Azure MCP 伺服器會使用模型內容通訊協定 （MCP） 來標準化 AI 應用程式與外部工具和資料來源之間的整合，讓 AI 系統能夠執行內容感知 Azure 資源的作業。
在本文中，您將瞭解如何完成下列工作：
- 安裝並驗證 Azure MCP 伺服器
- 使用自訂 Python 用戶端連線到 Azure MCP 伺服器
- 執行提示以測試 Azure MCP 伺服器作業並管理 Azure 資源
先決條件
- 具有有效訂閱的 Azure 帳戶
- 已安裝 Python 3.9 或更高版本
- Node.js 已安裝 LTS
備註
您想要使用 Azure MCP 伺服器存取的 Azure 資源必須已存在於您的 Azure 訂用帳戶中。 此外，您的使用者帳戶必須具有為這些資源指派的必要 RBAC 角色和許可 。
登入 Azure MCP 伺服器進行本地開發
Azure MCP Server 使用 .NET 的 Azure Identity 函式庫來認證 Microsoft Entra ID。 伺服器支援 兩種認證模式：
-
經紀人模式：使用作業系統的原生認證（類似 Windows Web 帳戶管理器）並搭配
InteractiveBrowserCredential。 - 憑證鏈模式：依序嘗試多種認證方法：環境變數、Visual Studio Code、Visual Studio、Azure CLI、Azure PowerShell、Azure Developer CLI，以及互動式瀏覽器驗證。
請使用以下任一方法登入：
- 打開指令面板（
Ctrl+Shift+P或Cmd+Shift+P在 Mac 上）。 - 執行 Azure：登入 並依照提示操作。
登入後，Azure MCP 伺服器可以根據你的權限認證並執行 Azure 服務的操作。
建立 Python 應用程式
請完成以下步驟來建立一個 Python 應用程式（主機應用程式）。 該應用程式連接 AI 模型，並作為 MCP 用戶端的主機，該用戶端連接至 Azure MCP 伺服器（執行 MCP 協定的本地程序）。
建立專案
在您選擇的編輯器中開啟空白資料夾。
建立名為的新
requirements.txt檔案，並新增下列程式庫相依性：mcp azure-identity openai logging在相同的資料夾中，建立名為的新檔案
.env，並新增下列環境變數：AZURE_OPENAI_ENDPOINT=<your-azure-openai-endpoint> AZURE_OPENAI_MODEL=<your-model-deployment-name>建立名為的
main.py空白檔案，以保存應用程式的程式碼。
建立環境並安裝相依性
在新資料夾中開啟終端機，並為應用程式建立 Python 虛擬環境：
python -m venv venv啟動虛擬環境：
venv\Scripts\activate從以下位置安裝
requirements.txt相依性：pip install -r requirements.txt
新增應用程式程式碼
將 main.py 的內容更新為以下程式碼：
from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from openai import AzureOpenAI
from mcp import ClientSession, StdioServerParameters, types
from mcp.client.stdio import stdio_client
import json, os, logging, asyncio
from dotenv import load_dotenv
# Setup logging and load environment variables
logger = logging.getLogger(__name__)
load_dotenv()
# Azure OpenAI configuration
AZURE_OPENAI_ENDPOINT = os.getenv("AZURE_OPENAI_ENDPOINT")
AZURE_OPENAI_MODEL = os.getenv("AZURE_OPENAI_MODEL", "gpt-4o")
# Initialize Azure credentials
token_provider = get_bearer_token_provider(
DefaultAzureCredential(), "https://cognitiveservices.azure.com/.default"
)
async def run():
# Initialize Azure OpenAI client
client = AzureOpenAI(
azure_endpoint=AZURE_OPENAI_ENDPOINT,
api_version="2024-04-01-preview",
azure_ad_token_provider=token_provider
)
# MCP client configurations
server_params = StdioServerParameters(
command="npx",
args=["-y", "@azure/mcp@latest", "server", "start"],
env=None
)
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
# List available tools
tools = await session.list_tools()
for tool in tools.tools: print(tool.name)
# Format tools for Azure OpenAI
available_tools = [{
"type": "function",
"function": {
"name": tool.name,
"description": tool.description,
"parameters": tool.inputSchema
}
} for tool in tools.tools]
# Start conversational loop
messages = []
while True:
try:
user_input = input("\nPrompt: ")
messages.append({"role": "user", "content": user_input})
# First API call with tool configuration
response = client.chat.completions.create(
model = AZURE_OPENAI_MODEL,
messages = messages,
tools = available_tools)
# Process the model's response
response_message = response.choices[0].message
messages.append(response_message)
# Handle function calls
if response_message.tool_calls:
for tool_call in response_message.tool_calls:
function_args = json.loads(tool_call.function.arguments)
result = await session.call_tool(tool_call.function.name, function_args)
# Add the tool response to the messages
messages.append({
"tool_call_id": tool_call.id,
"role": "tool",
"name": tool_call.function.name,
"content": result.content,
})
else:
logger.info("No tool calls were made by the model")
# Get the final response from the model
final_response = client.chat.completions.create(
model = AZURE_OPENAI_MODEL,
messages = messages,
tools = available_tools)
for item in final_response.choices:
print(item.message.content)
except Exception as e:
logger.error(f"Error in conversation loop: {e}")
print(f"An error occurred: {e}")
if __name__ == "__main__":
import asyncio
asyncio.run(run())
上述程式碼會完成下列工作：
- 設置記錄並從
.env檔案載入環境變數。 - 使用
azure-identity和openai程式庫來設定 Azure OpenAI 用戶端。 - 初始化 MCP 用戶端，以使用標準 I/O 傳輸方式與 Azure MCP 伺服器（本地程序）互動。
- 從 Azure MCP 伺服器檢索並顯示可用工具清單（MCP 註冊的 Azure 作業）。
- 實現對話循環來處理用戶提示、使用工具和處理工具調用。
配置參數：
| 參數 | Description | Example |
|---|---|---|
AZURE_OPENAI_ENDPOINT |
您的 Azure OpenAI 服務端點 | https://your-resource.openai.azure.com/ |
AZURE_OPENAI_MODEL |
模型部署名稱 | gpt-4o |
| 令牌範圍 | Azure Cognitive Services OAuth 範圍 | https://cognitiveservices.azure.com/.default |
| 驗證 | 使用DefaultAzureCredential（Azure CLI、托管身份識別或其他憑證鏈） |
參見 Azure Identity documentation |
| 所需的 RBAC | 認知服務 Azure OpenAI 資源上的使用者角色或等效角色 | 透過 Azure 入口網站或 CLI 指派 |
執行並測試應用程式
請完成以下步驟來測試您的 Python 應用程式：
在開啟專案根目錄的終端機視窗中，執行下列命令來啟動應用程式：
python main.py成功驗證：應用程式應該會顯示可用 Azure MCP Server 工具清單，然後顯示輸入
Prompt:。應用程式執行之後，請輸入下列測試提示：
List all of the resource groups in my subscription上一個提示的輸出應類似於以下文本：
The following resource groups are available for your subscription: 1. **DefaultResourceGroup-EUS** (Location: `eastus`) 2. **rg-testing** (Location: `centralus`) 3. **rg-azd** (Location: `eastus2`) 4. **msdocs-sample** (Location: `southcentralus`) 14. **ai-testing** (Location: `eastus2`) Let me know if you need further details or actions related to any of these resource groups!使用其他相關提示探索和測試 Azure MCP 作業，例如：
List all of the storage accounts in my subscription Get the available tables in my storage accounts