🌟 從早期採用者學到的課程

（點擊上方圖片觀看本課程的影片）

🎯 本模組涵蓋的內容

本模組探討了真實的組織和開發者如何利用 Model Context Protocol (MCP) 解決實際挑戰並推動創新。透過詳細的案例研究和實作項目，您將了解 MCP 如何實現安全、可擴展的 AI 整合，連接語言模型、工具和企業數據。

📚 MCP 的實際應用

想了解這些原則如何應用於生產工具？請查看我們的10 個正在改變開發者生產力的 Microsoft MCP 伺服器，其中展示了您今天就可以使用的真實 Microsoft MCP 伺服器。

概述

本課程探討了早期採用者如何利用 Model Context Protocol (MCP) 解決實際問題並推動各行業的創新。透過詳細的案例研究和實作項目，您將了解 MCP 如何實現標準化、安全且可擴展的 AI 整合，將大型語言模型、工具和企業數據連接到統一框架中。您將獲得設計和構建基於 MCP 解決方案的實際經驗，學習已驗證的實施模式，並探索在生產環境中部署 MCP 的最佳實踐。本課程還強調了新興趨勢、未來方向以及開源資源，幫助您保持 MCP 技術及其不斷演變的生態系統的前沿。

學習目標

分析不同行業的真實 MCP 實施案例
設計並構建完整的基於 MCP 的應用程序
探索 MCP 技術的新興趨勢和未來方向
在實際開發場景中應用最佳實踐

真實 MCP 實施案例

案例研究 1：企業客戶支持自動化

一家跨國公司實施了基於 MCP 的解決方案，以標準化其客戶支持系統中的 AI 交互。這使他們能夠：

為多個 LLM 提供商創建統一界面
在各部門間保持一致的提示管理
實施強大的安全性和合規控制
根據具體需求輕鬆切換不同的 AI 模型

技術實施：

# Python MCP server implementation for customer support
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

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

async def main():
    # Create server configuration
    config = ServerConfig(
        name="Enterprise Customer Support Server",
        version="1.0.0",
        description="MCP server for handling customer support inquiries"
    )
    
    # Initialize MCP server
    server = create_server(config)
    
    # Register knowledge base resources
    server.resources.register(
        ResourceDefinition(
            name="customer_kb",
            description="Customer knowledge base documentation"
        ),
        lambda params: get_customer_documentation(params)
    )
    
    # Register prompt templates
    server.prompts.register(
        PromptDefinition(
            name="support_template",
            description="Templates for customer support responses"
        ),
        lambda params: get_support_templates(params)
    )
    
    # Register support tools
    server.tools.register(
        ToolDefinition(
            name="ticketing",
            description="Create and update support tickets"
        ),
        handle_ticketing_operations
    )
    
    # Start server with HTTP transport
    transport = create_http_transport(port=8080)
    await server.run(transport)

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

結果： 模型成本降低 30%，響應一致性提高 45%，並增強了全球運營的合規性。

案例研究 2：醫療診斷助手

一家醫療機構開發了 MCP 基礎架構，以整合多個專業醫療 AI 模型，同時確保敏感患者數據的保護：

在通用醫療模型和專業醫療模型之間無縫切換
嚴格的隱私控制和審計記錄
與現有電子病歷 (EHR) 系統集成
對醫學術語進行一致的提示工程

技術實施：

// 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);
    }
}

結果： 為醫生提供改進的診斷建議，同時保持完全符合 HIPAA 規範，並顯著減少系統間的上下文切換。

案例研究 3：金融服務風險分析

一家金融機構實施了 MCP，以標準化其不同部門的風險分析流程：

為信用風險、欺詐檢測和投資風險模型創建統一界面
實施嚴格的訪問控制和模型版本管理
確保所有 AI 建議的可審計性
在多樣化系統間保持一致的數據格式

技術實施：

// Java MCP server for financial risk assessment
import org.mcp.server.*;
import org.mcp.security.*;

public class FinancialRiskMCPServer {
    public static void main(String[] args) {
        // Create MCP server with financial compliance features
        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");
    }
}

結果： 增強了監管合規性，模型部署周期加快 40%，並提高了部門間風險評估的一致性。

案例研究 4：Microsoft Playwright MCP 伺服器用於瀏覽器自動化

Microsoft 開發了 Playwright MCP 伺服器，以通過 Model Context Protocol 實現安全、標準化的瀏覽器自動化。這個生產就緒的伺服器允許 AI 代理和 LLM 以受控、可審計且可擴展的方式與網頁瀏覽器交互，支持自動化網頁測試、數據提取和端到端工作流程等用例。

🎯 生產就緒工具

此案例研究展示了一個您今天就可以使用的真實 MCP 伺服器！了解更多關於 Playwright MCP 伺服器及其他 9 個生產就緒的 Microsoft MCP 伺服器的信息，請參閱我們的Microsoft MCP 伺服器指南。

主要功能：

將瀏覽器自動化功能（導航、表單填寫、截圖捕捉等）作為 MCP 工具公開
實施嚴格的訪問控制和沙盒機制以防止未授權行為
提供所有瀏覽器交互的詳細審計記錄
支持與 Azure OpenAI 和其他 LLM 提供商集成，用於代理驅動的自動化
為 GitHub Copilot 的 Coding Agent 提供網頁瀏覽功能

技術實施：

// TypeScript: Registering Playwright browser automation tools in an 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'
});

// Register a tool for navigating to a URL and capturing a screenshot
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 the MCP server
server.listen(8080);

結果：

為 AI 代理和 LLM 實現安全的程式化瀏覽器自動化
減少手動測試工作量並提高網頁應用的測試覆蓋率
提供可重用、可擴展的框架，用於企業環境中的基於瀏覽器的工具集成
為 GitHub Copilot 的網頁瀏覽功能提供支持

參考資料：

案例研究 5：Azure MCP – 企業級 Model Context Protocol 即服務

Azure MCP (https://aka.ms/azmcp) 是 Microsoft 的企業級 Model Context Protocol 托管實現，旨在提供可擴展、安全且符合規範的 MCP 伺服器能力作為雲服務。Azure MCP 使組織能夠快速部署、管理和整合 MCP 伺服器與 Azure AI、數據和安全服務，減少運營負擔並加速 AI 的採用。

🎯 生產就緒工具

這是一個您今天就可以使用的真實 MCP 伺服器！了解更多關於 Azure AI Foundry MCP 伺服器的信息，請參閱我們的Microsoft MCP 伺服器指南。

完全托管的 MCP 伺服器托管，內置擴展、監控和安全功能
與 Azure OpenAI、Azure AI Search 和其他 Azure 服務的原生集成
通過 Microsoft Entra ID 實現企業身份驗證和授權
支持自定義工具、提示模板和資源連接器
符合企業安全和監管要求

技術實施：

# 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>

結果：

通過提供即用型、符合規範的 MCP 伺服器平台，縮短企業 AI 項目的價值實現時間
簡化 LLM、工具和企業數據源的整合
增強 MCP 工作負載的安全性、可觀察性和運營效率
使用 Azure SDK 的最佳實踐和當前身份驗證模式提高代碼質量

參考資料：

案例研究 6：NLWeb

MCP (Model Context Protocol) 是一種新興協議，用於聊天機器人和 AI 助手與工具交互。每個 NLWeb 實例也是一個 MCP 伺服器，支持一個核心方法——ask，用於以自然語言向網站提問。返回的響應利用了 schema.org，一種廣泛使用的網頁數據描述詞彙。簡而言之，MCP 對 NLWeb 的作用就像 Http 對 HTML 的作用。NLWeb 結合協議、Schema.org 格式和示例代碼，幫助網站快速創建這些端點，既能造福人類，通過對話界面，也能造福機器，通過自然的代理對代理交互。

NLWeb 有兩個明顯的組成部分：

一個非常簡單的協議，用於以自然語言與網站交互，以及一種格式，利用 json 和 schema.org 返回答案。請參閱 REST API 文檔以了解更多細節。
一個簡單的實現，利用現有標記，適用於可以抽象為項目列表（產品、食譜、景點、評論等）的網站。結合一組用戶界面小部件，網站可以輕鬆為其內容提供對話界面。請參閱聊天查詢的生命周期文檔以了解更多細節。

參考資料：

案例研究 7：Azure AI Foundry MCP 伺服器 – 企業 AI 代理整合

Azure AI Foundry MCP 伺服器展示了 MCP 如何用於在企業環境中協調和管理 AI 代理及工作流程。通過將 MCP 與 Azure AI Foundry 整合，組織可以標準化代理交互，利用 Foundry 的工作流程管理，並確保安全、可擴展的部署。

🎯 生產就緒工具

這是一個您今天就可以使用的真實 MCP 伺服器！了解更多關於 Azure AI Foundry MCP 伺服器的信息，請參閱我們的Microsoft MCP 伺服器指南。

主要功能：

全面訪問 Azure 的 AI 生態系統，包括模型目錄和部署管理
使用 Azure AI Search 進行 RAG 應用的知識索引
用於 AI 模型性能和質量保證的評估工具
與 Azure AI Foundry Catalog 和 Labs 集成，用於尖端研究模型
用於生產場景的代理管理和評估能力

結果：

快速原型設計和 AI 代理工作流程的強大監控
與 Azure AI 服務無縫集成，用於高級場景
用於構建、部署和監控代理管道的統一界面
提高企業的安全性、合規性和運營效率
加速 AI 採用，同時保持對複雜代理驅動流程的控制

參考資料：

案例研究 8：Foundry MCP Playground – 實驗與原型設計

Foundry MCP Playground 提供了一個即用型環境，用於實驗 MCP 伺服器和 Azure AI Foundry 整合。開發者可以快速原型設計、測試和評估 AI 模型及代理工作流程，使用來自 Azure AI Foundry Catalog 和 Labs 的資源。Playground 簡化了設置，提供示例項目，並支持協作開發，使探索最佳實踐和新場景變得簡單，且幾乎不需要額外的基礎設施。對於希望驗證想法、分享實驗並加速學習的團隊來說，Playground 特別有用。通過降低進入門檻，Playground 有助於促進 MCP 和 Azure AI Foundry 生態系統中的創新和社區貢獻。

參考資料：

Foundry MCP Playground GitHub 存儲庫

案例研究 9：Microsoft Learn Docs MCP 伺服器 – AI 驅動的文檔訪問

Microsoft Learn Docs MCP 伺服器是一個雲托管服務，通過 Model Context Protocol 為 AI 助手提供實時訪問官方 Microsoft 文檔的能力。這個生產就緒的伺服器連接到全面的 Microsoft Learn 生態系統，並支持跨所有官方 Microsoft 資源的語義搜索。

🎯 適用於生產環境的工具

這是一個你今天就可以使用的真正 MCP 伺服器！想了解更多有關 Microsoft Learn Docs MCP 伺服器的資訊，請參閱我們的Microsoft MCP 伺服器指南。 主要功能：

即時存取官方 Microsoft 文件、Azure 文件及 Microsoft 365 文件
具備理解上下文及意圖的高級語義搜索功能
隨 Microsoft Learn 內容發布而保持最新資訊
涵蓋 Microsoft Learn、Azure 文件及 Microsoft 365 資源的全面內容
返回最多 10 個高質量內容片段，附文章標題及 URL

為何至關重要：

解決 Microsoft 技術的「過時 AI 知識」問題
確保 AI 助手能獲取最新的 .NET、C#、Azure 和 Microsoft 365 功能
提供權威的一手資訊以生成準確的代碼
對於使用快速演進的 Microsoft 技術的開發者至關重要

結果：

顯著提升 AI 生成 Microsoft 技術代碼的準確性
減少搜尋最新文件及最佳實踐的時間
通過上下文感知的文件檢索提升開發者生產力
無需離開 IDE 即可無縫整合至開發工作流

參考資料：

實踐項目

項目 1：構建多供應商 MCP 伺服器

目標： 創建一個 MCP 伺服器，根據特定條件將請求路由至多個 AI 模型供應商。

需求：

支援至少三個不同的模型供應商（例如 OpenAI、Anthropic、本地模型）
實現基於請求元數據的路由機制
創建管理供應商憑據的配置系統
添加緩存以優化性能和成本
構建一個簡單的儀表板以監控使用情況

實現步驟：

設置基本的 MCP 伺服器基礎架構
為每個 AI 模型服務實現供應商適配器
創建基於請求屬性的路由邏輯
添加針對頻繁請求的緩存機制
開發監控儀表板
使用各種請求模式進行測試

技術選擇： 可選 Python（或 .NET/Java/Python），Redis 作為緩存，及一個簡單的 Web 框架用於儀表板。

項目 2：企業級提示管理系統

目標： 開發基於 MCP 的系統，用於管理、版本控制及部署組織內的提示模板。

需求：

創建提示模板的集中式存儲庫
實現版本控制及審批工作流
構建帶有示例輸入的模板測試功能
開發基於角色的訪問控制
創建用於模板檢索及部署的 API

實現步驟：

設計模板存儲的數據庫架構
創建模板 CRUD 操作的核心 API
實現版本控制系統
構建審批工作流
開發測試框架
創建簡單的 Web 界面進行管理
與 MCP 伺服器集成

技術選擇： 自選後端框架、SQL 或 NoSQL 數據庫，以及用於管理界面的前端框架。

項目 3：基於 MCP 的內容生成平台

目標： 構建一個內容生成平台，利用 MCP 提供不同內容類型的一致結果。

需求：

支援多種內容格式（博客文章、社交媒體、營銷文案）
實現基於模板的生成，並提供自定義選項
創建內容審核及反饋系統
跟蹤內容性能指標
支援內容版本控制及迭代

實現步驟：

設置 MCP 客戶端基礎架構
為不同內容類型創建模板
構建內容生成流水線
實現審核系統
開發性能指標跟蹤系統
創建用於模板管理及內容生成的用戶界面

技術選擇： 自選編程語言、Web 框架及數據庫系統。

MCP 技術的未來方向

新興趨勢

多模態 MCP
- 擴展 MCP 標準以支持圖像、音頻及視頻模型的交互
- 開發跨模態推理能力
- 為不同模態標準化提示格式
聯邦 MCP 基礎架構
- 分佈式 MCP 網絡，可在組織間共享資源
- 用於安全模型共享的標準化協議
- 保護隱私的計算技術
MCP 市場
- 用於共享及貨幣化 MCP 模板及插件的生態系統
- 質量保證及認證流程
- 與模型市場的集成
針對邊緣計算的 MCP
- 為資源受限的邊緣設備適配 MCP 標準
- 用於低帶寬環境的優化協議
- 專為物聯網生態系統設計的 MCP 實現
監管框架
- 開發支持監管合規的 MCP 擴展
- 標準化審計記錄及可解釋性接口
- 與新興 AI 治理框架的集成

Microsoft 的 MCP 解決方案

Microsoft 和 Azure 已開發多個開源存儲庫，幫助開發者在各種場景中實現 MCP：

Microsoft 組織

playwright-mcp - 用於瀏覽器自動化及測試的 Playwright MCP 伺服器
files-mcp-server - 用於本地測試及社區貢獻的 OneDrive MCP 伺服器實現
NLWeb - NLWeb 是一組開放協議及相關開源工具，主要專注於為 AI Web 建立基礎層

Azure-Samples 組織

mcp - 提供用多種語言構建及集成 MCP 伺服器的示例、工具及資源
mcp-auth-servers - 展示當前 Model Context Protocol 規範認證的參考 MCP 伺服器
remote-mcp-functions - 使用 Azure Functions 實現遠程 MCP 伺服器的登錄頁面，附語言特定的存儲庫鏈接
remote-mcp-functions-python - 使用 Azure Functions 和 Python 構建及部署自定義遠程 MCP 伺服器的快速入門模板
remote-mcp-functions-dotnet - 使用 Azure Functions 和 .NET/C# 構建及部署自定義遠程 MCP 伺服器的快速入門模板
remote-mcp-functions-typescript - 使用 Azure Functions 和 TypeScript 構建及部署自定義遠程 MCP 伺服器的快速入門模板
remote-mcp-apim-functions-python - 使用 Python 的 Azure API Management 作為遠程 MCP 伺服器的 AI 閘道
AI-Gateway - 包括 MCP 功能的 APIM ❤️ AI 實驗，集成 Azure OpenAI 和 AI Foundry

這些存儲庫提供了針對不同編程語言及 Azure 服務的 Model Context Protocol 的多種實現、模板及資源，涵蓋從基本伺服器實現到認證、雲部署及企業集成場景的廣泛用例。

MCP 資源目錄

官方 Microsoft MCP 存儲庫中的 MCP 資源目錄提供了一個精選的示例資源集合、提示模板及工具定義，用於 Model Context Protocol 伺服器。該目錄旨在通過提供可重用的構建模塊及最佳實踐示例，幫助開發者快速入門 MCP：

提示模板： 用於常見 AI 任務及場景的即用型提示模板，可根據需要適配至您的 MCP 伺服器實現。
工具定義： 標準化工具集成及調用的示例工具架構及元數據。
資源示例： MCP 框架內連接數據源、API 及外部服務的示例資源定義。
參考實現： 展示如何在實際 MCP 項目中結構化及組織資源、提示及工具的實用示例。

這些資源加速開發、促進標準化，並幫助確保在構建及部署基於 MCP 的解決方案時採用最佳實踐。

MCP 資源目錄

MCP 資源（示例提示、工具及資源定義）

研究機會

MCP 框架內高效提示優化技術
多租戶 MCP 部署的安全模型
不同 MCP 實現的性能基準測試
MCP 伺服器的形式化驗證方法

結論

Model Context Protocol (MCP) 正迅速塑造跨行業標準化、安全及可互操作的 AI 集成的未來。通過本課程中的案例研究及實踐項目，您已了解早期採用者（包括 Microsoft 和 Azure）如何利用 MCP 解決實際挑戰、加速 AI 採用並確保合規性、安全性及可擴展性。MCP 的模塊化方法使組織能夠在統一、可審計的框架內連接大型語言模型、工具及企業數據。隨著 MCP 的不斷發展，積極參與社區、探索開源資源及應用最佳實踐將是構建穩健、面向未來的 AI 解決方案的關鍵。

附加資源

練習

分析其中一個案例研究，並提出替代的實現方法。
選擇一個項目想法，並創建詳細的技術規範。
研究案例研究中未涵蓋的一個行業，並概述 MCP 如何解決其特定挑戰。
探索未來方向之一，並構思一個支持該方向的新 MCP 擴展。

下一步：Microsoft MCP Server

免責聲明：
本文件已使用人工智能翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

🌟 從早期採用者學到的課程

🎯 本模組涵蓋的內容

📚 MCP 的實際應用

概述

學習目標

真實 MCP 實施案例

案例研究 1：企業客戶支持自動化

案例研究 2：醫療診斷助手

案例研究 3：金融服務風險分析

案例研究 4：Microsoft Playwright MCP 伺服器用於瀏覽器自動化

案例研究 5：Azure MCP – 企業級 Model Context Protocol 即服務

案例研究 6：NLWeb

案例研究 7：Azure AI Foundry MCP 伺服器 – 企業 AI 代理整合

案例研究 8：Foundry MCP Playground – 實驗與原型設計

案例研究 9：Microsoft Learn Docs MCP 伺服器 – AI 驅動的文檔訪問

實踐項目

項目 1：構建多供應商 MCP 伺服器

項目 2：企業級提示管理系統

項目 3：基於 MCP 的內容生成平台

MCP 技術的未來方向

新興趨勢

Microsoft 的 MCP 解決方案

Microsoft 組織

Azure-Samples 組織

MCP 資源目錄

MCP 資源目錄

研究機會

結論

附加資源

練習

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

🌟 從早期採用者學到的課程

🎯 本模組涵蓋的內容

📚 MCP 的實際應用

概述

學習目標

真實 MCP 實施案例

案例研究 1：企業客戶支持自動化

案例研究 2：醫療診斷助手

案例研究 3：金融服務風險分析

案例研究 4：Microsoft Playwright MCP 伺服器用於瀏覽器自動化

案例研究 5：Azure MCP – 企業級 Model Context Protocol 即服務

案例研究 6：NLWeb

案例研究 7：Azure AI Foundry MCP 伺服器 – 企業 AI 代理整合

案例研究 8：Foundry MCP Playground – 實驗與原型設計

案例研究 9：Microsoft Learn Docs MCP 伺服器 – AI 驅動的文檔訪問

實踐項目

項目 1：構建多供應商 MCP 伺服器

項目 2：企業級提示管理系統

項目 3：基於 MCP 的內容生成平台

MCP 技術的未來方向

新興趨勢

Microsoft 的 MCP 解決方案

Microsoft 組織

Azure-Samples 組織

MCP 資源目錄

MCP 資源目錄

研究機會

結論

附加資源

練習