README.md

Konsumere en server fra AI Toolkit-utvidelsen for Visual Studio Code

Når du bygger en AI-agent, handler det ikke bare om å generere smarte svar; det handler også om å gi agenten evnen til å utføre handlinger. Det er her Model Context Protocol (MCP) kommer inn. MCP gjør det enkelt for agenter å få tilgang til eksterne verktøy og tjenester på en konsistent måte. Tenk på det som å koble agenten din til en verktøykasse den faktisk kan bruke.

La oss si at du kobler en agent til MCP-serveren for kalkulator. Plutselig kan agenten utføre matematiske operasjoner bare ved å motta en forespørsel som "Hva er 47 ganger 89?"—uten behov for å hardkode logikk eller bygge tilpassede API-er.

Oversikt

Denne leksjonen dekker hvordan du kobler en MCP-server for kalkulator til en agent med AI Toolkit-utvidelsen i Visual Studio Code, slik at agenten kan utføre matematiske operasjoner som addisjon, subtraksjon, multiplikasjon og divisjon via naturlig språk.

AI Toolkit er en kraftig utvidelse for Visual Studio Code som forenkler utviklingen av agenter. AI-ingeniører kan enkelt bygge AI-applikasjoner ved å utvikle og teste generative AI-modeller—lokalt eller i skyen. Utvidelsen støtter de fleste store generative modeller som er tilgjengelige i dag.

Merk: AI Toolkit støtter for øyeblikket Python og TypeScript.

Læringsmål

Ved slutten av denne leksjonen vil du kunne:

• Konsumere en MCP-server via AI Toolkit.
• Konfigurere en agentkonfigurasjon for å gjøre det mulig for agenten å oppdage og bruke verktøy levert av MCP-serveren.
• Bruke MCP-verktøy via naturlig språk.

Tilnærming

Her er hvordan vi skal tilnærme oss dette på et overordnet nivå:

• Opprett en agent og definer dens systemprompt.
• Opprett en MCP-server med kalkulatorverktøy.
• Koble Agent Builder til MCP-serveren.
• Test agentens bruk av verktøy via naturlig språk.

Flott, nå som vi forstår flyten, la oss konfigurere en AI-agent til å utnytte eksterne verktøy gjennom MCP og forbedre dens evner!

Forutsetninger

• Visual Studio Code
• AI Toolkit for Visual Studio Code

Øvelse: Konsumere en server

Warning

Merk for macOS-brukere. Vi undersøker for øyeblikket et problem som påvirker installasjon av avhengigheter på macOS. Som et resultat vil macOS-brukere ikke kunne fullføre denne opplæringen på nåværende tidspunkt. Vi vil oppdatere instruksjonene så snart en løsning er tilgjengelig. Takk for tålmodigheten og forståelsen!

I denne øvelsen vil du bygge, kjøre og forbedre en AI-agent med verktøy fra en MCP-server inne i Visual Studio Code ved hjelp av AI Toolkit.

-0- Forberedelse, legg til OpenAI GPT-4o-modellen i Mine Modeller

Øvelsen bruker GPT-4o-modellen. Modellen bør legges til Mine Modeller før du oppretter agenten.

1. Åpne AI Toolkit-utvidelsen fra Aktivitetsfeltet.
2. I Katalog-seksjonen, velg Modeller for å åpne Model Catalog. Når du velger Modeller, åpnes Model Catalog i en ny editorfane.
3. I søkefeltet i Model Catalog, skriv inn OpenAI GPT-4o.
4. Klikk + Legg til for å legge modellen til listen Mine Modeller. Sørg for at du har valgt modellen som er Hostet av GitHub.
5. I Aktivitetsfeltet, bekreft at modellen OpenAI GPT-4o vises i listen.

-1- Opprett en agent

Agent (Prompt) Builder lar deg opprette og tilpasse dine egne AI-drevne agenter. I denne delen vil du opprette en ny agent og tilordne en modell for å drive samtalen.

1. Åpne AI Toolkit-utvidelsen fra Aktivitetsfeltet.
2. I Verktøy-seksjonen, velg Agent (Prompt) Builder. Når du velger Agent (Prompt) Builder, åpnes Agent (Prompt) Builder i en ny editorfane.
3. Klikk på + Ny Agent-knappen. Utvidelsen vil starte en oppsettsveiviser via Kommandopaletten.
4. Skriv inn navnet Kalkulatoragent og trykk Enter.
5. I Agent (Prompt) Builder, for feltet Modell, velg modellen OpenAI GPT-4o (via GitHub).

-2- Opprett en systemprompt for agenten

Med agenten opprettet, er det på tide å definere dens personlighet og formål. I denne delen vil du bruke funksjonen Generer systemprompt for å beskrive agentens tiltenkte oppførsel—i dette tilfellet en kalkulatoragent—og la modellen skrive systemprompten for deg.

1. For seksjonen Prompter, klikk på knappen Generer systemprompt. Denne knappen åpner promptbyggeren som bruker AI til å generere en systemprompt for agenten.
2. I vinduet Generer en prompt, skriv inn følgende: Du er en hjelpsom og effektiv matematikkassistent. Når du får et problem som involverer grunnleggende aritmetikk, svarer du med riktig resultat.
3. Klikk på Generer-knappen. En varsling vil vises nederst til høyre som bekrefter at systemprompten genereres. Når genereringen er fullført, vil prompten vises i feltet Systemprompt i Agent (Prompt) Builder.
4. Gjennomgå Systemprompten og modifiser den om nødvendig.

-3- Opprett en MCP-server

Nå som du har definert agentens systemprompt—som styrer dens oppførsel og svar—er det på tide å utstyre agenten med praktiske evner. I denne delen vil du opprette en MCP-server for kalkulator med verktøy for å utføre addisjon, subtraksjon, multiplikasjon og divisjon. Denne serveren vil gjøre det mulig for agenten å utføre matematiske operasjoner i sanntid som svar på naturlige språkforespørsler.

AI Toolkit er utstyrt med maler for å gjøre det enkelt å opprette din egen MCP-server. Vi vil bruke Python-malen for å opprette MCP-serveren for kalkulator.

Merk: AI Toolkit støtter for øyeblikket Python og TypeScript.

1. I seksjonen Verktøy i Agent (Prompt) Builder, klikk på knappen + MCP Server. Utvidelsen vil starte en oppsettsveiviser via Kommandopaletten.

2. Velg + Legg til Server.

3. Velg Opprett en ny MCP-server.

4. Velg python-weather som malen.

5. Velg Standardmappe for å lagre MCP-servermalen.

6. Skriv inn følgende navn for serveren: Kalkulator

7. Et nytt Visual Studio Code-vindu vil åpne seg. Velg Ja, jeg stoler på forfatterne.

8. Bruk terminalen (Terminal > Ny Terminal) til å opprette et virtuelt miljø: python -m venv .venv

9. Bruk terminalen til å aktivere det virtuelle miljøet:

   1. Windows - .venv\Scripts\activate
   2. macOS/Linux - source .venv/bin/activate

10. Bruk terminalen til å installere avhengighetene: pip install -e .[dev]

11. I Utforsker-visningen i Aktivitetsfeltet, utvid katalogen src og velg server.py for å åpne filen i editoren.

12. Erstatt koden i server.py-filen med følgende og lagre:

    """
    Sample MCP Calculator Server implementation in Python.
    
    
    This module demonstrates how to create a simple MCP server with calculator tools
    that can perform basic arithmetic operations (add, subtract, multiply, divide).
    """
    
    from mcp.server.fastmcp import FastMCP
    
    server = FastMCP("calculator")
    
    @server.tool()
    def add(a: float, b: float) -> float:
        """Add two numbers together and return the result."""
        return a + b
    
    @server.tool()
    def subtract(a: float, b: float) -> float:
        """Subtract b from a and return the result."""
        return a - b
    
    @server.tool()
    def multiply(a: float, b: float) -> float:
        """Multiply two numbers together and return the result."""
        return a * b
    
    @server.tool()
    def divide(a: float, b: float) -> float:
        """
        Divide a by b and return the result.
        
        Raises:
            ValueError: If b is zero
        """
        if b == 0:
            raise ValueError("Cannot divide by zero")
        return a / b

-4- Kjør agenten med MCP-serveren for kalkulator

Nå som agenten din har verktøy, er det på tide å bruke dem! I denne delen vil du sende forespørsler til agenten for å teste og validere om agenten bruker det riktige verktøyet fra MCP-serveren for kalkulator.

Du vil kjøre MCP-serveren for kalkulator på din lokale utviklingsmaskin via Agent Builder som MCP-klient.

1. Trykk F5 for å starte debugging av MCP-serveren. Agent (Prompt) Builder vil åpne seg i en ny editorfane. Statusen til serveren er synlig i terminalen.
2. I feltet Brukerprompt i Agent (Prompt) Builder, skriv inn følgende prompt: Jeg kjøpte 3 varer til $25 hver, og brukte deretter en rabatt på $20. Hvor mye betalte jeg?
3. Klikk på Kjør-knappen for å generere agentens respons.
4. Gjennomgå agentens output. Modellen bør konkludere med at du betalte $55.
5. Her er en oversikt over hva som bør skje:
   • Agenten velger verktøyene multiply og subtract for å hjelpe med beregningen.
   • De respektive a- og b-verdiene tildeles for verktøyet multiply.
   • De respektive a- og b-verdiene tildeles for verktøyet subtract.
   • Responsen fra hvert verktøy gis i den respektive Verktøyresponsen.
   • Den endelige outputen fra modellen gis i den endelige Modellresponsen.
6. Send inn flere forespørsler for å teste agenten ytterligere. Du kan endre den eksisterende prompten i feltet Brukerprompt ved å klikke inn i feltet og erstatte den eksisterende prompten.
7. Når du er ferdig med å teste agenten, kan du stoppe serveren via terminalen ved å skrive CTRL/CMD+C for å avslutte.

Oppgave

Prøv å legge til en ekstra verktøyoppføring i filen server.py (f.eks.: returnere kvadratroten av et tall). Send inn flere forespørsler som krever at agenten bruker ditt nye verktøy (eller eksisterende verktøy). Sørg for å starte serveren på nytt for å laste inn nylig lagt til verktøy.

Løsning

Løsning

Viktige punkter

De viktigste punktene fra dette kapittelet er følgende:

• AI Toolkit-utvidelsen er en flott klient som lar deg konsumere MCP-servere og deres verktøy.
• Du kan legge til nye verktøy i MCP-servere, og utvide agentens evner for å møte utviklende krav.
• AI Toolkit inkluderer maler (f.eks. Python MCP-servermaler) for å forenkle opprettelsen av tilpassede verktøy.

Tilleggsressurser

• AI Toolkit-dokumentasjon

Hva er neste

• Neste: Testing og Feilsøking

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