ModelContextProtocol(MCP)与AzureAIFoundry集成

文档摘要

Model Context Protocol (MCP) 与 Azure AI Foundry 集成本指南演示如何将 Model Context Protocol (MCP) 服务器与 Azure AI Foundry 代理集成，实现强大的工具编排和企业级 AI 功能。介绍 Model Context Protocol (MCP) 是一种开放标准，使 AI 应用能够安全地连接到外部数据源和工具。与 Azure AI Foundry 集成后，MCP 允许代理以标准化方式访问和交互各种外部服务、API 和数据源。此集成结合了 MCP 工具生态的灵活性与 Azure AI Foundry 强大的代理框架，提供具备广泛定制能力的企业级 AI 解决方案。

Model Context Protocol (MCP) 与 Azure AI Foundry 集成

本指南演示如何将 Model Context Protocol (MCP) 服务器与 Azure AI Foundry 代理集成，实现强大的工具编排和企业级 AI 功能。

介绍

Model Context Protocol (MCP) 是一种开放标准，使 AI 应用能够安全地连接到外部数据源和工具。与 Azure AI Foundry 集成后，MCP 允许代理以标准化方式访问和交互各种外部服务、API 和数据源。

此集成结合了 MCP 工具生态的灵活性与 Azure AI Foundry 强大的代理框架，提供具备广泛定制能力的企业级 AI 解决方案。

Note: 如果您想在 Azure AI Foundry Agent Service 中使用 MCP，目前仅支持以下区域：westus、westus2、uaenorth、southindia 和 switzerlandnorth

学习目标

完成本指南后，您将能够：

了解 Model Context Protocol 及其优势
设置 MCP 服务器以供 Azure AI Foundry 代理使用
创建并配置集成 MCP 工具的代理
使用真实 MCP 服务器实现实用示例
处理代理对话中的工具响应和引用

前提条件

开始前，请确保您具备：

拥有 Azure 订阅且可访问 AI Foundry
Python 3.10 及以上版本
已安装并配置 Azure CLI
具备创建 AI 资源的适当权限

什么是 Model Context Protocol (MCP)？

Model Context Protocol 是 AI 应用连接外部数据源和工具的标准化方式。主要优势包括：

标准化集成：不同工具和服务之间接口一致
安全性：安全的身份验证和授权机制
灵活性：支持多种数据源、API 和自定义工具
可扩展性：方便添加新功能和集成

在 Azure AI Foundry 中设置 MCP

1. 环境配置

首先，配置环境变量和依赖项：


import os
import time
import json
from azure.ai.agents.models import MessageTextContent, ListSortOrder
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential


### 1. Initialize the AI Project Client

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

2. Create an Agent with MCP Tools

Configure an agent with MCP server integration:


with project_client:
    agent = project_client.agents.create_agent(
        model="gpt-4.1-nano", 
        name="mcp_agent", 
        instructions="你是一个乐于助人的助手。使用提供的工具回答问题，务必引用你的信息来源。",
        tools=[
            {
                "type": "mcp",
                "server_label": "microsoft_docs",
                "server_url": "https://learn.microsoft.com/api/mcp",
                "require_approval": "never"
            }
        ],
        tool_resources=None
    )
    print(f"已创建代理，代理 ID: {agent.id}")

MCP Tool Configuration Options

When configuring MCP tools for your agent, you can specify several important parameters:

Configuration


mcp_tool = {
    "type": "mcp",
    "server_label": "unique_server_name",      # MCP 服务器的标识符
    "server_url": "https://api.example.com/mcp", # MCP 服务器端点
    "require_approval": "never"                 # 审批策略：目前仅支持 "never"
}

Complete Example: Using Microsoft Learn MCP Server

Here's a complete example that demonstrates creating an agent with MCP integration and processing a conversation:


import time
import json
import os
from azure.ai.agents.models import MessageTextContent, ListSortOrder
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential

def create_mcp_agent_example():

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

    with project_client:
        # 创建带 MCP 工具的代理
        agent = project_client.agents.create_agent(
            model="gpt-4.1-nano", 
            name="documentation_assistant", 
            instructions="你是专注于微软文档的乐于助人的助手。使用 Microsoft Learn MCP 服务器搜索准确、最新的信息。始终引用你的信息来源。",
            tools=[
                {
                    "type": "mcp",
                    "server_label": "mslearn",
                    "server_url": "https://learn.microsoft.com/api/mcp",
                    "require_approval": "never"
                }
            ],
            tool_resources=None
        )
        print(f"已创建代理，代理 ID: {agent.id}")    
        
        # 创建对话线程
        thread = project_client.agents.threads.create()
        print(f"已创建线程，线程 ID: {thread.id}")

        # 发送消息
        message = project_client.agents.messages.create(
            thread_id=thread.id, 
            role="user", 
            content=".NET MAUI 是什么？它与 Xamarin.Forms 有何区别？",
        )
        print(f"已创建消息，消息 ID: {message.id}")

        # 运行代理
        run = project_client.agents.runs.create(thread_id=thread.id, agent_id=agent.id)
        
        # 轮询等待完成
        while run.status in ["queued", "in_progress", "requires_action"]:
            time.sleep(1)
            run = project_client.agents.runs.get(thread_id=thread.id, run_id=run.id)
            print(f"运行状态：{run.status}")

        # 检查运行步骤和工具调用
        run_steps = project_client.agents.run_steps.list(thread_id=thread.id, run_id=run.id)
        for step in run_steps:
            print(f"运行步骤：{step.id}，状态：{step.status}，类型：{step.type}")
            if step.type == "tool_calls":
                print("工具调用详情：")
                for tool_call in step.step_details.tool_calls:
                    print(json.dumps(tool_call.as_dict(), indent=2))

        # 显示对话内容
        messages = project_client.agents.messages.list(thread_id=thread.id, order=ListSortOrder.ASCENDING)
        for data_point in messages:
            last_message_content = data_point.content[-1]
            if isinstance(last_message_content, MessageTextContent):
                print(f"{data_point.role}: {last_message_content.text.value}")

        return agent.id, thread.id

if __name__ == "__main__":
    create_mcp_agent_example()

常见问题排查

1. 连接问题

确认 MCP 服务器 URL 可访问
检查身份验证凭据
确保网络连接正常

2. 工具调用失败

检查工具参数和格式
核实服务器特定要求
实现适当的错误处理

3. 性能问题

优化工具调用频率
适当时使用缓存
监控服务器响应时间

后续步骤

进一步提升您的 MCP 集成：

探索自定义 MCP 服务器：构建专有数据源的 MCP 服务器
实现高级安全：添加 OAuth2 或自定义身份验证机制
监控与分析：实现工具使用的日志记录和监控
扩展解决方案：考虑负载均衡和分布式 MCP 服务器架构

附加资源

支持

如需更多支持和问题解答：

查阅 Azure AI Foundry 文档
访问 MCP 社区资源

接下来是什么

6. 社区贡献

免责声明：
本文件使用 AI 翻译服务 Co-op Translator 进行翻译。虽然我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始文件的母语版本应被视为权威来源。对于重要信息，建议使用专业人工翻译。因使用本翻译而产生的任何误解或误释，我们概不负责。