教學：部署 Python MCP 伺服器到 Azure 容器應用

在這個教學中，你將建立一個模型情境協定（MCP）伺服器，透過 FastAPI 和 MCP Python SDK 來暴露任務管理工具。你要把伺服器部署到 Azure 容器應用程式，然後用 VS Code 從 GitHub Copilot Chat 連接。

在本教學課程中，您會：

建立一個 FastAPI 應用程式來揭露 MCP 工具
用 GitHub Copilot 在本地測試 MCP 伺服器
將應用程式容器化並部署至 Azure 容器應用程式
將 GitHub Copilot 連接到已部署的 MCP 伺服器

先決條件

具有有效訂閱的 Azure 帳戶。免費創建一個。
Azure CLI 版本 2.62.0 或更新版本。
Python 3.10 或更新版本。
具有 GitHub Copilot 延伸模組的 Visual Studio Code
Docker 桌面（可選，僅需在本地測試容器）。

建立應用程式架構

在本節中，你將使用 FastAPI 和 MCP Python SDK 建立一個新的 Python 專案。

建立專案目錄並建立虛擬環境：

mkdir tasks-mcp-server && cd tasks-mcp-server
python -m venv .venv
source .venv/bin/activate

創建 requirements.txt：

fastapi>=0.115.0
uvicorn>=0.30.0
mcp[cli]>=1.2.0

安裝相依性：
```
pip install -r requirements.txt
```

為記憶體內資料儲存建立 task_store.py ：

from dataclasses import dataclass, field
from datetime import datetime, timezone


@dataclass
class TaskItem:
    id: int
    title: str
    description: str
    is_complete: bool = False
    created_at: datetime = field(default_factory=lambda: datetime.now(timezone.utc))

    def to_dict(self) -> dict:
        return {
            "id": self.id,
            "title": self.title,
            "description": self.description,
            "is_complete": self.is_complete,
            "created_at": self.created_at.isoformat(),
        }


class TaskStore:
    def __init__(self):
        self._tasks: list[TaskItem] = [
            TaskItem(1, "Buy groceries", "Milk, eggs, bread"),
            TaskItem(2, "Write docs", "Draft the MCP tutorial", True),
        ]
        self._next_id = 3

    def get_all(self) -> list[dict]:
        return [t.to_dict() for t in self._tasks]

    def get_by_id(self, task_id: int) -> dict | None:
        task = next((t for t in self._tasks if t.id == task_id), None)
        return task.to_dict() if task else None

    def create(self, title: str, description: str) -> dict:
        task = TaskItem(self._next_id, title, description)
        self._next_id += 1
        self._tasks.append(task)
        return task.to_dict()

    def toggle_complete(self, task_id: int) -> dict | None:
        task = next((t for t in self._tasks if t.id == task_id), None)
        if task is None:
            return None
        task.is_complete = not task.is_complete
        return task.to_dict()

    def delete(self, task_id: int) -> bool:
        task = next((t for t in self._tasks if t.id == task_id), None)
        if task is None:
            return False
        self._tasks.remove(task)
        return True


# For demonstration only — not thread-safe.
store = TaskStore()

TaskItem資料類別以序列化方法定義資料模型to_dict()。該 TaskStore 類別管理一個預先填充樣本資料的記憶體清單，並提供 CRUD 方法。模組層級 store 的單例在整個應用程式中共享以簡化流程。

定義 MCP 工具

在本節中，你定義 AI 模型可調用的 MCP 工具，並將 MCP 伺服器掛載到 FastAPI 應用程式中。

創建 mcp_server.py：

from mcp.server.fastmcp import FastMCP
from task_store import store

mcp = FastMCP("TasksMCP", stateless_http=True)


@mcp.tool()
async def list_tasks() -> list[dict]:
    """List all tasks with their ID, title, description, and completion status."""
    return store.get_all()


@mcp.tool()
async def get_task(task_id: int) -> dict | None:
    """Get a single task by its numeric ID.

    Args:
        task_id: The numeric ID of the task to retrieve.
    """
    return store.get_by_id(task_id)


@mcp.tool()
async def create_task(title: str, description: str) -> dict:
    """Create a new task with the given title and description. Returns the created task.

    Args:
        title: A short title for the task.
        description: A detailed description of what the task involves.
    """
    return store.create(title, description)


@mcp.tool()
async def toggle_task_complete(task_id: int) -> str:
    """Toggle a task's completion status between complete and incomplete.

    Args:
        task_id: The numeric ID of the task to toggle.
    """
    task = store.toggle_complete(task_id)
    if task:
        status = "complete" if task["is_complete"] else "incomplete"
        return f"Task {task['id']} is now {status}."
    return f"Task with ID {task_id} not found."


@mcp.tool()
async def delete_task(task_id: int) -> str:
    """Delete a task by its numeric ID.

    Args:
        task_id: The numeric ID of the task to delete.
    """
    if store.delete(task_id):
        return f"Task {task_id} deleted."
    return f"Task with ID {task_id} not found."

重點︰

FastMCP("TasksMCP", stateless_http=True) 在 Python SDK 中使用 Stateless HTTP 模式建立 MCP 伺服器。可串流的 HTTP 端點預設使用 /mcp 子路徑。
每個 @mcp.tool() 函式都成為可調用的工具。 docstring 和參數註解功能幫助 AI 模型了解如何使用每個工具。

創建 app.py。此檔案定義了掛載 MCP 伺服器的 FastAPI 應用程式：

from contextlib import AsyncExitStack, asynccontextmanager

from fastapi import FastAPI
from fastapi.responses import JSONResponse

from mcp_server import mcp


@asynccontextmanager
async def lifespan(app: FastAPI):
    async with AsyncExitStack() as stack:
        await stack.enter_async_context(mcp.session_manager.run())
        yield


app = FastAPI(lifespan=lifespan)
app.mount("/", mcp.streamable_http_app())


@app.get("/health")
async def health():
    return JSONResponse({"status": "healthy"})

MCP 伺服器應用程式會掛載在根節點（/）。 SDK 的可串流 HTTP 端點預設為 /mcp，因此完整的端點路徑為 /mcp。

容器應用程式健康探測則使用獨立 /health 端點。 MCP 端點預期會收到 JSON-RPC POST 請求，並不適合作為健康檢查。

在本機測試 MCP 伺服器

在部署到 Azure 之前，先透過本地運行 MCP 伺服器並從 GitHub Copilot 連接來確認它正常運作。

開始申請：
```
uvicorn app:app --reload --port 8080
```
打開 VS Code，然後打開 Copilot 聊天 ，選擇 Agent 模式。
選擇工具按鈕，然後選擇 新增更多工具...>新增 MCP 伺服器。
選取HTTP（HTTP 或 Server-Sent 事件）。
輸入伺服器網址： http://localhost:8080/mcp
輸入伺服器 ID： tasks-mcp
選取 [工作區設定]。
在新的 Copilot 聊天提示中，輸入 ：「Show me all tasks」
當 Copilot 提示確認 MCP 工具時，選擇繼續。

您應該會看到從記憶體內存放區傳回的工作清單。

小提示

試試其他提示，例如「建立任務以檢視 PR」、「標記任務 1 為完成」或「刪除任務 2」。

將應用程式容器化

把應用程式打包成 Docker 容器，這樣你可以在本地測試再部署到 Azure。

建立 Dockerfile：

FROM python:3.12-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

EXPOSE 8080
CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8080"]

Dockerfile 使用 Python 3.12 slim 基礎映像，從 requirements.txt 安裝相依性，然後複製應用程式程式碼。 Uvicorn 在 8080 埠口提供 FastAPI 應用程式。

確認容器是否在本地建置並執行：
```
docker build -t tasks-mcp-server .
docker run -p 8080:8080 tasks-mcp-server
```
確認健全狀態端點回覆：curl http://localhost:8080/health

部署至 Azure 容器應用程式

在你將應用程式容器化後，使用 Azure CLI 部署到 Azure 容器應用程式。這個 az containerapp up 指令會在雲端建立容器映像，所以你不需要在機器上安裝 Docker。

設定環境變數：

RESOURCE_GROUP="mcp-tutorial-rg"
LOCATION="eastus"
ENVIRONMENT_NAME="mcp-env"
APP_NAME="tasks-mcp-server-py"

建立資源群組與容器應用程式環境：

az group create --name $RESOURCE_GROUP --location $LOCATION

az containerapp env create \
    --name $ENVIRONMENT_NAME \
    --resource-group $RESOURCE_GROUP \
    --location $LOCATION

部署容器應用程式：

az containerapp up \
    --name $APP_NAME \
    --resource-group $RESOURCE_GROUP \
    --environment $ENVIRONMENT_NAME \
    --source . \
    --ingress external \
    --target-port 8080

設定 CORS：

az containerapp ingress cors enable \
    --name $APP_NAME \
    --resource-group $RESOURCE_GROUP \
    --allowed-origins "*" \
    --allowed-methods "GET,POST,DELETE,OPTIONS" \
    --allowed-headers "*"

備註

在實際執行環境中，將萬用字元來源替換成特定的可信來源。請參閱容器應用程式上的 Secure MCP 伺服器。

驗證部署：

APP_URL=$(az containerapp show \
    --name $APP_NAME \
    --resource-group $RESOURCE_GROUP \
    --query "properties.configuration.ingress.fqdn" -o tsv)

curl https://$APP_URL/health

將 GitHub Copilot 連接到已部署的伺服器

現在 MCP 伺服器在 Azure 運行，設定 VS Code 將 GitHub Copilot 連接到已部署的端點。

建立或更新 .vscode/mcp.json：

{
    "servers": {
        "tasks-mcp-server": {
            "type": "http",
            "url": "https://<your-app-fqdn>/mcp"
        }
    }
}

用部署輸出的 FQDN 替換 <your-app-fqdn> 。

在 VS Code 中，以客服模式開啟 Copilot 聊天。
驗證 tasks-mcp-server 會出現在工具清單中。如果需要，選擇開始。
用像 「建立任務以部署預備環境」這樣的提示來測試。

為互動使用設定縮放

預設情況下，Azure 容器應用程式可以擴展到零複本。對於服務互動客戶端如 Copilot 的 MCP 伺服器，冷啟動會造成明顯延遲。設定最小副本數量，以維持至少一個實例在運行：

az containerapp update \
    --name $APP_NAME \
    --resource-group $RESOURCE_GROUP \
    --min-replicas 1

安全性考慮

本教學使用未認證的 MCP 伺服器以簡化操作。在正式環境中運行 MCP 伺服器前，請先檢視以下建議。當由大型語言模型 (LLM) 技術支援的 Agent 呼叫您的 MCP 伺服器時，請注意提示注入攻擊。

認證與授權：用 Microsoft Entra ID 保護你的 MCP 伺服器。請參閱容器應用程式上的 Secure MCP 伺服器。
輸入驗證：務必驗證工具參數。使用 Pydantic 強制工具輸入的資料驗證。
HTTPS：Azure 容器應用程式預設會強制執行 HTTPS，並自動使用 TLS 憑證。
最低權限：只公開你使用情境所需的工具。避免使用未經確認就進行破壞性操作的工具。
CORS：在執行環境中只允許受信任的網域作為來源。
日誌與監控：記錄 MCP 工具的調用以進行稽核。使用 Azure 監視器和日誌分析。

清理資源

如果你不打算繼續使用這個應用程式，請刪除資源群組，移除你在教學中建立的所有資源：

az group delete --resource-group $RESOURCE_GROUP --yes --no-wait

下一個步驟

容器應用程式上的安全 MCP 伺服器

意見反應

此頁面對您有幫助嗎？

Last updated on 2026-03-02