MCP Server, взаимодействующий с Azure AI Foundry (экспериментальный)

Сервер Model Context Protocol (MCP) для Azure AI Foundry, предоставляющий единый набор инструментов для моделей, знаний, оценки и прочего.

Важное уведомление

MCP Server для Azure AI Foundry (экспериментальный) переместился в облако и теперь доступен как Foundry MCP Server (preview). Пожалуйста, ознакомьтесь с официальной публичной документацией по адресу Начало работы с Foundry MCP Server (preview). Этот репозиторий на GitHub содержит устаревшую информацию о предыдущей экспериментальной реализации сервера и больше не будет обновляться. Вместо этого обратитесь к новому Foundry MCP Server, размещённому и управляемому удалённо, который обладает следующими преимуществами:

Облачный интерфейс для оркестрации инструментов ИИ: Foundry MCP Server (preview) обеспечивает безопасную, масштабируемую конечную точку для MCP-совместимых клиентов. Развертывать инфраструктуру не требуется, что обеспечивает бесшовную интеграцию и сценарии с несколькими агентами.
Идентификация и контроль доступа: сервер обеспечивает аутентификацию и авторизацию через Microsoft Entra ID. Все операции выполняются в рамках разрешений авторизованного пользователя (флоу On-Behalf-Of).
Сфокусированные на сценариях, расширяемые инструменты: MCP Server предоставляет растущий набор инструментов для чтения и записи моделей, развертываний, оценок и агентов в Microsoft Foundry. Инструменты расширяемы, что позволяет разработчикам и агентам взаимодействовать с сервисами без знания бэкенд-API или схем данных.
Ускорение продуктивности агентов и разработчиков: естественные языковые рабочие процессы (через MCP-клиенты и крупные языковые модели) позволяют быстро находить и вызывать инструменты, упрощая разработку и оркестрацию нескольких агентов.

Оставшаяся часть этого репозитория (включая кодовую базу) объясняет более устаревший MCP Server, который взаимодействовал с Azure AI Foundry (экспериментальный).

Доступные инструменты

Возможности: Модели

Категория	Инструмент	Описание
Исследование	list_models_from_model_catalog	Получает список поддерживаемых моделей из каталога Azure AI Foundry.
	list_azure_ai_foundry_labs_projects	Получает список передовых AI-моделей из Azure AI Foundry Labs, доступных в Microsoft Research.
	get_model_details_and_code_samples	Получает детальную информацию о конкретной модели из каталога Azure AI Foundry.
Разработка	get_prototyping_instructions_for_github_and_labs	Предоставляет полные инструкции и руководство по настройке для начала работы с моделями из Azure AI Foundry и Azure AI Foundry Labs.
Развертывание	get_model_quotas	Получает квоты модели для конкретного региона Azure.
	create_azure_ai_services_account	Создаёт учетную запись Azure AI Services.
	list_deployments_from_azure_ai_services	Получает список развертываний в Azure AI Services.
	deploy_model_on_ai_services	Разворачивает модель на Azure AI Services.
	create_foundry_project	Создаёт новый проект Azure AI Foundry.

Возможности: Знания

Категория	Инструмент	Описание
Индекс	list_index_names	Получить все имена индексов в AI Search Service
	list_index_schemas	Получить все схемы индексов в AI Search Service
	retrieve_index_schema	Получить схему для конкретного индекса в AI Search Service
	create_index	Создать новый индекс
	modify_index	Изменить определение существующего индекса
	delete_index	Удалить существующий индекс
Документ	add_document	Добавить документ в индекс
	delete_document	Удалить документ из индекса
Запрос	query_index	Поиск в конкретном индексе и получение совпадающих документов
	get_document_count	Вернуть общее количество документов в индексе
Индексатор	list_indexers	Получить все имена индексоров в AI Search Service
	get_indexer	Получить полное определение конкретного индексера из AI Search Service
	создайте_indexer	Создать новый индексатор в Search Service с указанным умением, индексом и источником данных
	delete_indexer	Удалить индексатор по имени из AI Search Service
Источник данных	list_data_sources	Получить все имена источников данных в AI Search Service
	get_data_source	Получить полное определение конкретного источника данных
Набор навыков	list_skill_sets	Получить все имена наборов навыков в AI Search Service
	get_skill_set	Получить полное определение конкретного набора навыков
Содержимое	fk_fetch_local_file_contents	Получить содержимое локального файла (пример JSON, документ и т.д.)
	fk_fetch_url_contents	Получить содержимое по URL (пример JSON, документ и т.д.)

Возможности: Оценка

Категория	Инструмент	Описание
Утилиты оценки	list_text_evaluators	Перечень доступных оценителей текста.
	list_agent_evaluators	Перечень доступных оценителей агентов.
	get_text_evaluator_requirements	Показать требования к входным данным для каждого оценителя текста.
	get_agent_evaluator_requirements	Показать требования к входным данным для каждого оценителя агента.
Оценка текста	run_text_eval	Запустить один или несколько оценителей текста на файле JSONL или его содержимом.
	format_evaluation_report	Преобразовать результаты оценки в удобный Markdown-отчет.
Оценка агента	agent_query_and_evaluate	Сформулировать запрос к агенту и оценить его ответ с использованием выбранных оценителей. Полная оценка агента.
	run_agent_eval	Оценить взаимодействие одного агента с конкретными данными (запрос, ответ, вызовы инструментов, определения).
Сервис агентов	list_agents	Перечень всех агентов Azure AI, доступных в текущем проекте.
	connect_agent	Отправить запрос указанному агенту.
	query_default_agent	Запросить дефолтного агента, заданного в переменных окружения.

Возможности: Доработка (Fine-tuning)

Категория	Инструмент	Описание
Тонкая настройка	fetch_finetuning_status	Получение детального статуса и метаданных по заданию тонкой настройки, включая состояние работы, модель, времена создания и завершения, гиперпараметры и ошибки.
	list_finetuning_jobs	Список всех заданий тонкой настройки в ресурсе, с идентификаторами задач и их текущими статусами.
	get_finetuning_job_events	Хронологический список всех событий по конкретному заданию тонкой настройки, с временными метками и подробными сообщениями для каждого шага обучения, оценки и завершения.
	get_finetuning_metrics	Метрики обучения и оценки по конкретному заданию тонкой настройки, включая кривые потерь, точность и другие показатели.
	list_finetuning_files	Список всех файлов, доступных для тонкой настройки в Azure OpenAI, включая идентификаторы файлов, имена, назначения и статусы.
	execute_dynamic_swagger_action	Выполнение любого инструмента, динамически сгенерированного по спецификации Swagger, для гибких вызовов API в продвинутых сценариях.
	list_dynamic_swagger_tools	Перечень динамически зарегистрированных инструментов из Swagger-спецификации, для обнаружения и автоматизации доступных конечных точек API.

Примеры подсказок

Модели

Исследование моделей

Как вы можете помочь мне найти подходящую модель?
Какие модели можно использовать из Azure AI Foundry?
Какие OpenAI-модели доступны в Azure AI Foundry?
Какие модели наиболее популярны в Azure AI Foundry? Выберите 10 моделей.
Какие модели подходят для рассуждений? Приведите примеры в двух корзинах: крупные модели и маленькие модели.
Можете сравнить Phi-модели и объяснить различия?
Покажите карточку модели для Phi-4-reasoning.
Можете показать, как тестировать модель?
Что означает бесплатная площадка (free playground) в Azure AI Foundry?
Можно ли использовать токен GitHub для тестирования моделей?
Покажите последние модели, поддерживающие токен GitHub.
Кто являются издателями моделей в Azure AI Foundry?
Покажите модели от Meta.
Покажите модели с лицензией MIT.

Сборка прототипов

Можете описать, как вы можете помочь мне построить прототип, используя модель?
Опишите, как построить прототип, который использует модель OpenAI с моим токеном GitHub. Не пытайтесь создать его сейчас.
Посоветуйте несколько сценариев для прототипов с моделями.
Расскажите про Azure AI Foundry Labs.
Расскажите подробнее о Magentic One
Что такое Omniparser и какие есть потенциальные сценарии использования?
Можете помочь построить прототип с Omniparser?

Развёртывание моделей OpenAI

Можете помочь развернуть модели OpenAI?
Какие шаги нужно предпринять, чтобы развернуть модели OpenAI на Azure AI Foundry?
Можете помочь понять, как можно использовать модели OpenAI на Azure AI Foundry с использованием токена GitHub? Можно ли использовать это в продакшене?
У меня уже есть ресурс Azure AI Services. Могу ли я развернуть на нём модели OpenAI?
Что означает квота на модели OpenAI в Azure AI Foundry?
Получите текущую квоту для вашего ресурса AI services.

Быстрый старт с GitHub Copilot

Этот шаблон GitHub имеет минимальную настройку с конфигурацией MCP сервера и всеми необходимыми зависимостями, что облегчает запуск ваших проектов.

Это помогает автоматически настроить MCP сервер в вашем окружении VS Code под настройки пользователя.

Вам понадобится установленный uvx в вашей среде для запуска сервера.

Ручная настройка

Установите uv, следуя инструкции по Installing uv.

Создайте новое рабочее пространство в VS Code.

(Необязательно) Создайте файл .env в корне вашего рабочего пространства для установки переменных окружения.

Создайте .vscode/mcp.json в корне вашего рабочего пространства.

{
    "servers": {
        "mcp_foundry_server": {
            "type": "stdio",
            "command": "uvx",
            "args": [
                "--prerelease=allow",
                "--from",
                "git+https://github.com/azure-ai-foundry/mcp-foundry.git",
                "run-azure-ai-foundry-mcp",
                "--envFile",
                "${workspaceFolder}/.env"
            ]
        }
    }
}

Нажмите кнопку Start для сервера в файле .vscode/mcp.json.

Откройте GitHub Copilot чат в режиме Agent и начинайте задавать вопросы.

См. Дополнительные примеры для продвинутой настройки для более подробной информации о том, как настроить MCP Server.

Настройка переменных окружения

Чтобы безопасно передавать информацию в MCP Server, например API-ключи, конечные точки и прочие чувствительные данные, можно использовать переменные окружения. Это особенно важно для инструментов, которым нужна аутентификация или доступ к внешним сервисам.

Вы можете задать переменные окружения в файле .env в корне проекта. Вы можете указать путь к файлу .env при настройке MCP Server, и сервер автоматически загрузит эти переменные при запуске.

См. пример файла .env для образца конфигурации.

Категория	Переменная	Обязательна?	Описание
Модель	GITHUB_TOKEN	Нет	GitHub токен для тестирования моделей бесплатно с ограничениями по скорости.
Знания	AZURE_AI_SEARCH_ENDPOINT	Всегда	URL-адрес конечной точки вашего сервиса Azure AI Search. Он должен выглядеть так: https://<имя_поиска>.search.windows.net/.
	AZURE_AI_SEARCH_API_VERSION	Нет	Версия API, которую следует использовать. По умолчанию 2025-03-01-preview.
	SEARCH_AUTHENTICATION_METHOD	Всегда	service-principal или api-search-key.
	AZURE_TENANT_ID	Да, если используете service-principal	Идентификатор вашего арендатора Azure Active Directory.
	AZURE_CLIENT_ID	Да, если используете service-principal	Идентификатор Service Principal (регистрация приложения).
	AZURE_CLIENT_SECRET	Да, если используете service-principal	Секретное значение для Service Principal.
	AZURE_AI_SEARCH_API_KEY	Да, если используете api-search-key	API-ключ для вашего Azure AI Search.
Оценка	EVAL_DATA_DIR	Всегда	Путь к набору данных JSONL для оценки.
	AZURE_OPENAI_ENDPOINT	Оценивание текста	Конечная точка для Azure OpenAI.
	AZURE_OPENAI_API_KEY	Оценивание текста	API-ключ для Azure OpenAI.
	AZURE_OPENAI_DEPLOYMENT	Оценивание текста	Имя развёртывания (например, gpt-4o).
	AZURE_OPENAI_API_VERSION	Оценивание текста	Версия API OpenAI.
	AZURE_AI_PROJECT_ENDPOINT	Сервисы агентов	Используется для запросов и оценки агентов Azure AI.

Примечания

Модель
- GITHUB_TOKEN используется для аутентификации через GitHub API при тестировании моделей. Он не обязателен, если вы исследуете модели из каталога Foundry.
Знания
- См. Создание сервиса поиска, чтобы узнать больше о provisioning сервиса поиска.
- Azure AI Search поддерживает несколько методов аутентификации. Можно использовать либо аутентификацию через Microsoft Entra, либо аутентификацию на основе ключа. Выбор зависит от ваших требований к безопасности и вашей Azure-среды.
- См. Аутентификация, чтобы узнать больше о методах аутентификации для сервиса поиска.
Оценка
- Если вы используете инструменты агентов или оценочные средства безопасности, убедитесь, что учётные данные проекта Azure действительны.
- Если вы занимаетесь только оценкой качества текста, достаточно конечной точки и ключа OpenAI.

Лицензия

MIT License. См. LICENSE для подробностей.