Użyj serwera MCP języka do nawiązywania połączenia z agentem i korzystania z niego.

Po zapoznaniu się z możliwościami serwera MCP języka platformy Azure następnym krokiem jest połączenie go z agentem i rozpoczęcie korzystania z niego. Obejmuje to utworzenie agenta w rozwiązaniu Microsoft Foundry, połączenie z narzędziem MCP języka, przetestowanie go w środowisku testowym agenta, a opcjonalnie zbudowanie aplikacji klienckiej w celu interakcji z agentem przy użyciu kodu.

Utwórz projekt i agenta Foundry

Aby użyć serwera MCP języka platformy Azure, najpierw potrzebujesz projektu Microsoft Foundry z wdrożonym modelem.

1. W portalu Microsoft Foundry utwórz nowy projekt (lub użyj istniejącego).

2. Wdróż model (np. gpt-4.1), którego agent będzie używać do rozumowania i generowania odpowiedzi.

3. Utwórz agenta i przekaż instrukcje opisujące jego przeznaczenie. Przykład:

   You are an AI agent that assists users by helping them analyze and summarize text.
   

Agent jest teraz gotowy do odbierania połączeń narzędzi.

Podłącz serwer Azure Language MCP

Serwer MCP języka platformy Azure łączy się z agentem za pośrednictwem strony Narzędzia w portalu Foundry.

1. W okienku nawigacji wybierz stronę Narzędzia .

2. Wybierz Połącz narzędzie i wybierz Azure Language in Foundry Tools z katalogu.

3. Skonfiguruj połączenie przy użyciu następujących ustawień:

   • Nazwa zasobu Foundry: nazwa Twojego zasobu Foundry (na przykład myproject-resource).
   • Uwierzytelnianie: oparte na kluczach.
   • Credential (Ocp-Apim-Subscription-Key): klucz projektu Foundry.

4. Poczekaj na utworzenie połączenia, a następnie wybierz pozycję Użyj w agencie i wybierz agenta.

Agent ma teraz dostęp do wszystkich narzędzi do analizy tekstu uwidocznionych przez serwer MCP języka platformy Azure.

Zaktualizuj instrukcje agenta

Po nawiązaniu połączenia z narzędziem Language MCP zaktualizuj instrukcje agenta, aby przekierować go do korzystania z narzędzia:

You are an AI agent that assists users by helping them analyze text. Use the Azure Language tool to perform text analysis tasks.

Ta instrukcja pomaga agentowi zrozumieć, że powinien używać połączonego narzędzia podczas przetwarzania żądań analizy tekstu.

Testowanie na placu zabaw agenta

Plac zabaw agenta w portalu Foundry udostępnia interaktywne środowisko do testowania agenta przed wdrożeniem go w aplikacji.

Po wysłaniu monitu wymagającego analizy tekstu agent:

1. Identyfikuje wymagane zadania (na przykład wykrywanie języka i rozpoznawanie jednostek).
2. Wywołuje odpowiednie narzędzia językowe MCP w platformie Azure.
3. Zwraca połączoną odpowiedź.

Gdy agent używa narzędzia MCP po raz pierwszy, zostanie wyświetlony monit o zatwierdzenie użycia narzędzia. Możesz zatwierdzić narzędzie do pojedynczego użycia lub wybrać pozycję Zawsze zatwierdź cały język platformy Azure w narzędziach Foundry Tools , aby pominąć przyszłe monity o zatwierdzenie.

Po odpowiedzi agenta możesz przejrzeć okienko Dzienniki , aby sprawdzić, które narzędzia zostały użyte. Dzienniki pokazują każde wywołanie narzędzia MCP, dane wejściowe, które zostało wysłane i wynik, który został zwrócony.

Tworzenie aplikacji klienckiej

Podczas gdy plac zabaw agenta jest przydatny do testowania, zazwyczaj chcesz utworzyć aplikację kliencką korzystającą z agenta programowo. Zestaw MICROSOFT Foundry SDK obsługuje tę funkcję za pośrednictwem interfejsu API odpowiedzi openAI.

Aby utworzyć aplikację kliencką, należy użyć pakietów azure-ai-projects i azure-identity . Ogólny wzorzec to:

1. Utwórz AIProjectClient przy użyciu punktu końcowego projektu Foundry i DefaultAzureCredential (które używa poświadczeń Azure CLI w fazie rozwoju).
2. Pobierz klienta OpenAI z klienta projektu, wywołując polecenie get_openai_client().
3. Wywołaj responses.create(), aby wysłać monit użytkownika do agenta.

Kluczową częścią jest sposób, w jaki się odwołujesz do agenta — określasz go po nazwie w parametrze extra_body:

response = openai_client.responses.create(
    input=[{"role": "user", "content": user_prompt}],
    extra_body={
        "agent_reference": {
            "name": "Text-Analysis-Agent",
            "type": "agent_reference"
        }
    },
)

print(response.output_text)

Agent przetwarza monit, wywołuje odpowiednie narzędzia MCP i zwraca wynik .output_text Możesz również sprawdzić pełny kod JSON odpowiedzi (używając response.model_dump_json()), aby zobaczyć, które narzędzia agent wywołał — na przykład extract_named_entities_from_text lub detect_language_from_text — wraz z argumentami i wynikami dla każdego wywołania narzędzia.

Łączenie serwera MCP w kodzie

Zamiast łączyć serwer MCP języka platformy Azure za pośrednictwem portalu Foundry, można również zdefiniować połączenie narzędzia MCP bezpośrednio w kodzie podczas tworzenia agenta. MCPTool Użyj klasy z azure-ai-projects zestawu SDK, aby określić etykietę serwera, adres URL i dozwolone narzędzia:

from azure.ai.projects.models import MCPTool

mcp_tool = MCPTool(
    server_label="azure-language",
    server_url="https://{foundry-resource-name}.cognitiveservices.azure.com/language/mcp?api-version=2025-11-15-preview",
    require_approval="always",
)

Następnie należy przekazać ten mcp_tool element podczas tworzenia agenta za pośrednictwem zestawu SDK. Takie podejście jest przydatne, gdy chcesz zarządzać połączeniami narzędzi w ramach kodu aplikacji, zamiast konfigurować je ręcznie w portalu. Możesz również użyć allowed_tools właściwości na MCPTool, aby ograniczyć określone narzędzia językowe, które agent może wywołać.

Wybór narzędzia z wielozadaniowymi monitami

Gdy monit użytkownika obejmuje wiele zadań analizy tekstu, agent może wywołać wiele narzędzi w jednej turze. Na przykład polecenie:

"Powiedz mi, jakie jednostki i daty są wymienione w tej recenzji i czy jest to pozytywne, czy negatywne."

Ten monit wymaga zarówno rozpoznawania jednostek, jak i analizy tonacji. Agent identyfikuje oba zadania, wywołuje odpowiednie narzędzia (extract_named_entities_from_text i detect_language_from_text), i łączy wyniki w jedną odpowiedź.

Każde wywołanie narzędzia przechodzi przez serwer MCP niezależnie, a agent syntetyzuje dane wyjściowe w spójną odpowiedź dla użytkownika.