Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Você pode estender os recursos do seu agente do Azure AI Foundry conectando-o a ferramentas hospedadas em servidores MCP (Model Context Protocol) remotos (traga seu próprio ponto de extremidade do servidor MCP).
Como usar a ferramenta Model Context Protocol
Esta seção explica como criar um agente de IA usando o Azure Foundry (Azure AI) com uma integração de servidor MCP (Model Context Protocol) hospedada. O agente pode utilizar ferramentas MCP que são 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 de ferramentas: mecanismos de aprovação configuráveis para invocações de ferramentas 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 (o 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 a 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-chave:
- 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 AzureCliCredential());
var agentMetadata = await persistentAgentsClient.Administration.CreateAgentAsync(
model: model,
name: AgentName,
instructions: AgentInstructions,
tools: [mcpTool]);
Isso cria um agente persistente que:
- Vive no serviço Azure AI Foundry
- Tem acesso às ferramentas MCP especificadas
- Pode manter o estado da conversação 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 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: Controla quando a aprovação do usuário é necessária para invocações de ferramentas
-
"never": As ferramentas são executadas automaticamente sem aprovação -
"always": Todas as invocações de ferramentas requerem 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:
AgentThread thread = agent.GetNewThread();
var response = await agent.RunAsync(
"Please summarize the Azure AI Agent documentation related to MCP Tool calling?",
thread,
runOptions);
Console.WriteLine(response);
8. Limpeza
O exemplo demonstra a limpeza adequada de recursos:
await persistentAgentsClient.Administration.DeleteAgentAsync(agent.Id);
Python Azure AI Foundry MCP Integração
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 execução do servidor MCP, eliminando o gerenciamento de infraestrutura e fornecendo 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 MCP básica
Crie um agente do Azure AI Foundry com ferramentas MCP hospedadas:
import asyncio
from agent_framework import HostedMCPTool
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 chat_client,
):
# Enable Azure AI observability (optional but recommended)
await chat_client.setup_azure_ai_observability()
# Create agent with hosted MCP tool
agent = chat_client.create_agent(
name="MicrosoftLearnAgent",
instructions="You answer questions by searching Microsoft Learn content only.",
tools=HostedMCPTool(
name="Microsoft Learn MCP",
url="https://learn.microsoft.com/api/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 MCP Multi-Tool
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 chat_client,
):
await chat_client.setup_azure_ai_observability()
# Create agent with multiple MCP tools
agent = chat_client.create_agent(
name="MultiToolAgent",
instructions="You can search documentation and access GitHub repositories.",
tools=[
HostedMCPTool(
name="Microsoft Learn MCP",
url="https://learn.microsoft.com/api/mcp",
approval_mode="never_require", # Auto-approve documentation searches
),
HostedMCPTool(
name="GitHub MCP",
url="https://api.github.com/mcp",
approval_mode="always_require", # Require approval for GitHub operations
headers={"Authorization": "Bearer github-token"},
),
],
)
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 os recursos MCP hospedados do Azure AI Foundry, permitindo acesso seguro e escalável a ferramentas externas, mantendo a flexibilidade e o controle necessários para aplicativos de produção.