Przybornik Microsoft Foundry

Microsoft Foundry Toolbox to nazwany, wersjonowany pakiet hostowanych konfiguracji narzędzi, takich jak interpreter kodu, wyszukiwanie plików, generowanie obrazów, mcp i wyszukiwanie w Internecie. Przybornike umożliwiają zarządzanie konfiguracją narzędzia raz w narzędziu Foundry i ponowne używanie ich między agentami.

Struktura agenta obejmuje użycie przybornika. Tworzenie i aktualizowanie wersji przybornika za pośrednictwem portalu Foundry lub zestawu azure-ai-projects SDK.

Ważna

FoundryToolbox jest dostarczany przez pakiet beta agent-framework-foundry-hosting i może ulec zmianie przed stabilną wersją.

W przypadku zarządzanej przez FoundryAgentusługę dołącz przybornik do definicji agenta w narzędziu Foundry. Wskazówki dotyczące użycia przybornika po stronie klienta .NET nie są obecnie udokumentowane.

Instalowanie pakietów

pip install agent-framework-foundry-hosting agent-framework-foundry --pre

FoundryToolbox program jest importowany z agent_framework.foundry programu i dostarczany przez agent-framework-foundry-hostingprogram .

Konfigurowanie przybornika

Ustaw jawny punkt końcowy MCP przybornika:

TOOLBOX_ENDPOINT="https://<account>.services.ai.azure.com/api/projects/<project>/toolboxes/<name>/mcp?api-version=v1"

Możesz też FoundryToolbox skonstruować punkt końcowy:

FOUNDRY_PROJECT_ENDPOINT="https://<account>.services.ai.azure.com/api/projects/<project>"
TOOLBOX_NAME="<toolbox-name>"

Przykłady hostowanych agentów są również używane dla programu AZURE_AI_MODEL_DEPLOYMENT_NAMEFoundryChatClient.

Używanie FoundryToolbox z hostowanym agentem

FoundryToolboxrozwiązuje swój punkt końcowy, uwierzytelnia każde żądanie MCP przy użyciu podanego poświadczenia Azure, przekazuje identyfikator wywołania usługi Foundry na żądanie i uczestniczy w cyklu życia połączenia agenta.

import asyncio
import os

from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient, FoundryToolbox, ResponsesHostServer
from azure.identity import DefaultAzureCredential
from dotenv import load_dotenv

# Load environment variables from .env file
load_dotenv()


async def main():
    credential = DefaultAzureCredential()

    # FoundryToolbox resolves the toolbox endpoint from the environment
    # (TOOLBOX_ENDPOINT, or FOUNDRY_PROJECT_ENDPOINT + TOOLBOX_NAME), authenticates
    # every request with the credential, and transparently forwards the platform
    # per-request call-id to the toolbox. The hosting server enters the agent, which
    # connects the toolbox on first use and closes it at shutdown.
    toolbox = FoundryToolbox(credential)

    # Create the chat client
    client = FoundryChatClient(
        project_endpoint=os.environ["FOUNDRY_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=credential,
    )

    agent = Agent(
        client=client,
        instructions="You are a friendly assistant. Keep your answers brief.",
        tools=toolbox,
        # History will be managed by the hosting infrastructure, thus there
        # is no need to store history by the service. Learn more at:
        # https://developers.openai.com/api/reference/resources/responses/methods/create
        default_options={"store": False},
    )

    server = ResponsesHostServer(agent)
    await server.run_async()

Uwidaczniaj umiejętności przybornika

Przybornik może uwidaczniać umiejętności agenta w programie MCP. Ustaw load_tools=False , gdy tylko umiejętności powinny być widoczne dla modelu, a następnie dodaj przybornik jako narzędzie, aby sesja MCP łączyła się i używała as_skills_provider() jako dostawcy kontekstu.

import asyncio
import os

from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient, FoundryToolbox, ResponsesHostServer
from azure.identity import DefaultAzureCredential
from dotenv import load_dotenv

# Load environment variables from .env file
load_dotenv()


async def main() -> None:
    credential = DefaultAzureCredential()

    # FoundryToolbox resolves the toolbox endpoint from the environment
    # (TOOLBOX_ENDPOINT, or FOUNDRY_PROJECT_ENDPOINT + TOOLBOX_NAME), authenticates
    # every request with the credential, and forwards the platform per-request
    # call-id. ``load_tools=False`` keeps the toolbox's tools hidden so only its
    # Agent Skills (SEP-2640) are surfaced; passing it via ``tools=`` connects the
    # MCP session that ``as_skills_provider()`` reads from.
    toolbox = FoundryToolbox(credential, load_tools=False)

    # as_skills_provider() discovers skills from skill://index.json on the toolbox
    # MCP session and exposes them as an agent context provider; SKILL.md bodies are
    # fetched on demand via resources/read. disable_load_skill_approval=True registers
    # the load_skill tool with approval_mode="never_require" so this unattended agent
    # can load skills without an approval round-trip -- the Responses host runs the
    # agent without an AgentSession, which the default approval flow requires.
    skills_provider = toolbox.as_skills_provider(disable_load_skill_approval=True)

    client = FoundryChatClient(
        project_endpoint=os.environ["FOUNDRY_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=credential,
    )

    agent = Agent(
        client=client,
        name=os.environ.get("AGENT_NAME", "hosted-toolbox-mcp-skills"),
        instructions="You are a helpful assistant.",
        tools=toolbox,
        context_providers=[skills_provider],
        # History will be managed by the hosting infrastructure, thus there
        # is no need to store history by the service. Learn more at:
        # https://developers.openai.com/api/reference/resources/responses/methods/create
        default_options={"store": False},
    )

    server = ResponsesHostServer(agent)
    await server.run_async()

Zatwierdzenie pozostaje domyślnie włączone dla operacji umiejętności. Wyłącz pojedyncze zatwierdzenia tylko w przypadku zaufanych, nienadzorowanych scenariuszy.

Używanie przybornika z FoundryAgent

Dołącz przybornik do definicji monitu lub hostowanego agenta w narzędziu Foundry. FoundryAgent używa przechowywanej konfiguracji narzędzia; Przekazywanie po stronie klienta przybornika nie powoduje dodania go do zarządzanego agenta.

Nawiązywanie połączenia za pośrednictwem surowego protokołu MCP

Użyj MCPStreamableHTTPTool bezpośrednio, gdy aplikacja nie używa otoki hostingu FoundryToolbox . Podaj punkt końcowy przybornika i token elementu nośnego Entra ID za pomocą elementu header_provider.

import asyncio
import os
from collections.abc import Callable
from typing import Any, cast

from agent_framework import Agent, MCPStreamableHTTPTool
from agent_framework.foundry import FoundryChatClient
from azure.core.credentials import TokenCredential
from azure.identity import AzureCliCredential, DefaultAzureCredential, get_bearer_token_provider
from dotenv import load_dotenv
def make_toolbox_header_provider(credential: TokenCredential) -> Callable[[dict[str, Any]], dict[str, str]]:
    """Build a header_provider that injects a fresh Azure AI bearer token on every MCP request."""
    get_token = get_bearer_token_provider(credential, "https://ai.azure.com/.default")

    def provide(_kwargs: dict[str, Any]) -> dict[str, str]:
        return {
            "Authorization": f"Bearer {get_token()}",
        }

    return provide


async def main() -> None:
    credential = DefaultAzureCredential()

    toolbox_tool = MCPStreamableHTTPTool(
        name="foundry_toolbox",
        description="Tools exposed by the configured Foundry toolbox",
        url=os.environ["FOUNDRY_TOOLBOX_ENDPOINT"],
        header_provider=make_toolbox_header_provider(credential),
        load_prompts=False,
    )

    async with Agent(
        client=FoundryChatClient(
            project_endpoint=os.environ["FOUNDRY_PROJECT_ENDPOINT"],
            model=os.environ["FOUNDRY_MODEL"],
            credential=credential,
        ),
        instructions="You are a helpful assistant. Use the available toolbox tools to answer the user.",
        tools=toolbox_tool,
    ) as agent:
        query = "What tools do you have access to?"
        print(f"User: {query}")
        result = await agent.run(query)
        print(f"Assistant: {result}")

W przykładzie niższego poziomu użyto metody FOUNDRY_TOOLBOX_ENDPOINT. Przykładowe umiejętności przybornika używają FOUNDRY_TOOLBOX_MCP_SERVER_URLmetody ; te nazwy należą do tych przykładów i są oddzielone od FoundryToolbox ustawień i TOOLBOX_NAME klasyTOOLBOX_ENDPOINT.

Limitations

  • Narzędzia MCP w przyborniku używają uwierzytelniania po stronie serwera za pośrednictwem rozwiązania Foundry project_connection_id; klient programu Agent Framework nie przechowuje nadrzędnego tokenu elementu nośnego MCP.
  • Korzystanie z przybornika jako serwera MCP wymaga Entra ID uwierzytelniania po stronie klienta dla punktu końcowego przybornika.
  • Odpowiedzi przepływu zgody, takie jak CONSENT_REQUIRED są obsługiwane podczas działania agenta, a nie podczas tworzenia połączenia przybornika.

Samples

Sample Description
foundry_toolbox/main.py FoundryToolbox z hostowanym agentem odpowiedzi
foundry_toolbox_mcp_skills/main.py Umiejętności agenta oparte na przyborniku
foundry_chat_client_with_toolbox.py Korzystanie z Toolbox MCP przy użyciu MCPStreamableHTTPTool
foundry_chat_client_with_toolbox_skills.py Konfiguracja umiejętności oparta na zestawie narzędzi
invoke_foundry_toolbox_mcp Użycie mcp po stronie przepływu pracy

Narzędzie Go nie uwidacznia obecnie pomocnika przybornika foundry. Konfigurowanie przybornika za pomocą narzędzia Foundry i używanie obsługiwanych deklaracji narzędzi lokalnych lub hostowanych dla agentów języka Go.

  • Last updated on