Usando ferramentas MCP com o Foundry Agents

Você pode estender as funcionalidades do seu agente da Fábrica de IA do Azure conectando-o a ferramentas hospedadas em servidores remotos Model Context Protocol (MCP) (traga seu próprio ponto de extremidade de servidor MCP).

Como usar a ferramenta Protocolo de Contexto de Modelo

Esta seção explica como criar um agente de IA usando o Azure Foundry (IA do Azure) com uma integração de servidor do MCP (Protocolo de Contexto de Modelo) hospedada. O agente pode utilizar ferramentas MCP gerenciadas e executadas pelo serviço Azure Foundry, permitindo acesso seguro e controlado a recursos externos.

Principais características

Servidor MCP hospedado: o servidor MCP é hospedado e gerenciado pelo Azure AI Foundry, eliminando a necessidade de gerenciar a infraestrutura do servidor
Agentes Persistentes: os agentes são criados e armazenados no lado do servidor, permitindo conversas com estado
Fluxo de trabalho de aprovação da ferramenta: mecanismos de aprovação configuráveis para invocações da ferramenta MCP

Como funciona

1. Configuração do ambiente

O exemplo requer duas variáveis de ambiente:

AZURE_FOUNDRY_PROJECT_ENDPOINT: URL do ponto de extremidade do projeto do Azure AI Foundry
AZURE_FOUNDRY_PROJECT_MODEL_ID: o nome da implantação do modelo (padrão é "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. Configuração do agente

O agente é configurado com instruções e metadados específicos:

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

Isso cria um agente especializado para responder perguntas usando a documentação do Microsoft Learn.

3. Definição da ferramenta MCP

O exemplo cria uma definição de ferramenta MCP que aponta para um servidor MCP hospedado:

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

Componentes principais:

serverLabel: um identificador exclusivo para a instância do servidor MCP
serverUrl: a URL do servidor MCP hospedado
AllowedTools: especifica quais ferramentas do servidor MCP o agente pode usar

4. Criação de agente persistente

O agente é criado no lado do servidor usando o SDK de Agentes Persistentes do Azure AI Foundry:

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

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

Aviso

DefaultAzureCredential é conveniente para o desenvolvimento, mas requer uma consideração cuidadosa na produção. Em produção, considere o uso de uma credencial específica (por exemplo, ManagedIdentityCredential) para evitar problemas de latência, investigação de credenciais não intencionais e possíveis riscos de segurança de mecanismos de fallback.

Isso cria um agente persistente que:

Vive no serviço Azure AI Foundry
Tem acesso às ferramentas MCP especificadas
Pode manter o estado da conversa em várias interações

5. Recuperação e execução do agente

O agente criado é recuperado como uma AIAgent instância:

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

6. Configuração de Recursos da Ferramenta

O exemplo configura os recursos da ferramenta com configurações de aprovação:

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

Configuração da chave:

MCPToolResource: vincula a instância do servidor MCP à execução do agente
RequireApproval: controles quando a aprovação do usuário é necessária para invocações de ferramentas
- "never": ferramentas são executadas automaticamente sem aprovação
- "always": todas as invocações de ferramenta exigem aprovação do usuário
- Regras de aprovação personalizadas também podem ser configuradas

7. Execução do agente

O agente é invocado com uma pergunta e é executado usando as ferramentas MCP configuradas:

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. Limpeza

O exemplo demonstra a limpeza de recursos adequada:

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

Dica

Consulte os exemplos do .NET para obter exemplos executáveis completos.

O Azure AI Foundry fornece integração perfeita com servidores MCP (Model Context Protocol) por meio do Python Agent Framework. O serviço gerencia a hospedagem e a execução do servidor MCP, eliminando o gerenciamento de infraestrutura, ao mesmo tempo em que fornece acesso seguro e controlado a ferramentas externas.

Configuração do ambiente

Configure suas credenciais de projeto do Azure AI Foundry por meio de variáveis de ambiente:

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

Integração básica do MCP

Crie um agente do Azure AI Foundry com ferramentas MCP hospedadas:

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())

Configuração do MCP de várias ferramentas

Use várias ferramentas MCP hospedadas com um único agente:

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())

O Python Agent Framework fornece integração perfeita com as funcionalidades mcp hospedadas do Azure AI Foundry, permitindo acesso seguro e escalonável a ferramentas externas, mantendo a flexibilidade e o controle necessários para aplicativos de produção.

Exemplo completo

# 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())

Próximas etapas

Usando fluxos de trabalho como agentes

Comentários

Esta página foi útil?

Last updated on 2026-02-13