Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Med Model Context Protocol (MCP) kan AI-modeller, som Azure OpenAI-modeller, interagera med externa verktyg och resurser. MCP gör det enklare för agenter att hitta, ansluta till och använda företagsdata.
När du integrerar MCP med Azure Data Explorer kluster får du AI-drivna insikter och åtgärder i realtid. Med en MCP-server kan AI-agenter eller AI-program interagera med Azure Data Explorer genom att tillhandahålla verktyg via MCP-gränssnittet. Du använder dessa verktyg för att fråga och analysera data.
Anmärkning
Den här funktionen är en förhandsversion.
Servrar för att skapa AI-agenter
MCP-stöd för Azure Data Explorer är en fullständig MCP-serverintegrering med öppen källkod. Den stöder frågor på naturligt språk och gör det möjligt för agenter att identifiera scheman och metadata dynamiskt. En MCP-server kan användas med olika AI-klienter, till exempel GitHub Copilot, Cline eller Claude Desktop.
Du kan använda följande MCP-servrar för att integrera och skapa AI-agenter med Azure Data Explorer:
Fabric Real-Time Intelligence MCP-server (förhandsversion). Den här servern är utformad för användning med Azure Data Explorer kluster eller med ett Real-Time Intelligence-händelsehus. Det ger ett enhetligt gränssnitt för AI-agenter för att fråga, resonera och agera på realtidsdata.
Azure MCP Server-instans (förhandsversion). Azure MCP Server gör det möjligt för dig att hantera Azure Data Explorer-resurser med hjälp av uppmaningar på naturligt språk. Du kan visa kluster, visa databaser, frågedata med mera utan att komma ihåg komplex KQL-syntax (Kusto Query Language).
Det vanligaste scenariot för att använda mcp-servern Real-Time Intelligence eller en Azure MCP Server-instans är att ansluta till den från en befintlig AI-klient. AI-klienten kan sedan använda de tillgängliga verktygen för att komma åt och interagera med Azure Data Explorer resurser med hjälp av naturligt språk.
Du kan till exempel använda GitHub Copilot-agent-läge med MCP-servern Real-Time Intelligence för att lista KQL-databaser eller köra frågor på naturligt språk på Azure Data Explorer kluster.
Arkitektur
MCP-servern är kärnan i systemet och fungerar som en brygga mellan AI-agenter och Azure Data Explorer datakällor. Agenter skickar begäranden till MCP-servern, vilket översätter dem till Azure Data Explorer frågor.
Med den här arkitekturen kan du skapa modulära, skalbara, intelligenta program som svarar på realtidssignaler. MCP använder en klient-/serverarkitektur så att AI-program effektivt kan interagera med externa verktyg. Arkitekturen innehåller följande komponenter:
- MCP-host. Programmet där AI-interaktioner sker. Värdprogrammet kan till exempel vara Visual Studio Code med GitHub Copilot, Claude Desktop eller Cline. Värdsystemet innehåller AI-modellanslutningen, en verktygsorkestrerare och en eller flera MCP-klienter.
- MCP-server. Ett enkelt program som exponerar specifika funktioner med hjälp av API:er och databaser med naturligt språk. Du kan till exempel använda en MCP-server för att köra KQL-frågor för datahämtning i realtid från Azure Data Explorer kluster.
Viktiga funktioner
Dataåtkomst i realtid. Hämta data från Azure Data Explorer kluster på några sekunder.
Gränssnitt för naturligt språk. Användare eller agenter ställer frågor på vanlig engelska eller andra språk, och systemet omvandlar dem till optimerade frågor. Mer information finns i det här blogginlägget om NL2KQL-ramverket.
Schemaidentifiering. MCP-servrar visar schema och metadata, så att agenter kan lära sig datastrukturer dynamiskt.
Integrering med plug-and-play. MCP-klienter som GitHub Copilot, Claude och Cline ansluter till Real-Time Intelligence med minimal konfiguration på grund av standardiserade API:er och identifieringsmekanismer.
Lokal språkinferens. Använd önskat språk för att arbeta med dina data.
Överväganden och begränsningar
Security
MCP är ett nytt fenomen. Precis som med alla nya teknikstandarder bör du överväga att göra en säkerhetsgranskning för att säkerställa att alla system som integreras med MCP-servrar följer alla regler och standarder som systemet måste följa. Den här granskningen innehåller inte bara mcp-servrarna för Real-Time Intelligence, utan alla MCP-klienter eller agenter som du väljer att implementera (ned till modellprovidern).
Du bör följa Microsoft säkerhetsvägledning för MCP-servrar, inklusive aktivering av Microsoft Entra ID autentisering, säker tokenhantering och nätverksisolering. Mer information finns i Microsoft säkerhetsdokumentation.
Behörigheter och risker
MCP-klienter kan anropa åtgärder baserat på användarens Microsoft Entra ID behörigheter. Autonoma eller felkonfigurerade klienter kan utföra destruktiva åtgärder. Granska och tillämpa behörigheter med minst behörighet och implementera skyddsåtgärder före distributionen.
Vissa skyddsåtgärder, till exempel flaggor för att förhindra destruktiva åtgärder, är inte standardiserade i MCP-specifikationen och kanske inte stöds av alla klienter.
Efterlevnadsansvar
En MCP-server kan installeras med, användas med och dela data med klienter och tjänster. Dessa klienter och tjänster kan omfatta icke-Microsoft stora språkmodeller (LLM), AI-agenter eller tjänster som fungerar utanför efterlevnadsgränserna för Fabric. Du ansvarar för att säkerställa att alla integreringar uppfyller tillämpliga organisations-, regel- och avtalskrav.