Outils disponibles et exemples d’invites pour Foundry MCP Server (préversion)

Cette référence documente les outils 79 Foundry MCP Server dans 17 catégories qui vous permettent de gérer des agents, des sessions, des boîtes à outils, des jeux de données, des évaluations, des déploiements de modèles, une évaluation continue, etc. via des invites conversationnelles plutôt que des appels d’API. Utilisez-la pour explorer chaque outil et essayer l’exemple d’invite dans votre propre projet.

Fonctionnement des outils

Lorsque vous tapez une invite en langage naturel dans un client compatible MCP (par exemple, GitHub Copilot Mode Agent), le modèle de langage sélectionne l’outil approprié et formule les paramètres requis en votre nom. Vous n’appelez pas directement des outils : vous décrivez ce que vous voulez, et le modèle traduit votre intention en un appel d’outil.

Chaque outil est classé en lecture (récupère des informations) ou en écriture (crée, met à jour ou supprime des ressources). Les opérations d’écriture affectent immédiatement les ressources actives et la facturation. Passez en revue les bonnes pratiques de sécurité avant d’exécuter des opérations d’écriture.

Permissions

Toutes les opérations s'exécutent avec les autorisations de l'utilisateur authentifié via le flux Microsoft Entra ID activéBehalf-Of. Vous avez besoin des rôles suivants :

Pour plus d’informations, consultez le contrôle d’accès Role pour Microsoft Foundry.

Identificateurs de clé

De nombreux outils nécessitent des identificateurs de ressources. Le modèle de langage extrait ces éléments de votre contexte d’invite, mais il permet de connaître les formats suivants :

Gestion des agents

Gérez le cycle de vie complet des agents dans un projet Foundry, notamment la création, l’appel, l’orchestration de conteneur et la suppression.

Exemples de prompts :

• « Répertorier tous les agents dans mon projet Foundry ».
• « Créer un agent nommé faq-agent à l’aide du modèle gpt-4o-mini».
• « Envoyer « Bonjour, comment pouvez-vous vous aider ? » à mon customer-support-agent."
• « Démarrez le conteneur pour mon agent triage-agenthébergé ».
• « Vérifiez l’état du conteneur pour triage-agent. »
• « Afficher le schéma de définition de l’agent pour les agents d’invite ».
• « Supprimer le old-test-agent projet ».

Sessions et fichiers d’agent hébergés

Créez et gérez des sessions de calcul isolées pour les agents hébergés. Inspectez les journaux et gérez les fichiers dans le système de fichiers de chaque session.

Exemples de prompts :

• « Créer une session pour mon agent data-analysthébergé ».
• « Répertoriez les sessions pour data-analyst et affichez la plus récente en premier. »
• « Diffuser jusqu’à 100 lignes de journal à partir de la session analysis-2026».
• « Charger input.csv dans /data/input.csv la session ».
• « Télécharger /data/results.csv à partir de la session ».
• « Supprimer la session analysis-2026 et libérer ses ressources de calcul ».

Gestion des boîtes à outils

Créez, récupérez, version, mettez à jour et supprimez des boîtes à outils dans un projet Foundry.

Exemples de prompts :

• « Montrez-moi la customer-support-tools boîte à outils. »
• « Obtenir la version 2 de customer-support-tools. »
• « Créer une nouvelle version de customer-support-tools».
• « Définissez la version 2 comme customer-support-tools valeur par défaut . »
• « Définissez la version 1 comme customer-support-tools valeur par défaut, puis supprimez la version 2. »
• « Supprimer la old-support-tools boîte à outils ».

Les versions de boîte à outils sont immuables. toolbox_version_create crée également la boîte à outils si elle n’existe pas. Pour une boîte à outils existante, la création d’une version ne modifie pas la version par défaut. Appelez toolbox_update avec defaultVersion la nouvelle version pour la promouvoir. Avant de supprimer la version par défaut actuelle, définissez une autre version comme version par défaut.

Gestion des jeux de données

Créez, récupérez, version et téléchargez des jeux de données d’évaluation dans un projet Foundry.

Exemples de prompts :

• « Charger mon support client Q& Jeu de données à partir de cette URL Stockage Blob Azure. »
• « Afficher tous les jeux de données dans mon projet Foundry ».
• « Obtenir des détails pour le customer-support-qa jeu de données version 2 ».
• « Répertorier toutes les versions de mon product-reviews jeu de données ».
• « Obtenir une URL de téléchargement pour la dernière version de customer-support-qa».

Travaux de génération de données

Créez et gérez des travaux de génération de données autonomes pour l’évaluation ou l’optimisation des données. Générez des données à partir d’invites, d’agents, de traces, de jeux de données ou de fichiers chargés.

Exemples de prompts :

• « Générer 100 exemples de questions et réponses d’évaluation à partir de cette invite ».
• « Montrez-moi l’état du travail job-123de génération de données ».
• « Annuler le travail job-123de génération de données ».
• « Supprimer le travail job-123de génération de données terminé ».

Opérations d’évaluation

Exécutez des évaluations par lots sur des agents ou des jeux de données et comparez les résultats entre les exécutions.

Exemples de prompts :

• « Évaluez mon customer-support-agent v2 à l’aide de la pertinence, de la base et des évaluateurs de cohérence. »
• « Exécutez une évaluation par lots sur mon jeu de données JSONL avec les évaluateurs Violence et HateUnfairness. »
• « Générez 50 requêtes de test synthétiques et évaluez mon agent avec eux. »
• « Montrez-moi toutes les exécutions d’évaluation dans mon projet Foundry. »
• « Comparer run-baseline-123 contre les exécutions de traitement run-124 et run-125. »

Évaluation de trace

Exécutez des évaluations de conversation à plusieurs tours sur les traces de l’agent ou les conversations sélectionnées explicitement et les ID de trace W3C.

Exemples de prompts :

• « Évaluez jusqu’à cinq traces provenant des customer-support-agent dernières 24 heures pour l’achèvement de la tâche et de l’état de base. »
• « Évaluez ces ID de conversation pour la satisfaction des clients au niveau de la conversation. »
• « Évaluez ces ID de trace W3C avec mon évaluateur personnalisé tone-check . »

Suites d’évaluation

Créez, version, exécutez, mettez à jour et supprimez des suites d’évaluation qui regroupent des jeux de données, des agents cibles et des évaluateurs. Vous pouvez également générer des suites à partir d’invites, d’agents, de traces, de jeux de données ou de fichiers chargés.

Exemples de prompts :

• « Créez une suite d’évaluation nommée support-quality pour mon jeu de données et mon agent de support. »
• « Exécuter la version 2 de support-quality».
• « Mettez à jour le nom complet et les balises pour la version 2 de support-quality».
• « Générer une suite d’évaluation à partir de traces récentes pour customer-support-agent».
• « Affichez-moi tous les travaux de génération de suite d’évaluation. »

Catalogue évaluateur

Parcourez les évaluateurs intégrés et gérez les évaluateurs personnalisés pour une utilisation dans les exécutions d’évaluation.

Exemples de prompts :

• « Répertorier tous les évaluateurs intégrés disponibles dans mon projet. »
• « Montrez-moi la définition complète de l’évaluateur coherence . »
• « Créez un évaluateur personnalisé basé sur des invites appelé tone-check qui note les réponses sur une échelle de 1 à 5 ».
• « Mettez à jour la description de mon tone-check évaluateur. »
• « Supprimer la version 1 de ma old-evaluator. »

Travaux de génération d’évaluateurs

Générez des évaluateurs de manière adaptative à partir d’invites, d’agents ou de jeux de données, et surveillez ou annulez les travaux de génération.

Exemples de prompts :

• « Générer un évaluateur nommé policy-compliance à partir de cette invite de stratégie ».
• « Régénérer policy-compliance à partir de la version 2 de mon jeu de données de support à l’aide du déploiement gpt-4ode modèle ».
• « Montrez-moi tous les travaux de génération d’évaluateurs en cours d’exécution. »
• « Annuler le travail job-456de génération de l’évaluateur ».

Catalogue de modèles et détails

Explorez les modèles dans le catalogue de modèles Foundry, obtenez les détails du modèle et déterminez si un modèle peut être déployé sur Managed Compute.

Exemples de prompts :

• « Affichez-moi tous les modèles GPT-5.4 disponibles dans le catalogue. »
• « Répertorier tous les modèles publiés Microsoft avec licence MIT. »
• « Obtenez des informations détaillées et des exemples de code pour GPT-5-mini. »
• « Afficher les modèles publiés pour Le calcul managé ».
• « Obtenir les détails du calcul managé et les modèles de déploiement pour openai--gpt-oss-20b».

Pour Managed Compute, isManagedCompute dans model_catalog_list l’identification d’un candidat publié. Confirmez la déployabilité avec model_details_get: isFoundryManagedCompute est le signal faisant autorité et les modèles de déploiement résolus identifient les options de déploiement et les accélérateurs disponibles.

Gestion du déploiement de modèles

Déployez, inspectez et supprimez des déploiements de modèles, notamment des déploiements de calcul managés, dans un compte Foundry.

Exemples de prompts :

• « Utiliser model_deploy_azure_direct_model pour déployer GPT-5-mini comme production-chatbot avec 20 unités de capacité. »
• « Affichez-moi tous mes déploiements de modèles actuels . »
• « Affichez-moi tous mes déploiements de calcul managés ».
• « Utiliser model_deploy_managed_compute pour déployer openai--gpt-oss-20b comme gpt-oss-managed utilisation de son modèle de déploiement A100_80GB ».
• « Supprimez le old-test-deployment que je n’utilise plus. »

Choisissez des outils explicites pour chaque type de déploiement :

N’utilisez pas l’alias déconseillé model_deploy pour les nouveaux appels. Pour Le calcul managé, utilisez model_catalog_list d’abord comme signal candidat, puis appelez model_details_get. Utilisez model_deploy_managed_compute uniquement quand isFoundryManagedCompute est true, et passez l’un des modèles de déploiement résolus. Permet model_deployment_get de récupérer l’un ou l’autre type de déploiement et de supprimer l’un ou model_deployment_delete l’autre type.

Analyse des modèles et recommandations

Comparez les benchmarks de modèle et obtenez des recommandations pour passer à des modèles plus rentables ou de qualité supérieure.

Exemples de prompts :

• « Afficher les données de benchmark pour tous les modèles disponibles ».
• « Comparer les performances des benchmarks entre GPT-5.4 et GPT-4 ».
• « Recherchez des modèles similaires à mon déploiement GPT-4 actuel. »
• « Quels modèles me donneraient un meilleur rapport qualité/coût que ce que j’utilise maintenant ? »

Surveillance et opérations de modèle

Effectuez le suivi de l’intégrité du déploiement, surveillez les métriques, vérifiez l’état de dépréciation et affichez l’utilisation du quota de quota, y compris le quota d’accélérateur de calcul managé.

Exemples de prompts :

• « Afficher les métriques de requête pour mon production-chatbot déploiement ».
• « Vérifiez si l’un de mes déploiements utilise des versions de modèle déconseillées . »
• « Afficher l’utilisation du quota dans toutes les régions de mon abonnement . »
• « Montrez-moi A100_80GB, H100_80GB, MI300_192GB et H200_141GB quota d’accélérateurs aux USA Est 2. »

Connexions du projet

Gérez les connexions à des services externes (Azure OpenAI, Stockage Blob Azure, recherche et autres) dans un projet Foundry.

Exemples de prompts :

• « Répertorier toutes les connexions dans mon projet Foundry ».
• « Affichez-moi les détails de ma azure-search connexion . »
• « Quels sont les types de connexion et les méthodes d’authentification pris en charge ? »
• « Créer une connexion AzureOpenAI appelée my-openai à l’aide de l’authentification AAD ».
• « Supprimer la old-storage connexion de mon projet ».

Optimisation des requêtes

Optimisez les invites système et les messages du développeur pour améliorer les performances LLM.

Exemples de prompts :

• « Optimiser mon invite système : « Vous êtes un agent de service clientèle utile » à l’aide gpt-5.4de . »
• « Améliorez les instructions de mon agent pour obtenir des réponses plus concises . »
• « Affinez mon invite optimisée pour gérer également les questions de suivi. »

Évaluation continue

Activez, surveillez et gérez l’évaluation continue des agents. L’évaluation continue évalue automatiquement les réponses de l’agent en continu. L’outil détecte automatiquement le type d’agent (invite ou hébergé) et configure le mécanisme d’évaluation approprié ( règles d’évaluation pour les agents d’invite ou exécutions d’évaluation planifiées pour les agents hébergés).

Exemples de prompts :

• « Activer l’évaluation continue pour mon customer-support-agent utilisation des évaluateurs pertinence et groundedness. »
• « Configurer l’évaluation continue pour que mon agent triage-agent hébergé s’exécute toutes les 2 heures. »
• « Montrez-moi la configuration de l’évaluation continue pour customer-support-agent. »
• « Désactiver l’évaluation continue pour mon old-test-agent. »
• « Mettez à jour l’évaluation continue pour customer-support-agent obtenir un échantillon de 50% de réponses. »

Exemples de workflow

Déploiement et optimisation du modèle :

• « Montrez-moi le gpt-5.6-sol modèle dans le catalogue ».
• « Déployer gpt-5.6-sol comme customer-service-bot avec 15 unités de capacité ».
• « Surveillez la latence de la demande pour mon nouveau déploiement . »
• « Recommander des alternatives plus rentables en fonction de l’utilisation actuelle. »

Planification du quota de calcul managé :

• « Permet model_quota_list d’afficher mon quota et mon utilisation de l’accélérateur de calcul managé pour l’abonnement <subscription-id> aux ÉTATS-Unis Est 2. »
• « Comparer les instances disponibles pour A100_80GB, H100_80GB, MI300_192GBet H200_141GB. »
• « J’ai besoin de quatre instances. Identifiez les accélérateurs qui disposent actuellement d’un quota suffisant et rappelez-moi que la disponibilité du quota ne garantit pas la capacité de déploiement.
• « Avant tout déploiement, indiquez-moi le nombre d’accélérateurs et d’instances sélectionnés pour révision, car Managed Compute alloue une capacité GPU dédiée facturable . »

Cycle de vie du déploiement de calcul managé :

• « Utiliser model_catalog_list pour rechercher des modèles publiés pour Le calcul managé, où isManagedCompute est true. »
• « Pour openai--gpt-oss-20b, utilisez model_details_get pour confirmer qu’il s’agit isFoundryManagedComputetrue, et afficher son registre modelAssetId, les modèles de déploiement résolus et les accélérateurs . »
• « Permet model_quota_list de vérifier l’accélérateur sélectionné dans USA Est 2 avant le déploiement. »
• « Passez en revue le modèle de déploiement, l’accélérateur et le nombre d’instances avec moi. Après avoir confirmé l’allocation de GPU dédié facturable, utilisez model_deploy_managed_compute pour créer gpt-oss-managed-test avec le Registre modelAssetId, un résolu deploymentTemplateet l’approbation instanceCount. »
• « Permet model_deployment_get de surveiller gpt-oss-managed-test et de vérifier que son Kind est Managed. »
• « Lorsque le test est terminé et que je confirme le nettoyage, utilisez-le model_deployment_delete pour supprimer gpt-oss-managed-test. »

Flux de travail d’évaluation de l’agent :

• « Répertorier tous les agents dans mon projet ».
• « Évaluez mon customer-support-agent v2 à l’aide de la pertinence, de la base et des évaluateurs de sécurité. »
• « Comparer mon évaluation de base de référence par rapport à la nouvelle exécution . »
• « Montrez-moi les résultats de comparaison avec une signification statistique. »

Configuration de l’évaluation continue :

• « Répertorier tous les agents dans mon projet ».
• « Activer l’évaluation continue pour mon customer-support-agent utilisation de la pertinence, de la mise à l’échelle et des évaluateurs de sécurité avec le déploiement existant gpt-5.6-luna . »
• « Montrez-moi la configuration de l’évaluation continue pour customer-support-agent. »
• « Mettez à jour l’évaluation continue pour échantillonner 25% de réponses avec un maximum de 10 exécutions par heure. »

Gestion et nettoyage des ressources :

• « Répertorier tous mes déploiements actuels et leur utilisation . »
• « Vérifiez les déploiements qui utilisent des versions de modèle déconseillées ».
• « Afficher mon utilisation de quota dans toutes les régions ».
• « Supprimer les déploiements de test inutilisés pour libérer de la capacité ».

Limitations de la version préliminaire

Le serveur MCP Foundry est en préversion publique. Les limitations suivantes s’appliquent :

• Aucune isolation réseau : Foundry MCP Server utilise le point de terminaison https://mcp.ai.azure.compublic. Les ressources derrière Azure liaisons privées ne sont pas accessibles. Pour la connectivité MCP privée, créez votre propre serveur MCP et connectez-le au service Agent avec une mise en réseau privée.
• Résidence des données : les demandes et réponses peuvent être traitées dans des centres de données de l’UE ou des États-Unis. Le serveur lui-même ne stocke pas de données, mais le traitement interrégion peut se produire.
• Aucun contrat SLA : les fonctionnalités en préversion n’incluent pas de contrat de niveau de service. N’utilisez pas le serveur pour les charges de travail de production qui nécessitent une disponibilité garantie.
• L’ensemble d’outils peut changer : les outils, les paramètres et les valeurs de retour peuvent changer pendant la période d’aperçu sans préavis.

Pour plus d’informations, consultez Supplemental Conditions d’utilisation pour les préversions Microsoft Azure.

Erreurs courantes

Pour plus d’informations sur la résolution des problèmes, consultez La sécurité et les meilleures pratiques du serveur Foundry MCP.

Contenu connexe

• Prise en main de Foundry MCP Server
• Découvrez comment créer votre propre serveur MCP
• Passer en revue les meilleures pratiques de sécurité pour les serveurs MCP
• Découvrez comment soumettre votre serveur MCP pour la certification à Microsoft vue d’ensemble de la certification du serveur MCP.