README.md

Een server gebruiken vanuit de AI Toolkit-extensie voor Visual Studio Code

Wanneer je een AI-agent bouwt, gaat het niet alleen om het genereren van slimme antwoorden; het gaat er ook om je agent de mogelijkheid te geven om acties uit te voeren. Daar komt het Model Context Protocol (MCP) om de hoek kijken. MCP maakt het eenvoudig voor agents om op een consistente manier toegang te krijgen tot externe tools en diensten. Zie het als het aansluiten van je agent op een gereedschapskist die hij echt kan gebruiken.

Stel dat je een agent koppelt aan je calculator MCP-server. Plots kan je agent wiskundige bewerkingen uitvoeren door simpelweg een prompt te ontvangen zoals "Wat is 47 keer 89?"—zonder dat je logica hoeft in te bouwen of aangepaste API’s hoeft te maken.

Overzicht

Deze les behandelt hoe je een calculator MCP-server verbindt met een agent via de AI Toolkit extensie in Visual Studio Code, zodat je agent wiskundige bewerkingen kan uitvoeren zoals optellen, aftrekken, vermenigvuldigen en delen via natuurlijke taal.

AI Toolkit is een krachtige extensie voor Visual Studio Code die het ontwikkelen van agents vereenvoudigt. AI Engineers kunnen eenvoudig AI-toepassingen bouwen door generatieve AI-modellen te ontwikkelen en te testen—lokaal of in de cloud. De extensie ondersteunt de meeste grote generatieve modellen die vandaag beschikbaar zijn.

Let op: De AI Toolkit ondersteunt momenteel Python en TypeScript.

Leerdoelen

Aan het einde van deze les kun je:

• Een MCP-server gebruiken via de AI Toolkit.
• Een agentconfiguratie instellen zodat deze tools kan ontdekken en gebruiken die door de MCP-server worden aangeboden.
• MCP-tools gebruiken via natuurlijke taal.

Aanpak

Zo pakken we dit op hoofdlijnen aan:

• Maak een agent en definieer zijn system prompt.
• Maak een MCP-server met calculator tools.
• Verbind de Agent Builder met de MCP-server.
• Test de toolaanroepen van de agent via natuurlijke taal.

Top, nu we het proces begrijpen, laten we een AI-agent configureren om externe tools via MCP te gebruiken en zo zijn mogelijkheden te vergroten!

Vereisten

• Visual Studio Code
• AI Toolkit voor Visual Studio Code

Oefening: Een server gebruiken

In deze oefening bouw, start en verbeter je een AI-agent met tools van een MCP-server binnen Visual Studio Code met behulp van de AI Toolkit.

-0- Voorbereiding: voeg het OpenAI GPT-4o model toe aan Mijn Modellen

De oefening maakt gebruik van het GPT-4o model. Dit model moet toegevoegd worden aan Mijn Modellen voordat je de agent aanmaakt.

1. Open de AI Toolkit extensie via de Activity Bar.
2. Selecteer in de sectie Catalog de optie Models om de Model Catalog te openen. Dit opent de Model Catalog in een nieuw editor-tabblad.
3. Typ in de zoekbalk van de Model Catalog OpenAI GPT-4o.
4. Klik op + Add om het model toe te voegen aan je lijst Mijn Modellen. Zorg dat je het model kiest dat Hosted by GitHub is.
5. Controleer in de Activity Bar of het OpenAI GPT-4o model in de lijst verschijnt.

-1- Maak een agent

Met de Agent (Prompt) Builder kun je je eigen AI-gestuurde agents maken en aanpassen. In deze stap maak je een nieuwe agent aan en wijs je een model toe om het gesprek aan te sturen.

1. Open de AI Toolkit extensie via de Activity Bar.
2. Selecteer in de sectie Tools de optie Agent (Prompt) Builder. Dit opent de Agent (Prompt) Builder in een nieuw editor-tabblad.
3. Klik op de knop + New Agent. De extensie start een setup wizard via de Command Palette.
4. Voer de naam Calculator Agent in en druk op Enter.
5. Selecteer in de Agent (Prompt) Builder bij het veld Model het model OpenAI GPT-4o (via GitHub).

-2- Maak een system prompt voor de agent

Nu de agent is opgezet, is het tijd om zijn persoonlijkheid en doel te bepalen. In deze stap gebruik je de functie Generate system prompt om het gewenste gedrag van de agent te beschrijven—in dit geval een calculator agent—en laat je het model de system prompt voor je schrijven.

1. Klik in de sectie Prompts op de knop Generate system prompt. Deze knop opent de prompt builder die AI gebruikt om een system prompt voor de agent te genereren.
2. Voer in het venster Generate a prompt het volgende in: You are a helpful and efficient math assistant. When given a problem involving basic arithmetic, you respond with the correct result.
3. Klik op de knop Generate. Er verschijnt een melding rechtsonder dat de system prompt wordt gegenereerd. Zodra het genereren klaar is, verschijnt de prompt in het veld System prompt van de Agent (Prompt) Builder.
4. Bekijk de System prompt en pas deze aan indien nodig.

-3- Maak een MCP-server

Nu je de system prompt van je agent hebt gedefinieerd—die zijn gedrag en reacties stuurt—is het tijd om de agent praktische mogelijkheden te geven. In deze stap maak je een calculator MCP-server met tools voor optellen, aftrekken, vermenigvuldigen en delen. Deze server stelt je agent in staat om realtime wiskundige bewerkingen uit te voeren op basis van natuurlijke taal prompts.

AI Toolkit biedt templates om het maken van je eigen MCP-server te vereenvoudigen. We gebruiken de Python-template om de calculator MCP-server te maken.

Let op: De AI Toolkit ondersteunt momenteel Python en TypeScript.

1. Klik in de sectie Tools van de Agent (Prompt) Builder op de knop + MCP Server. De extensie start een setup wizard via de Command Palette.

2. Kies + Add Server.

3. Kies Create a New MCP Server.

4. Selecteer de template python-weather.

5. Kies de Default folder om de MCP-server template op te slaan.

6. Voer de volgende naam in voor de server: Calculator

7. Er opent een nieuw Visual Studio Code venster. Kies Yes, I trust the authors.

8. Maak een virtuele omgeving aan via de terminal (Terminal > New Terminal): python -m venv .venv

9. Activeer de virtuele omgeving via de terminal:

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

10. Installeer de dependencies via de terminal: pip install -e .[dev]

11. Open in de Explorer weergave van de Activity Bar de map src en selecteer server.py om het bestand te openen.

12. Vervang de code in server.py door de volgende code en sla op:

    """
    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- Start de agent met de calculator MCP-server

Nu je agent tools heeft, is het tijd om ze te gebruiken! In deze stap stuur je prompts naar de agent om te testen en te controleren of de agent de juiste tool van de calculator MCP-server gebruikt.

Je draait de calculator MCP-server op je lokale ontwikkelmachine via de Agent Builder als MCP-client.

1. Druk op F5 to start debugging the MCP server. The Agent (Prompt) Builder will open in a new editor tab. The status of the server is visible in the terminal.
2. In the User prompt field of the Agent (Prompt) Builder, enter the following prompt: I bought 3 items priced at $25 each, and then used a $20 discount. How much did I pay?
3. Click the Run button to generate the agent's response.
4. Review the agent output. The model should conclude that you paid $55.
5. Here's a breakdown of what should occur:
   • The agent selects the multiply and substract tools to aid in the calculation.
   • The respective a and b values are assigned for the multiply tool.
   • The respective a and b waarden zijn toegewezen voor de subtract tool.
   • De respons van elke tool wordt weergegeven in de respectievelijke Tool Response.
   • De uiteindelijke output van het model wordt weergegeven in de laatste Model Response.
6. Verstuur extra prompts om de agent verder te testen. Je kunt de bestaande prompt in het veld User prompt aanpassen door erin te klikken en de tekst te vervangen.
7. Als je klaar bent met testen, kun je de server stoppen via de terminal door CTRL/CMD+C in te drukken.

Opdracht

Probeer een extra tool toe te voegen aan je server.py bestand (bijvoorbeeld: het berekenen van de wortel van een getal). Verstuur extra prompts waarbij de agent gebruik moet maken van je nieuwe tool (of bestaande tools). Vergeet niet de server te herstarten zodat de nieuwe tools worden geladen.

Oplossing

Oplossing

Belangrijkste punten

De belangrijkste punten uit dit hoofdstuk zijn:

• De AI Toolkit extensie is een uitstekende client waarmee je MCP-servers en hun tools kunt gebruiken.
• Je kunt nieuwe tools toevoegen aan MCP-servers, waardoor je agent beter kan inspelen op veranderende eisen.
• De AI Toolkit bevat templates (bijvoorbeeld Python MCP server templates) die het maken van aangepaste tools vereenvoudigen.

Aanvullende bronnen

• AI Toolkit documentatie

Wat volgt

• Volgende: Testen & Debuggen

Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsdienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat automatische vertalingen fouten of onjuistheden kunnen bevatten. Het originele document in de oorspronkelijke taal dient als de gezaghebbende bron te worden beschouwd. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.