení MCP s Azure AI Foundry

Konfigurace prostředí

Vyberte si preferované vývojové prostředí:

Python Implementation

Note Tento notebook můžete spustit

1. Instalace požadovaných balíčků

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. Import závislostí

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. Konfigurace nastavení MCP

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. Inicializace klienta projektu

project_client = AIProjectClient(
    endpoint="https://your-project-endpoint.services.ai.azure.com/api/projects/your-project",
    credential=DefaultAzureCredential(),
)

5. Vytvoření MCP nástroje

mcp_tool = McpTool(
    server_label=mcp_server_label,
    server_url=mcp_server_url,
    allowed_tools=[],  # Optional: specify allowed tools
)

6. Kompletní příklad v Pythonu

with project_client:
    agents_client = project_client.agents

    # Create a new agent with MCP tools
    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}")

    # Create thread for communication
    thread = agents_client.threads.create()
    print(f"Created thread, ID: {thread.id}")

    # Create message to thread
    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}")

    # Handle tool approvals and run 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}")

    # Display conversation
    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 Implementation

Note Tento notebook můžete spustit

1. Instalace požadovaných balíčků

#r "nuget: Azure.AI.Agents.Persistent, 1.1.0-beta.4"
#r "nuget: Azure.Identity, 1.14.2"

2. Import závislostí

using Azure.AI.Agents.Persistent;
using Azure.Identity;

3. Konfigurace nastavení

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. Vytvoření definice MCP nástroje

MCPToolDefinition mcpTool = new(mcpServerLabel, mcpServerUrl);

5. Vytvoření agenta s MCP nástroji

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. Kompletní příklad v .NET

// 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();
    }
}

Možnosti konfigurace MCP nástrojů

Při konfiguraci MCP nástrojů pro vaše agenty můžete specifikovat několik důležitých parametrů:

Python konfigurace

mcp_tool = McpTool(
    server_label="unique_server_name",      # Identifier for the MCP server
    server_url="https://api.example.com/mcp", # MCP server endpoint
    allowed_tools=[],                       # Optional: specify allowed tools
)

.NET konfigurace

MCPToolDefinition mcpTool = new(
    "unique_server_name",                   // Server label
    "https://api.example.com/mcp"          // MCP server URL
);

Autentizace a hlavičky

Obě implementace podporují vlastní hlavičky pro autentizaci:

Python

mcp_tool.update_headers("SuperSecret", "123456")

.NET

MCPToolResource mcpToolResource = new(mcpServerLabel);
mcpToolResource.UpdateHeader("SuperSecret", "123456");

Řešení běžných problémů

1. Problémy s připojením

Ověřte, že je URL MCP serveru dostupná
Zkontrolujte autentizační údaje
Ujistěte se o síťové konektivitě

2. Selhání volání nástroje

Zkontrolujte argumenty a formátování volání nástroje
Ověřte specifické požadavky serveru
Implementujte správné zpracování chyb

3. Výkonové problémy

Optimalizujte frekvenci volání nástrojů
Použijte cache tam, kde je to vhodné
Sledujte dobu odezvy serveru

Další kroky

Pro další vylepšení integrace MCP:

Prozkoumejte vlastní MCP servery: Vytvořte si vlastní MCP servery pro proprietární datové zdroje
Implementujte pokročilou bezpečnost: Přidejte OAuth2 nebo vlastní autentizační mechanismy
Monitorování a analýzy: Zavádějte logování a sledování využití nástrojů
Škálování řešení: Zvažte load balancing a distribuované architektury MCP serverů

Další zdroje

Podpora

Pro další podporu a dotazy:

Prohlédněte si dokumentaci Azure AI Foundry
Navštivte MCP komunitní zdroje

Co dál

5.14 MCP Context Engineering

Prohlášení o vyloučení odpovědnosti:
Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. I když usilujeme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoliv nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Integrace Model Context Protocol (MCP) s Azure AI Foundry

Úvod

Cíle učení

Požadavky

Co je Model Context Protocol (MCP)?

Nastavení MCP s Azure AI Foundry

Konfigurace prostředí

Python Implementation

1. Instalace požadovaných balíčků

2. Import závislostí

3. Konfigurace nastavení MCP

4. Inicializace klienta projektu

5. Vytvoření MCP nástroje

6. Kompletní příklad v Pythonu

.NET Implementation

1. Instalace požadovaných balíčků

2. Import závislostí

3. Konfigurace nastavení

4. Vytvoření definice MCP nástroje

5. Vytvoření agenta s MCP nástroji

6. Kompletní příklad v .NET

Možnosti konfigurace MCP nástrojů

Python konfigurace

.NET konfigurace

Autentizace a hlavičky

Python

.NET

Řešení běžných problémů

1. Problémy s připojením

2. Selhání volání nástroje

3. Výkonové problémy

Další kroky

Další zdroje

Podpora

Co dál

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

Integrace Model Context Protocol (MCP) s Azure AI Foundry

Úvod

Cíle učení

Požadavky

Co je Model Context Protocol (MCP)?

Nastavení MCP s Azure AI Foundry

Konfigurace prostředí

Python Implementation

1. Instalace požadovaných balíčků

2. Import závislostí

3. Konfigurace nastavení MCP

4. Inicializace klienta projektu

5. Vytvoření MCP nástroje

6. Kompletní příklad v Pythonu

.NET Implementation

1. Instalace požadovaných balíčků

2. Import závislostí

3. Konfigurace nastavení

4. Vytvoření definice MCP nástroje

5. Vytvoření agenta s MCP nástroji

6. Kompletní příklad v .NET

Možnosti konfigurace MCP nástrojů

Python konfigurace

.NET konfigurace

Autentizace a hlavičky

Python

.NET

Řešení běžných problémů

1. Problémy s připojením

2. Selhání volání nástroje

3. Výkonové problémy

Další kroky

Další zdroje

Podpora

Co dál