Hvad er MCP i Real-Time Intelligence (forhåndsvisning)?

Model Context Protocol (MCP) giver en standardiseret måde for AI-modeller, som Azure OpenAI-modeller, at opdage og bruge eksterne værktøjer og datakilder. MCP gør det lettere at bygge intelligente applikationer, der kan forespørge, ræsonnere og handle på realtidsdata. MCP gør det også lettere for AI-agenter at finde, forbinde til og bruge virksomhedsdata.

MCP i Microsoft Fabric Real-Time Intelligens gør det muligt for AI-modeller, AI-agenter og applikationer at interagere med Real-Time intelligenskomponenter ved brug af naturligt sprog.

Real-Time Intelligence tilbyder to typer MCP-servere: lokale og fjernbetjente. Hver mulighed har sine egne implementeringsmodeller, kapaciteter og anvendelsesscenarier.

Lokal MCP-server til Real-Time Intelligence

Den lokale MCP-server for Fabric Real-Time Intelligence er en open source-server, som du selv installerer, hoster og administrerer. Den kører på din lokale maskine og giver adgang til Real-Time Intelligence og Azure Data Explorer ressourcer.

Nøgleegenskaber omfatter:

  • Udrulning: Serveren er selvhostet på din lokale maskine.
  • Kilde: Serveren er åben kildekode på GitHub.
  • Adgang: Du forespørger og administrerer ressourcer til eventhouse, eventstream, Activator, map og Azure Data Explorer.
  • Ledelse: Du styrer installation, opdateringer og vedligeholdelse.

For detaljeret information, se Kom i gang med den lokale MCP-server.

Fjern-MCP-servere

Microsoft hoster fjern-MCP-servere og eksponerer dem som HTTP-endpoints. Du konfigurerer din MCP-klient til at forbinde til disse servere uden at installere eller administrere nogen software.

Server Beskrivelse Egenskaber
Eventhouse MCP-server Gør det muligt for AI-agenter at forespørge eventhouses ved hjælp af naturligt sprog Skemaopdagelse, KQL-forespørgselsgenerering, dataudtagning, oversættelse af naturligt sprog til KQL ( NL2KQL-rammeværket )
Aktivator MCP-server Gør det muligt for AI-agenter at interagere med Fabric Activator Oprettelse af overvågningsregler, håndtering af advarsler, udløste handlinger
Operationsagent MCP-server Gør det muligt for AI-agenter at konfigurere og betjene en operationsagent ved hjælp af naturligt sprog Instruktionskonfiguration, playbook-generering, overvågningsstyring
  • MCP-vært: Miljøet hvor AI-modellen (som GPT-4, Claude eller Gemini) kører.
  • MCP-klient: En mellemliggende tjeneste, der videresender AI-modellens anmodninger til MCP-servere som GitHub Copilot, Cline eller Claude Desktop.
  • MCP-server: Små applikationer, der gør specifikke funktioner tilgængelige for AI-modeller, såsom at køre databaseforespørgsler. For eksempel kan en Real-Time Intelligence MCP-server køre KQL-forespørgsler for realtidsdatahentning fra KQL-databaser.

Du kan finde flere oplysninger under:

Hvornår skal man bruge lokale vs. eksterne servere

Stil spørgsmål på almindeligt engelsk eller andre sprog, og systemet omdanner dem til optimerede forespørgsler.

scenarie Anbefalet indstilling
Forespørg eventhouse eller Azure Data Explorer-data med fuld kontrol over serveren Lokal MCP-server
Forespørg et eventhouse uden at administrere serverinfrastrukturen Fjern MCP-server til eventhuse
Opret overvågningsregler og advarsler i Activator Fjern-MCP-server til Activator
Konfigurér instruktioner, generer playbooks og håndter overvågning for en operationsagent Fjern-MCP-server til operationsagenter
Brug i cloud-agentplatforme som Microsoft Copilot Studio eller Microsoft Foundry Fjern-MCP-servere
Behov for offline eller air-gapet adgang Lokal MCP-server
Ønsker automatiske opdateringer og vedligeholdelse Fjern-MCP-servere

Understøttede AI-klienter

Både lokale og eksterne MCP-servere fungerer med populære AI-klienter.

Understøttede Real-Time efterretningskomponenter

Eventhouse: Kør KQL-forespørgsler mod KQL-databaserne i dit eventhouse backend. Denne samlede grænseflade lader AI-agenter søge i dine realtidsdata, analysere mønstre og handle baseret på det, de finder.

Bemærkning

Du kan også bruge Fabric Real-Time Intelligence MCP-serveren til at køre KQL-forespørgsler mod klyngerne i din Azure Data Explorer backend.

Eventstreams: Forespørg og administrer eventstreams for at analysere streamingdata og få realtidsindsigt. Du kan liste eventstreams i dit workspace, få detaljer og definitioner, oprette nye eventstreams og mere.

Activator: Interager med Fabric Activator for at liste Activator-artefakter i dit arbejdsområde, oprette trigger-handlinger og opsætte notifikationer.

Driftsagenter: Opret og administrer driftsagenter til at overvåge og handle på ændrede data. Du kan finde og konfigurere agenter, starte og stoppe dem, og finde historikken bag deres operationer.

Kort: Forespørg og administrer kortressourcer for at visualisere geospatiale data. Du kan liste kort i dit arbejdsområde, få detaljer og definitioner, oprette nye kort og meget mere.

Overvejelser og begrænsninger

Sikkerhed

MCP er et nyt fænomen. Som med alle nye teknologistandarder bør du overveje at lave en sikkerhedsgennemgang for at sikre, at alle systemer, der integreres med MCP-servere, følger alle regler og standarder, som dit system skal overholde. Denne anmeldelse inkluderer ikke kun Real-Time Intelligence MCP-serverne, men også enhver MCP-klient eller agent, du vælger at implementere (helt ned til modeludbyderen).

Du bør følge Microsoft sikkerhedsvejledning for MCP-servere, herunder aktivering af Microsoft Entra ID-autentificering, sikker tokenstyring og netværksisolering. For detaljer, se Microsoft sikkerhedsdokumentation.

Tilladelser og risiko

MCP-klienter kan påkalde operationer baseret på brugerens Fabric rollebaserede adgangskontrol (RBAC) tilladelse. Autonome eller forkert konfigurerede klienter kan udføre destruktive handlinger. Du bør gennemgå og anvende mindst privilegerede RBAC-roller og implementere sikkerhedsforanstaltninger før udrulning.

Visse sikkerhedsforanstaltninger, såsom flag til at forhindre destruktive operationer, er ikke standardiseret i MCP-specifikationen og understøttes måske ikke af alle klienter.

Overholdelsesansvar

MCP-serveren kan installeres med, bruges med og dele data med klienter og tjenester. Disse klienter og tjenester kan omfatte ikke-Microsoft store sprogmodeller (LLM'er), AI-agenter eller tjenester, der opererer uden for Fabric' compliance-grænser. Du er ansvarlig for at sikre, at enhver integration overholder gældende organisatoriske, regulatoriske og kontraktmæssige krav.