Menggunakan alat MCP dengan Agen Foundry

Anda dapat memperluas kemampuan agen Azure AI Foundry Anda dengan menyambungkannya ke alat yang dihosting di server Protokol Konteks Model Jarak Jauh (MCP) (bawa titik akhir server MCP Anda sendiri).

Cara menggunakan alat Protokol Konteks Model

Bagian ini menjelaskan cara membuat agen AI menggunakan Azure Foundry (Azure AI) dengan integrasi server Model Context Protocol (MCP) yang dihosting. Agen dapat menggunakan alat MCP yang dikelola dan dijalankan oleh layanan Azure Foundry, memungkinkan akses yang aman dan terkontrol ke sumber daya eksternal.

Fitur Utama

Server MCP yang dihosting: Server MCP dihosting dan dikelola oleh Azure AI Foundry, menghilangkan kebutuhan untuk mengelola infrastruktur server
Agen Persisten: Agen dibuat dan disimpan sisi server, memungkinkan percakapan stateful
Alur Kerja Persetujuan Alat: Mekanisme persetujuan yang dapat dikonfigurasi untuk pemanggilan alat MCP

Cara Kerjanya

1. Penyiapan Lingkungan

Sampel memerlukan dua variabel lingkungan:

AZURE_FOUNDRY_PROJECT_ENDPOINT: URL titik akhir proyek Azure AI Foundry Anda
AZURE_FOUNDRY_PROJECT_MODEL_ID: Nama penyebaran model (default ke "gpt-4.1-mini")

var endpoint = Environment.GetEnvironmentVariable("AZURE_FOUNDRY_PROJECT_ENDPOINT") 
    ?? throw new InvalidOperationException("AZURE_FOUNDRY_PROJECT_ENDPOINT is not set.");
var model = Environment.GetEnvironmentVariable("AZURE_FOUNDRY_PROJECT_MODEL_ID") ?? "gpt-4.1-mini";

2. Konfigurasi Agen

Agen dikonfigurasi dengan instruksi dan metadata tertentu:

const string AgentName = "MicrosoftLearnAgent";
const string AgentInstructions = "You answer questions by searching the Microsoft Learn content only.";

Ini membuat agen khusus untuk menjawab pertanyaan menggunakan dokumentasi Microsoft Learn.

3. Definisi Alat MCP

Sampel membuat definisi alat MCP yang menunjuk ke server MCP yang dihosting:

var mcpTool = new MCPToolDefinition(
    serverLabel: "microsoft_learn",
    serverUrl: "https://learn.microsoft.com/api/mcp");
mcpTool.AllowedTools.Add("microsoft_docs_search");

Komponen Utama:

serverLabel: Pengidentifikasi unik untuk instans server MCP
serverUrl: URL server MCP yang dihosting
AllowedTools: Menentukan alat mana dari server MCP yang dapat digunakan agen

4. Pembuatan Agen Persisten

Agen dibuat sisi server menggunakan Azure AI Foundry Persistent Agents SDK:

var persistentAgentsClient = new PersistentAgentsClient(endpoint, new DefaultAzureCredential());

var agentMetadata = await persistentAgentsClient.Administration.CreateAgentAsync(
    model: model,
    name: AgentName,
    instructions: AgentInstructions,
    tools: [mcpTool]);

Peringatan

DefaultAzureCredential nyaman untuk pengembangan tetapi membutuhkan pertimbangan yang cermat dalam produksi. Dalam produksi, pertimbangkan untuk menggunakan kredensial tertentu (misalnya, ManagedIdentityCredential) untuk menghindari masalah latensi, pemeriksaan kredensial yang tidak diinginkan, dan potensi risiko keamanan dari mekanisme fallback.

Ini membuat agen persisten yang:

Berada di layanan Azure AI Foundry
Memiliki akses ke alat MCP yang ditentukan
Dapat mempertahankan status percakapan di beberapa interaksi

5. Pengambilan dan Eksekusi Agen

Agen yang dibuat diambil sebagai AIAgent instans:

AIAgent agent = await persistentAgentsClient.GetAIAgentAsync(agentMetadata.Value.Id);

6. Konfigurasi Sumber Daya Alat

Sampel mengonfigurasi sumber daya alat dengan pengaturan persetujuan:

var runOptions = new ChatClientAgentRunOptions()
{
    ChatOptions = new()
    {
        RawRepresentationFactory = (_) => new ThreadAndRunOptions()
        {
            ToolResources = new MCPToolResource(serverLabel: "microsoft_learn")
            {
                RequireApproval = new MCPApproval("never"),
            }.ToToolResources()
        }
    }
};

Konfigurasi Kunci:

MCPToolResource: Menautkan instans server MCP ke eksekusi agen
RequireApproval: Kontrol saat persetujuan pengguna diperlukan untuk pemanggilan alat
- "never": Alat dijalankan secara otomatis tanpa persetujuan
- "always": Semua pemanggilan alat memerlukan persetujuan pengguna
- Aturan persetujuan kustom juga dapat dikonfigurasi

7. Eksekusi Agen

Agen dipanggil dengan pertanyaan dan dijalankan menggunakan alat MCP yang dikonfigurasi:

AgentSession session = await agent.CreateSessionAsync();
var response = await agent.RunAsync(
    "Please summarize the Azure AI Agent documentation related to MCP Tool calling?", 
    session, 
    runOptions);
Console.WriteLine(response);

8. Pembersihan

Sampel menunjukkan pembersihan sumber daya yang tepat:

await persistentAgentsClient.Administration.DeleteAgentAsync(agent.Id);

Petunjuk / Saran

Lihat sampel .NET untuk contoh lengkap yang dapat dijalankan.

Azure AI Foundry menyediakan integrasi yang mulus dengan server Model Context Protocol (MCP) melalui Python Agent Framework. Layanan ini mengelola hosting dan eksekusi server MCP, menghilangkan manajemen infrastruktur sambil menyediakan akses yang aman dan terkontrol ke alat eksternal.

Penyiapan Lingkungan

Konfigurasikan kredensial proyek Azure AI Foundry Anda melalui variabel lingkungan:

import os
from azure.identity.aio import AzureCliCredential
from agent_framework.azure import AzureAIAgentClient

# Required environment variables
os.environ["AZURE_AI_PROJECT_ENDPOINT"] = "https://<your-project>.services.ai.azure.com/api/projects/<project-id>"
os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"] = "gpt-4o-mini"  # Optional, defaults to this

Integrasi MCP Dasar

Buat agen Azure AI Foundry dengan alat MCP yang dihosting:

import asyncio
from agent_framework.azure import AzureAIAgentClient
from azure.identity.aio import AzureCliCredential

async def basic_foundry_mcp_example():
    """Basic example of Azure AI Foundry agent with hosted MCP tools."""
    async with (
        AzureCliCredential() as credential,
        AzureAIAgentClient(async_credential=credential) as client,
    ):
        # Create a hosted MCP tool using the client method
        learn_mcp = client.get_mcp_tool(
            name="Microsoft Learn MCP",
            url="https://learn.microsoft.com/api/mcp",
        )

        # Create agent with hosted MCP tool
        agent = client.as_agent(
            name="MicrosoftLearnAgent", 
            instructions="You answer questions by searching Microsoft Learn content only.",
            tools=learn_mcp,
        )

        # Simple query without approval workflow
        result = await agent.run(
            "Please summarize the Azure AI Agent documentation related to MCP tool calling?"
        )
        print(result)

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

Konfigurasi MCP Multi-Alat

Gunakan beberapa alat MCP yang dihosting dengan satu agen:

async def multi_tool_mcp_example():
    """Example using multiple hosted MCP tools."""
    async with (
        AzureCliCredential() as credential,
        AzureAIAgentClient(async_credential=credential) as client,
    ):
        # Create multiple MCP tools using the client method
        learn_mcp = client.get_mcp_tool(
            name="Microsoft Learn MCP",
            url="https://learn.microsoft.com/api/mcp",
            approval_mode="never_require",  # Auto-approve documentation searches
        )
        github_mcp = client.get_mcp_tool(
            name="GitHub MCP", 
            url="https://api.github.com/mcp",
            approval_mode="always_require",  # Require approval for GitHub operations
            headers={"Authorization": "Bearer github-token"},
        )

        # Create agent with multiple MCP tools
        agent = client.as_agent(
            name="MultiToolAgent",
            instructions="You can search documentation and access GitHub repositories.",
            tools=[learn_mcp, github_mcp],
        )

        result = await agent.run(
            "Find Azure documentation and also check the latest commits in microsoft/semantic-kernel"
        )
        print(result)

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

Python Agent Framework menyediakan integrasi yang mulus dengan kemampuan MCP yang dihosting Azure AI Foundry, memungkinkan akses yang aman dan dapat diskalakan ke alat eksternal sambil mempertahankan fleksibilitas dan kontrol yang diperlukan untuk aplikasi produksi.

Contoh lengkap

# Copyright (c) Microsoft. All rights reserved.

import asyncio
import os

from agent_framework import Agent
from agent_framework.openai import OpenAIResponsesClient
from dotenv import load_dotenv

"""
MCP GitHub Integration with Personal Access Token (PAT)

This example demonstrates how to connect to GitHub's remote MCP server using a Personal Access
Token (PAT) for authentication. The agent can use GitHub operations like searching repositories,
reading files, creating issues, and more depending on how you scope your token.

Prerequisites:
1. A GitHub Personal Access Token with appropriate scopes
   - Create one at: https://github.com/settings/tokens
   - For read-only operations, you can use more restrictive scopes
2. Environment variables:
   - GITHUB_PAT: Your GitHub Personal Access Token (required)
   - OPENAI_API_KEY: Your OpenAI API key (required)
   - OPENAI_RESPONSES_MODEL_ID: Your OpenAI model ID (required)
"""


async def github_mcp_example() -> None:
    """Example of using GitHub MCP server with PAT authentication."""
    # 1. Load environment variables from .env file if present
    load_dotenv()

    # 2. Get configuration from environment
    github_pat = os.getenv("GITHUB_PAT")
    if not github_pat:
        raise ValueError(
            "GITHUB_PAT environment variable must be set. Create a token at https://github.com/settings/tokens"
        )

    # 3. Create authentication headers with GitHub PAT
    auth_headers = {
        "Authorization": f"Bearer {github_pat}",
    }

    # 4. Create agent with the GitHub MCP tool using instance method
    # The MCP tool manages the connection to the MCP server and makes its tools available
    # Set approval_mode="never_require" to allow the MCP tool to execute without approval
    client = OpenAIResponsesClient()
    github_mcp_tool = client.get_mcp_tool(
        name="GitHub",
        url="https://api.githubcopilot.com/mcp/",
        headers=auth_headers,
        approval_mode="never_require",
    )

    # 5. Create agent with the GitHub MCP tool
    async with Agent(
        client=client,
        name="GitHubAgent",
        instructions=(
            "You are a helpful assistant that can help users interact with GitHub. "
            "You can search for repositories, read file contents, check issues, and more. "
            "Always be clear about what operations you're performing."
        ),
        tools=github_mcp_tool,
    ) as agent:
        # Example 1: Get authenticated user information
        query1 = "What is my GitHub username and tell me about my account?"
        print(f"\nUser: {query1}")
        result1 = await agent.run(query1)
        print(f"Agent: {result1.text}")

        # Example 2: List my repositories
        query2 = "List all the repositories I own on GitHub"
        print(f"\nUser: {query2}")
        result2 = await agent.run(query2)
        print(f"Agent: {result2.text}")


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

Langkah selanjutnya

Menggunakan alur kerja sebagai Agen

Saran dan Komentar

Apakah halaman ini membantu?

Last updated on 2026-02-13