Verfügbare Tools und Beispielaufforderungen für Foundry MCP Server (Vorschau)

Foundry MCP Server macht 38 Tools in 10 Kategorien verfügbar, mit denen Sie Agents, Datasets, Auswertungen, Modellbereitstellungen und vieles mehr verwalten können – alles über Unterhaltungsaufforderungen anstelle von API-Aufrufen. Verwenden Sie diese Referenz, um jedes Tool zu erkunden und die Beispielaufforderungen in Ihrem eigenen Projekt auszuprobieren.

Tip

Bevor Sie diese Tools verwenden, schließen Sie das Setup des Foundry MCP-Servers ab.

Note

Dieses Feature befindet sich derzeit in der öffentlichen Vorschau. Diese Vorschau wird ohne Vereinbarung auf Serviceebene bereitgestellt und wird für Produktionsworkloads nicht empfohlen. Bestimmte Features werden möglicherweise nicht unterstützt oder weisen eingeschränkte Funktionen auf. Weitere Informationen finden Sie unter Supplementale Nutzungsbedingungen für Microsoft Azure Previews.

Funktionsweise von Tools

Wenn Sie eine Eingabeaufforderung mit natürlicher Sprache in einem MCP-kompatiblen Client eingeben (z. B. GitHub Copilot Agentmodus), wählt das Sprachmodell das entsprechende Tool aus und formuliert die erforderlichen Parameter in Ihrem Auftrag. Sie rufen tools nicht direkt auf– Sie beschreiben, was Sie wünschen, und das Modell übersetzt Ihre Absicht in einen Toolaufruf.

Jedes Tool wird als gelesen klassifiziert (Informationen abgerufen) oder schreiben (erstellt, aktualisiert oder löscht Ressourcen). Schreibvorgänge wirken sich sofort auf Liveressourcen und Abrechnung aus. Überprüfen Sie die bewährten Methoden für die Sicherheit, bevor Sie Schreibvorgänge ausführen.

Permissions

Alle Vorgänge werden mit den Berechtigungen des authentifizierten Benutzers über den Microsoft Entra ID On-Behalf-Of-Fluss ausgeführt. Sie benötigen die folgenden Rollen:

Operation type Minimale Azure Rolle Notes
Read tools Leser im Foundry-Projekt oder -Konto Ausreichend zum Auflisten, Abfragen und Überwachen.
Write tools Mitwirkender für das Foundry-Projekt oder -Konto Erforderlich für das Erstellen, Aktualisieren und Löschen von Ressourcen.
Administrator für bedingten Zugriff Conditional Access Administrator in Entra ID Nur erforderlich, wenn Zugriffsrichtlinien auf Mandantenebene konfiguriert werden.

Weitere Informationen finden Sie unter Role-based access control for Microsoft Foundry.

Key identifiers

Viele Tools erfordern Ressourcenbezeichner. Das Sprachmodell extrahiert diese aus Ihrem Eingabeaufforderungskontext, hilft aber dabei, die Formate zu kennen:

Identifier Format Wo finde ich sie?
Foundry-Ressourcen-ID /subscriptions/{sub_id}/resourceGroups/{rg}/providers/Microsoft.CognitiveServices/accounts/{account} Azure Portal Propertiesseite
Project endpoint https://{account}.services.ai.azure.com/api/projects/{project} Detailseite des Foundry-Projekts
Project Ressourcen-ID /subscriptions/{sub_id}/resourceGroups/{rg}/providers/Microsoft.CognitiveServices/accounts/{account}/projects/{project} Azure Portal Propertiesseite

Agent management

Verwalten Sie den vollständigen Lebenszyklus von Agents in einem Foundry-Projekt, einschließlich Erstellung, Aufruf, Container-Orchestrierung und Löschung.

Example prompts:

  • "Alle Agents in meinem Foundry-Projekt auflisten."
  • "Erstellen Sie einen neuen Agent mit dem Namen faq-agent " gpt-4o-miniModell".
  • "Hallo, wie können Sie helfen?' zu meinem customer-support-agent."
  • "Starten Sie den Container für meinen gehosteten Agent triage-agent."
  • "Überprüfen Sie den Containerstatus für triage-agent."
  • "Anzeigen des Agentdefinitionsschemas für Eingabeaufforderungs-Agents."
  • "Löschen sie aus old-test-agent meinem Projekt."
Tool Access Description Key inputs Returns
agent_get read Listet alle Agents in einem Foundry-Projekt auf, oder rufen Sie einen bestimmten Agent anhand des Namens ab. Agentname (optional) Agentliste oder Einzel-Agent-Definition mit Modell, Anweisungen und Toolkonfiguration.
agent_update write Erstellen, Aktualisieren oder Klonen eines Agents Wird agent_definition_schema_get verwendet, um zuerst das vollständige Definitionsschema zu ermitteln. Agentname, Modell, Anweisungen, Tooldefinitionen Erstellte oder aktualisierte Agentdefinition.
agent_invoke write Senden Sie eine Nachricht an einen Agent, und erhalten Sie eine Antwort. Funktioniert sowohl für eingabeaufforderungsbasierte als auch für gehostete Container-Agents. Agentname, Nachrichtentext Agent-Antwortnachricht.
agent_delete write Löscht einen Agent endgültig. Bei gehosteten Agents löscht dies auch den Container. Agent name Deletion confirmation.
agent_container_control write Starten oder Beenden eines gehosteten Agent-Containers. Verwenden Sie diese Methode, bevor Sie einen gehosteten Agent aufrufen. Agentname, Aktion (Start oder Beenden) Containervorgangsstatus.
agent_container_status_get read Überprüfen Sie den aktuellen Status eines gehosteten Agent-Containers (Start, Ausführen, Beendet, Fehlgeschlagen usw.). Agent name Aktueller Containerstatus.
agent_definition_schema_get read Geben Sie das vollständige JSON-Schema für Agentdefinitionen einschließlich aller Tooltypen zurück. None Vollständiges JSON-Schema für Agentdefinitionen.

Dataset management

Erstellen, Abrufen und Versionsauswertungs-Datasets in einem Foundry-Projekt.

Example prompts:

  • "Meine Kundensupport-F& hochladen Ein Dataset aus dieser Azure Blob Storage-URL."
  • "Alle Datasets in meinem Foundry-Projekt anzeigen."
  • "Details für die customer-support-qa Datasetversion 2 abrufen."
  • "Alle Versionen meines product-reviews Datasets auflisten."
Tool Access Description Key inputs Returns
evaluation_dataset_create write Erstellen oder Aktualisieren einer Datasetversion aus einem Azure Blob Storage-URI. Datasetname, Version, Blob Storage URI Datasetmetadaten mit Name, Version und URI.
evaluation_dataset_get read Rufen Sie ein Dataset anhand des Namens und der Version ab, oder listen Sie alle Datasets im Projekt auf. Datasetname und -version (optional) Datasetdetails oder Eine Liste aller Datasets.
evaluation_dataset_versions_get read Listet alle Versionen eines bestimmten Datasets auf. Dataset name Liste der Versionsnummern mit Metadaten.

Evaluation operations

Führen Sie Batchauswertungen für Agents oder Datasets aus, und vergleichen Sie die Ergebnisse für die ausführungsübergreifend.

Example prompts:

  • "Bewerten Sie meine customer-support-agent v2 mithilfe von Relevanz-, Erdheits- und Kohärenz-Evaluatoren."
  • "Führen Sie eine Batchauswertung auf meinem JSONL-Dataset mit Gewalt- und HateUnfairness-Bewertungen aus."
  • "Generieren Sie 50 synthetische Testabfragen, und bewerten Sie meinen Agent mit ihnen."
  • "Alle Auswertungen in meinem Foundry-Projekt anzeigen."
  • "Vergleich von Run-Baseline-123 mit Behandlungsläufen von Run-124 und Run-125."
Tool Access Description Key inputs Returns
evaluation_agent_batch_eval_create write Erstellen Sie eine Batchauswertung, die einen bestimmten Agent aufruft. Unterstützt integrierte und benutzerdefinierte Bewerter sowie synthetische Datengenerierung. Agentname/Version, Evaluatornamen, Dataset (optional für synthetische Generation), Anzahl synthetischer Abfragen (optional) Auswertungsausführungs-ID und Status.
evaluation_dataset_batch_eval_create write Erstellen Sie eine Batchauswertung für ein JSONL-Dataset. Unterstützt integrierte und benutzerdefinierte Bewerter. Datasetname/Version, Evaluatornamen Auswertungsausführungs-ID und Status.
evaluation_get read Die Listenauswertung wird im Foundry-Projekt ausgeführt. Auswertungsausführungs-ID (optional) Liste der Auswertungsläufe mit Status und Bewertungen oder Details für eine bestimmte Ausführung.
evaluation_comparison_create write Erstellen Sie Vergleichsergebnisse zwischen einer Basis- und Behandlungsauswertung. Geplante Ausführungs-ID, Behandlungslauf-IDs Vergleichserblick-ID.
evaluation_comparison_get read Abrufen oder Listenauswertungsvergleichserkenntnisse. Vergleichserblick-ID (optional) Vergleichsergebnisse mit statistischer Analyse.

Evaluator catalog

Durchsuchen Sie integrierte Auswertungen, und verwalten Sie benutzerdefinierte Auswertungen für die Verwendung in Auswertungsläufen.

Example prompts:

  • "Alle integrierten Bewerter auflisten, die in meinem Projekt verfügbar sind."
  • "Zeigen Sie mir die vollständige Definition des coherence Evaluators an."
  • "Erstellen Sie einen benutzerdefinierten eingabeaufforderungsbasierten Evaluator, der als Ergebnisantworten auf einer Skala von 1 bis 5 bezeichnet tone-check wird."
  • "Aktualisieren Sie die Beschreibung meines tone-check Evaluators."
  • "Lösche Version 1 von meinem old-evaluator."
Tool Access Description Key inputs Returns
evaluator_catalog_get read Auflisten von Bewertern im Katalog oder Abrufen der vollständigen Definition eines bestimmten Evaluators. Filtern nach integriertem oder benutzerdefiniertem Typ. Evaluatorname (optional), Typfilter (integriert oder benutzerdefiniert, optional) Evaluator-Liste oder vollständige Auswertungsdefinition mit Bewertungslogik.
evaluator_catalog_create write Erstellen Sie einen benutzerdefinierten eingabeaufforderungsbasierten oder codebasierten Evaluator. Evaluatorname, Typ (Eingabeaufforderung oder Code), Definition Evaluator-Metadaten erstellt.
evaluator_catalog_update write Aktualisieren von Metadaten (Anzeigename, Beschreibung, Kategorie) für einen vorhandenen benutzerdefinierten Bewerter. Evaluatorname, zu aktualisierende Felder Aktualisierte Evaluator-Metadaten.
evaluator_catalog_delete write Löschen Sie eine bestimmte Version eines benutzerdefinierten Evaluators. Evaluatorname, Version Deletion confirmation.

Modellkatalog und Details

Erkunden Und abrufen Sie Details zu Modellen im Foundry-Modellkatalog.

Example prompts:

  • "Alle GPT-5.4-Modelle anzeigen, die im Katalog verfügbar sind."
  • "Alle Microsoft veröffentlichten Modelle mit MIT-Lizenz auflisten."
  • "Erhalten Sie detaillierte Informationen und Codebeispiele für GPT-5-mini."
Tool Access Description Key inputs Returns
model_catalog_list read Auflisten von Modellen aus dem Foundry-Modellkatalog mit optionalen Filtern (Herausgeber, Lizenz, Aufgabe). Suchstichwörter, Herausgeber, Lizenztyp, Aufgabentyp (alle optional) Liste der Modelle mit Name, Herausgeber, Lizenz und Funktionen.
model_details_get read Erhalten Sie vollständige Modelldetails und Codebeispiele. Modellname oder -ID Modellspezifikationen, Preise, unterstützte Regionen und Codebeispiele.

Modellbereitstellungsverwaltung

Bereitstellen, Prüfen und Entfernen von Modellbereitstellungen in einem Foundry-Konto.

Example prompts:

  • "Bereitstellen von GPT-5-mini wie production-chatbot bei 20 Kapazitätseinheiten."
  • "Alle meine aktuellen Modellbereitstellungen anzeigen."
  • "Löschen Sie das old-test-deployment , was ich nicht mehr verwende."
Tool Access Description Key inputs Returns
model_deploy write Erstellen oder Aktualisieren einer Modellbereitstellung mit angegebener Kapazität. Modellname, Bereitstellungsname, Kapazitätseinheiten Bereitstellungsdetails mit Endpunkt und bereitgestellter Kapazität.
model_deployment_get read Rufen Sie eine oder mehrere Modellbereitstellungen aus einem Foundry-Konto ab. Bereitstellungsname (optional) Liste der Bereitstellungsdetails oder einzelner Bereitstellungsdetails mit Status und Kontingent.
model_deployment_delete write Löschen Sie eine bestimmte Modellbereitstellung anhand des Namens. Deployment name Deletion confirmation.

Modellanalyse und Empfehlungen

Vergleichen Sie Modell-Benchmarks und erhalten Sie Empfehlungen für den Wechsel zu kostengünstigeren oder qualitativ hochwertigen Modellen.

Example prompts:

  • "Zeigen Sie mir Benchmarkdaten für alle verfügbaren Modelle an."
  • "Vergleich der Benchmark-Leistung zwischen GPT-5.4 und GPT-4."
  • "Suchen Sie Modelle, die meiner aktuellen GPT-4-Bereitstellung ähneln."
  • "Welche Modelle würden mir ein besseres Qualitäts-/Kostenverhältnis geben als das, was ich jetzt verwende?"
Tool Access Description Key inputs Returns
model_benchmark_get read Abrufen von Benchmarkdaten für Foundry-Modelle. Modellfilter (optional) Benchmarkbewertungen, Genauigkeit, Kosten und Latenzmetriken.
model_benchmark_subset_get read Rufen Sie Benchmarkdaten für bestimmte Modellnamen und Versionspaare ab. Modellname und Versionspaare Benchmark-Vergleichsdaten für angegebene Modelle.
model_similar_models_get read Suchen Sie ähnliche Modelle basierend auf Bereitstellungs- oder Modelldetails. Bereitstellungsname oder Modellname Liste ähnlicher Modelle mit Funktionsvergleich.
model_switch_recommendations_get read Abrufen von Modellwechselempfehlungen basierend auf Benchmarkdaten. Aktueller Bereitstellungsname Empfohlene Modelle mit Qualitäts-/Kosten-Kompromissanalyse.

Modellüberwachung und -betrieb

Verfolgen Sie den Bereitstellungsstatus, überwachen Sie Metriken, überprüfen Sie den Status der Veraltetkeit, und zeigen Sie die Kontingentnutzung an.

Example prompts:

  • "Zeigen Sie mir die Anforderungsmetriken für meine production-chatbot Bereitstellung an."
  • "Überprüfen Sie, ob eine meiner Bereitstellungen veraltete Modellversionen verwendet."
  • "Kontingentnutzung in allen Regionen für mein Abonnement anzeigen."
Tool Access Description Key inputs Returns
model_monitoring_metrics_get read Rufen Sie Überwachungsmetriken (Anforderungen, Latenz, Fehler, Kontingent) für eine Modellbereitstellung ab. Bereitstellungsname, Zeitraum (optional) Anforderungsanzahl, Latenz quantile, Fehlerraten und Tokenverwendung.
model_deprecation_info_get read Erhalten Sie Bereitstellungsinformationen, die durch veraltete und eingestellte Zeitpläne erweitert werden. Bereitstellungsname (optional) Bereitstellungsdetails mit veralteten Datumsangaben und vorgeschlagenen Ersetzungen.
model_quota_list read Auflisten des verfügbaren Bereitstellungskontingents und der Verwendung für ein Abonnement in einer Region. Region (optional) Kontingentbeschränkungen, aktuelle Nutzung und verfügbare Kapazität pro Modellfamilie.

Project connections

Verwalten Von Verbindungen zu externen Diensten (Azure OpenAI, Azure Blob Storage, Suchen und anderen) innerhalb eines Foundry-Projekts.

Example prompts:

  • "Alle Verbindungen in meinem Foundry-Projekt auflisten."
  • "Zeigen Sie mir die Details für meine azure-search Verbindung an."
  • "Welche Verbindungstypen und Authentifizierungsmethoden werden unterstützt?"
  • "Erstellen Sie eine neue AzureOpenAI-Verbindung, die mit AAD-Authentifizierung aufgerufen wird my-openai ."
  • "Die Verbindung aus meinem Projekt löschen old-storage ."
Tool Access Description Key inputs Returns
project_connection_list read Auflisten aller Verbindungen in einem Foundry-Projekt mit optionaler Filterung nach Kategorie oder Ziel. Kategoriefilter, Zielfilter (beide optional) Liste der Verbindungen mit Name, Typ und Status.
project_connection_get read Rufen Sie eine bestimmte Verbindung anhand des Namens ab. Connection name Verbindungsdetails, einschließlich Kategorie, Ziel und Authentifizierungstyp.
project_connection_list_metadata read Listet alle unterstützten Verbindungskategorien und Authentifizierungstypen auf. Rufen Sie diese zuerst auf, um gültige Werte zu ermitteln. None Unterstützte Kategorien (z. B. AzureOpenAI, AzureBlobStorage) und Authentifizierungstypen (z. B. AAD, Schlüssel).
project_connection_create write Erstellen oder Ersetzen einer Projektverbindung Verbindungsname, Kategorie, Ziel, Authentifizierungstyp Verbindungsdetails erstellt.
project_connection_update write Aktualisieren einer vorhandenen Projektverbindung. Verbindungsname, zu aktualisierende Felder Aktualisierte Verbindungsdetails.
project_connection_delete write Löschen Sie eine Projektverbindung anhand des Namens. Connection name Deletion confirmation.

Prompt optimization

Optimieren Sie Systemaufforderungen und Entwicklermeldungen für eine bessere LLM-Leistung.

Example prompts:

  • "Optimieren Sie meine Systemaufforderung: "Sie sind ein hilfreicher Kundendienstmitarbeiter."gpt-5.4
  • "Verbessern Sie meine Agent-Anweisungen, um präzisere Antworten zu erhalten."
  • "Verfeinern Sie meine optimierte Aufforderung, um auch Nachverfolgungsfragen zu behandeln."
Tool Access Description Key inputs Returns
prompt_optimize write Optimieren Sie eine Entwickleraufforderung (Systemmeldung) für eine bessere LLM-Leistung mithilfe des Azure OpenAI Prompt Optimizer. Eingabeaufforderungstext, Zielmodell, Einschränkungsanweisungen (optional) Optimierter Eingabeaufforderungstext mit Erläuterung von Änderungen.

Example workflows

Agentauswertungsworkflow:

  1. "Alle Agents in meinem Projekt auflisten."
  2. "Bewerten Sie meine customer-support-agent v2 mithilfe von Relevanz-, Erdheits- und Sicherheitsbewertungen."
  3. "Vergleichen Sie meine Basisplanauswertung mit der neuen Ausführung."
  4. "Zeigen Sie mir die Vergleichsergebnisse mit statistischer Signifikanz."

Modellbereitstellung und Optimierung:

  1. "Alle GPT-5.4-Modelle anzeigen, die im Katalog verfügbar sind."
  2. "Bereitstellen von GPT-5.4 wie customer-service-bot bei 15 Kapazitätseinheiten."
  3. "Überwachen der Anforderungslatenz für meine neue Bereitstellung."
  4. "Empfehlen Sie kostengünstigere Alternativen basierend auf der aktuellen Nutzung."

Ressourcenverwaltung und Bereinigung:

  1. "Alle meine aktuellen Bereitstellungen und deren Nutzung auflisten."
  2. "Überprüfen Sie, welche Bereitstellungen veraltete Modellversionen verwenden."
  3. "Meine Kontingentnutzung in allen Regionen anzeigen."
  4. "Löschen Sie nicht verwendete Testbereitstellungen, um Kapazität freizugeben."

Preview limitations

Foundry MCP Server befindet sich in der öffentlichen Vorschau. Die folgenden Einschränkungen gelten:

  • Keine Netzwerkisolation – Foundry MCP Server verwendet den öffentlichen Endpunkt https://mcp.ai.azure.com. Auf Ressourcen hinter Azure private Links kann nicht zugegriffen werden. Für private MCP-Konnektivität erstellen Sie Ihren eigenen MCP-Server , und verbinden Sie ihn mit dem Agent-Dienst mit privatem Netzwerk.
  • Data Residency – Anfragen und Antworten können in EU- oder US-Rechenzentren verarbeitet werden. Der Server selbst speichert keine Daten, aber die regionsübergreifende Verarbeitung kann auftreten.
  • Kein SLA – Vorschaufeatures enthalten keine Vereinbarung auf Serviceebene. Verwenden Sie den Server nicht für Produktionsworkloads, die eine garantierte Verfügbarkeit erfordern.
  • Der Toolsatz kann sich ändern – Tools, Parameter und Rückgabewerte können sich während des Vorschauzeitraums ohne Vorherige Ankündigung ändern.

Weitere Informationen finden Sie unter Supplementale Nutzungsbedingungen für Microsoft Azure Previews.

Common errors

Error Cause Resolution
Access denied Unzureichende Azure RBAC-Rolle für das Foundry-Projekt oder -Konto. Weisen Sie mindestens Lesetools oder Mitwirkenden für Schreibtools zu. Siehe RBAC für Microsoft Foundry.
Authentication failure Abgelaufenes oder ungültiges Entra ID-Token. Melden Sie sich ab, und melden Sie sich bei Ihrem Azure Konto in Visual Studio Code oder dem tool an, das Sie verwenden.
Quota exceeded Nicht genügend Kapazität, um eine Bereitstellung zu erstellen oder eine Auswertung auszuführen. Wird verwendet model_quota_list , um das verfügbare Kontingent vor dem Vorgang zu überprüfen.
Ressource nicht gefunden Die angegebene Bereitstellung, das Dataset, der Agent oder die Angegebene Verbindung ist nicht vorhanden. Verwenden Sie das entsprechende get Tool, list um den Ressourcennamen zu überprüfen.
Privater Endpunkt ist nicht erreichbar Foundry-Ressourcen verwenden Azure privaten Links, die der gehostete Foundry MCP-Server nicht erreichen kann. Entfernen Sie Einschränkungen für private Endpunkte, verwenden Sie SDKs/REST-APIs, oder verwenden Sie einen benutzerdefinierten MCP-Server mit privatem AgentDienst-Netzwerk.

Weitere Anleitungen zur Problembehandlung finden Sie unter Foundry MCP Server-Sicherheit und bewährte Methoden.

Related content

  • Last updated on