使用说明

Foundry代理MCP服务器

一 MCP（模型上下文协议）服务器公开Azure AI Foundry代理、工作流和AI搜索向量数据库作为MCP工具的功能。

支持两种传输方式：

标准 –供本地使用 uvx 或VS代码副本
超文本传输协议 –用于部署到 Azure容器应用 通过 azd up

存储库布局

src/
  foundry_agents_mcp/     ← MCP server (10 tools across 4 namespaces)
  foundry_agents/         ← Standalone agent & workflow implementations
    definitions/          ← Declarative YAML agent & workflow definitions
    case_study_agent.py   ← deploy-case-study-agent CLI command
    architecture_agent.py ← deploy-architecture-agent CLI command
    project_log_workflow.py ← run-project-log-workflow CLI command
infra/
  main.bicep              ← Container Apps + managed identity + role assignments
  app/server.bicep        ← Container App definition with health probes
  core/security/role.bicep
azure.yaml                ← azd service definition
Dockerfile                ← Multi-stage Alpine build
entrypoint.sh             ← Selects stdio or HTTP transport at startup
.env.sample               ← Template for local environment configuration

MCP工具命名空间

命名空间	工具
`agents_*`	列出代理·调用代理·检查状态·获取结果
`search_*`	语义向量搜索·将文档添加到向量数据库
`index_*`	创建项目日志索引·摄取项目日志条目
`workflows_*`	列出示例工作流·运行项目日志管道

先决条件

Python 3.10+
紫外线安装
一 Azure AI Foundry 项目（用于代理工具）
一 Azure人工智能搜索 具有矢量层的资源（用于搜索/索引工具）
一 Azure OpenAI 部署了文本嵌入模型的资源

快速开始使用uvx

# Install and run directly from GitHub (no PyPI package required)
uvx --from git+https://github.com/denniszielke/foundry-agents-mcp-server@main foundry-agents-mcp-server

或者使用显式环境文件：

uvx --from git+https://github.com/denniszielke/foundry-agents-mcp-server@main --env-file .env foundry-agents-mcp-server

配置

所有配置都由环境变量驱动。复制 .env.sample 到 .env 并填写你的价值观。

变量	必填	描述
`AZURE_AI_PROJECT_ENDPOINT`	对于代理工具	AI Foundry项目端点- `https://<account>.services.ai.azure.com/api/projects/<project>`
`AZURE_OPENAI_ENDPOINT`	否	OpenAI兼容端点（回退到 `AZURE_AI_PROJECT_ENDPOINT`)
`AZURE_OPENAI_COMPLETION_MODEL_NAME`	对于工作流工具	Foundry帐户中的完成模型部署名称
`AZURE_OPENAI_EMBEDDING_MODEL`	对于搜索/索引工具	嵌入模型部署名称（默认值： `text-embedding-3-small`)
`AZURE_OPENAI_EMBEDDING_DIMENSIONS`	否	嵌入向量大小（默认值： `1536`)
`AZURE_AI_SEARCH_ENDPOINT`	搜索/索引工具	Azure AI搜索服务端点URL
`AZURE_AI_SEARCH_INDEX_NAME`	否	搜索索引名称（默认值： `project-log-index`)
`APPLICATIONINSIGHTS_CONNECTION_STRING`	否	遥测的Application Insights连接字符串

备注 –通过部署时 azd up，所有这些值都将写入 .env 自动通过 infra/write_env.sh.用于当地开发运行 az login 和使用 DefaultAzureCredential；不需要API密钥。

Claude桌面配置

将以下内容添加到您的 claude_desktop_config.json:

{
  "mcpServers": {
    "foundry-agents": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/denniszielke/foundry-agents-mcp-server@main", "foundry-agents-mcp-server"],
      "env": {
        "AZURE_AI_PROJECT_ENDPOINT": "https://...",
        "AZURE_AI_SEARCH_ENDPOINT": "https://...",
        "AZURE_OPENAI_ENDPOINT": "https://..."
      }
    }
  }
}

工具参考和示例提示

代理命名空间

`agents_list_agents`

列出Foundry项目中可用的所有代理和工作流，包括其 ID、模型、描述和工具功能。

示例提示

“项目中有哪些代理？”
“列出我可以调用的所有AI工作流”
“向我展示这个Foundry项目中的代理及其能力”

`agents_invoke_agent`

异步调用代理或工作流。返回一个 调用ID 到跟踪进度。

参数	类型	说明
`agent_id`	string	来自的代理ID `agents_list_agents`
`task`	string	任务描述或问题
`file_context`	string（可选）	作为上下文的其他文本或文件内容

示例提示

“问代理人 <agent_id> 总结最新的Azure AI公告”
“用任务调用研究工作流程：分析人工智能服务的竞争格局”
“将此文档发送给分析代理，并将文件文本作为上下文包含在内： <text>"

`agents_get_invocation_status`

检查代理调用是否仍在运行或已完成。

参数	类型	说明
`invocation_id`	string	调用ID来自 `agents_invoke_agent`

可能的状态: queued, in_progress, requires_action, cancelling, cancelled, failed, completed, expired

示例提示

“检查调用状态 <invocation_id>"
“我的代理任务完成了吗？ID: <invocation_id>"
“工作流是否仍在运行以供调用 <invocation_id>?"

`agents_get_invocation_result`

从已完成的调用中检索文本（和文件引用）输出。

参数	类型	说明
`invocation_id`	string	调用ID来自 `agents_invoke_agent`

示例提示

“从调用中获取结果 <invocation_id>"
“代理人拿什么身份证回来了 <invocation_id>?"
“显示已完成工作流的输出： <invocation_id>"

搜索命名空间

`search_vector_db`

对项目日志索引执行语义（向量）搜索。

参数	类型	说明
`query`	string	自然语言搜索查询
`top_k`	integer（可选）	结果数（默认值：5）

示例提示

“查找与Azure Kubernetes服务相关的项目日志”
“搜索关于机器学习的研讨会摘要”
“哪些会议讨论了安全架构？”
“查找有关微服务的博客文章，返回前10名结果”

`search_add_to_vector_db`

将文档添加到项目日志向量索引中。内容自动嵌入并存储在元数据旁边。

参数	类型	说明
`title`	string	文档标题
`content`	string	要嵌入和索引的主文本
`entry_type`	string（可选）	`workshop`, `meeting`, `blog`，或 `repo` （默认值： `meeting`)
`customer_name`	string（可选）	客户或组织名称
`short_summary`	string（可选）	简要概述
`project_name`	string（可选）	关联的项目名称
`tags`	string（可选）	逗号分隔的标签（例如。 `"azure,kubernetes"`)
`reference_url`	string（可选）	源URL
`architecture`	string（可选）	JSON或XML格式的架构图

示例提示

“将此会议摘要添加到矢量数据库：title='Azure Workshop'，content='…'”
“存储有关我们Kubernetes迁移讨论的新项目日志条目”
“用标签索引这篇博客文章：azure、容器、devops”

索引命名空间

`index_create_project_log_index`

使用正确的架构和HNSW创建项目日志Azure AI搜索索引矢量配置。索引已存在时可以安全调用。

架构字段

字段	类型	注释
`id`	字符串（键）	自动生成的UUID
`title`	字符串	可搜索、可过滤、可排序
`type`	字符串	可过滤、可分面(`workshop`, `meeting`, `blog`, `repo`)
`customer_name`	字符串	可过滤、可分面
`short_summary`	字符串	可搜索
`context`	字符串	可搜索（全文）
`context_vector`	集合（单个）	HNSW矢量搜索字段
`project_name`	字符串	可过滤、可分面
`tags`	集合（字符串）	可筛选、可分面
`reference_url`	字符串	可搜索
`architecture`	字符串	可搜索
`creation_date`	DateTimeOffset	可过滤、可排序
`modified_date`	DateTimeOffset	可过滤、可排序

示例提示

“设置项目日志搜索索引”
“创建Azure AI搜索索引以存储项目摘要”
“初始化项目日志的矢量数据库架构”

`index_ingest_project_log`

将单个项目日志条目引入索引。索引已创建如果它不存在，则自动执行。

参数	类型	说明
`title`	string	日志条目标题
`entry_type`	字符串	`workshop`, `meeting`, `blog`，或 `repo`
`customer_name`	string	客户或组织名称
`short_summary`	string	简要总结（1-2句话）
`context`	string	完整上下文文本（将嵌入）
`project_name`	string（可选）	项目名称
`tags`	string（可选）	逗号分隔的标签
`reference_url`	string（可选）	源URL
`architecture`	string（可选）	JSON或XML格式的架构图

示例提示

“添加研讨会日志：title='Azure AI Day'，entry_type='workshop'，customer_name='Contoso'，context='…'”
“索引有关云迁移项目的新会议摘要”
使用标签存储此仓库文档：python、mcp、azure

示例代理和工作流程

这 foundry_agents 该包提供了两个示例代理和一个管道工作流其独立于MCP服务器工作。

将代理部署到Azure AI Foundry

在您的Foundry项目中注册示例代理（然后它们会出现在 agents_list_agents 并且可以通过以下方式调用 agents_invoke_agent):

deploy-case-study-agent      # registers CaseStudyAgent
deploy-architecture-agent    # registers ArchitectureAgent

运行项目日志工作流

获取Microsoft客户故事，提取元数据，生成架构图表，并将所有内容存储在向量索引中——所有这些都在一个命令中：

run-project-log-workflow \
  --url "https://www.microsoft.com/en/customers/story/25676-commerzbank-ag-azure-ai-foundry-agent-service" \
  --project "Commerzbank AI Platform"

或者从MCP服务器触发相同的管道：

Run the project log workflow for https://www.microsoft.com/en/customers/story/...

工作流程 自动使用已部署的Foundry代理 如果可用，以及否则，将退回到直接的Azure OpenAI推理。

部署到Azure容器应用程序

服务器可以部署到 Azure容器应用 只需一个命令使用 Azure开发者命令行界面（azd）.

配置什么

资源	目的
虚拟网络	容器应用程序环境（始终）运行Direct3D集成
容器应用程序环境	托管MCP服务器；集 `USE_PRIVATE_INGRESS=true` 仅供内部访问
Azure容器注册表	存储Docker映像
日志分析+应用洞察	遥测和分布式跟踪
Azure AI Foundry（AIServices+项目）	代理API+模型部署（完成+嵌入）
Azure AI搜索	项目日志的矢量搜索索引
用户分配的托管身份	无密码身份验证-分配的Azure AI开发人员、认知服务OpenAI用户、搜索索引数据贡献者和AcrPull角色

Infra文件夹结构

infra/
  abbreviations.json          ← Azure resource name prefixes
  main.bicep                  ← Subscription-scoped orchestrator
  main.parameters.json        ← azd parameter file
  ai/
    foundry.bicep             ← AIServices account + Foundry project + model deployments
    search.bicep              ← Azure AI Search
  app/
    server.bicep              ← MCP server Container App + identity
  core/
    host/
      vnet.bicep              ← VNet with aca-apps subnet (always deployed)
      container-apps.bicep    ← Environment + registry orchestration
      container-apps-environment.bicep  ← Managed environment (usePrivateIngress flag)
      container-app.bicep     ← Container App with health probes + role assignments
      container-app-upsert.bicep
      container-registry.bicep
    monitor/
      monitoring.bicep        ← Log Analytics + Application Insights
      loganalytics.bicep
      applicationinsights.bicep
    security/
      foundry-access.bicep    ← Azure AI Developer + Cognitive Services OpenAI User
      registry-access.bicep   ← AcrPull
      search-access.bicep     ← Search Index Data Contributor

快速部署

# 1. Login
azd auth login

# 2. Create an azd environment
azd env new foundry-mcp
azd env set AZURE_LOCATION swedencentral   # or eastus2, westus3, northcentralus

# 3. (Optional) private ingress – accessible only from within the VNet
azd env set USE_PRIVATE_INGRESS true

# 4. Provision infrastructure (no local Docker required)
azd up

azd up 将：

提供所有资源（ExpressRoute、容器应用程序、Foundry、搜索、监控）
跑 infra/write_env.sh 填充 .env 所有端点值

构建和部署容器

容器映像是使用Azure容器注册表（ACR）远程构建的 不需要本地Docker安装.之后 azd up 已配置基础设施，运行：

# Build in ACR and deploy the Container App
./azd-hooks/deploy.sh foundry-mcp   # pass your azd environment name

脚本将：

通过ACR远程构建Docker镜像 az acr build
通过二头肌部署部署容器应用程序(infra/app/server.bicep)
打印MCP服务器URL

私人入口

当 USE_PRIVATE_INGRESS=true 容器应用程序环境配置为 internal: true 并且容器应用程序入口设置为 external: falseThe 然后，MCP服务器只能从ExpressRoute内访问（例如通过跳转主机， VPN或同一环境中的另一个容器应用程序）。

将VS代码副本连接到部署的服务器

# Find the URL
cat .env | grep MCP_SERVER_URL

在VS代码中打开命令面板→ MCP：添加服务器 → 超文本传输协议.
输入URL .env （例如。 https://<app-fqdn>/mcp).
所有10个Foundry Agent工具现在都可以在Copilot Chat中使用。

使用HTTP传输在本地运行

# Start the HTTP server (same code, same image)
uvicorn foundry_agents_mcp.server:http_app --host 0.0.0.0 --port 8000

# Test the health probe
curl http://localhost:8000/health
# → {"status":"healthy","service":"foundry-agents-mcp-server"}

监控

当以下情况发生时，OpenTetry跟踪会自动启用 APPLICATIONINSIGHTS_CONNECTION_STRING 已设置。每个MCP工具调用和HTTP 通过以下方式跟踪请求 azure-monitor-opentelemetry.

azd monitor   # open the Application Insights dashboard in the portal

拆除

azd down

发展

# Clone and install in editable mode
git clone https://github.com/denniszielke/foundry-agents-mcp-server
cd foundry-agents-mcp-server
pip install -e ".[dev]"

# Run locally (stdio)
python -m foundry_agents_mcp

许可证

麻省理工学院

使用说明

Foundry代理MCP服务器

存储库布局

MCP工具命名空间

先决条件

快速开始使用uvx

配置

Claude桌面配置

工具参考和示例提示

代理命名空间

agents_list_agents

agents_invoke_agent

agents_get_invocation_status

agents_get_invocation_result

搜索命名空间

search_vector_db

search_add_to_vector_db

索引命名空间

index_create_project_log_index

index_ingest_project_log

示例代理和工作流程

将代理部署到Azure AI Foundry

运行项目日志工作流

部署到Azure容器应用程序

配置什么

Infra文件夹结构

快速部署

构建和部署容器

私人入口

将VS代码副本连接到部署的服务器

使用HTTP传输在本地运行

监控

拆除

发展

许可证

相关 MCP

网页抓取与搜索MCP服务器

开源嵌入数据库

Unity MCP AI游戏开发工具

用户名搜索MCP服务器

Jupyter笔记本MCP服务器

世界情报MCP服务器

`agents_list_agents`

`agents_invoke_agent`

`agents_get_invocation_status`

`agents_get_invocation_result`

`search_vector_db`

`search_add_to_vector_db`

`index_create_project_log_index`

`index_ingest_project_log`