Outils disponibles et exemples d’invites pour Foundry MCP Server (préversion)

Foundry MCP Server expose 38 outils sur 10 catégories qui vous permettent de gérer des agents, des jeux de données, des évaluations, des déploiements de modèles, etc. via des invites conversationnelles au lieu d’appels d’API. Utilisez cette référence pour explorer chaque outil et essayer l’exemple d’invite dans votre propre projet.

Tip

Avant d’utiliser ces outils, effectuez la configuration du serveur Foundry MCP.

Note

Cette fonctionnalité est actuellement en préversion publique. Cette préversion est fournie sans contrat de niveau de service et nous ne le recommandons pas pour les charges de travail de production. Certaines fonctionnalités peuvent ne pas être prises en charge ou avoir des fonctionnalités contraintes. Pour plus d’informations, consultez Supplemental Conditions d’utilisation pour les préversions Microsoft Azure.

Fonctionnement des outils

Lorsque vous tapez une invite en langage naturel dans un client compatible MCP (par exemple, GitHub Copilot Mode Agent), le modèle de langage sélectionne l’outil approprié et formule les paramètres requis en votre nom. Vous n’appelez pas directement des outils : vous décrivez ce que vous voulez, et le modèle traduit votre intention en un appel d’outil.

Chaque outil est classé en lecture (récupère des informations) ou en écriture (crée, met à jour ou supprime des ressources). Les opérations d’écriture affectent immédiatement les ressources actives et la facturation. Passez en revue les bonnes pratiques de sécurité avant d’exécuter des opérations d’écriture.

Permissions

Toutes les opérations s'exécutent avec les autorisations de l'utilisateur authentifié via le flux Microsoft Entra ID activéBehalf-Of. Vous avez besoin des rôles suivants :

Operation type Rôle de Azure minimal Notes
Read tools Lecteur sur le projet ou le compte Foundry Suffit pour répertorier, interroger et surveiller.
Write tools Contributeur sur le projet ou le compte Foundry Obligatoire pour la création, la mise à jour et la suppression de ressources.
Administrateur de l’accès conditionnel Administrateur d’accès conditionnel dans Entra ID Nécessaire uniquement si vous configurez des stratégies d’accès au niveau du locataire.

Pour plus d’informations, consultez le contrôle d’accès Role pour Microsoft Foundry.

Key identifiers

De nombreux outils nécessitent des identificateurs de ressources. Le modèle de langage extrait ces éléments de votre contexte d’invite, mais il permet de connaître les formats suivants :

Identifier Format Où le trouver
ID de ressource Foundry /subscriptions/{sub_id}/resourceGroups/{rg}/providers/Microsoft.CognitiveServices/accounts/{account} Azure portail Properties page
Project endpoint https://{account}.services.ai.azure.com/api/projects/{project} Page détails du projet Foundry
ID de ressource Project /subscriptions/{sub_id}/resourceGroups/{rg}/providers/Microsoft.CognitiveServices/accounts/{account}/projects/{project} Azure portail Properties page

Agent management

Gérez le cycle de vie complet des agents dans un projet Foundry, notamment la création, l’appel, l’orchestration de conteneur et la suppression.

Example prompts:

  • « Répertorier tous les agents dans mon projet Foundry ».
  • « Créer un agent nommé faq-agent à l’aide du modèle gpt-4o-mini».
  • « Envoyer « Bonjour, comment pouvez-vous vous aider ? » à mon customer-support-agent."
  • « Démarrez le conteneur pour mon agent triage-agenthébergé ».
  • « Vérifiez l’état du conteneur pour triage-agent. »
  • « Afficher le schéma de définition de l’agent pour les agents d’invite ».
  • « Supprimer le old-test-agent projet ».
Tool Access Description Key inputs Returns
agent_get read Répertoriez tous les agents dans un projet Foundry ou obtenez un agent spécifique par nom. Nom de l’agent (facultatif) Liste d’agents ou définition d’agent unique avec le modèle, les instructions et la configuration des outils.
agent_update write Créez, mettez à jour ou clonez un agent. Permet agent_definition_schema_get de découvrir d’abord le schéma de définition complète. Nom de l’agent, modèle, instructions, définitions d’outils Création ou mise à jour de la définition de l’agent.
agent_invoke write Envoyez un message à un agent et obtenez une réponse. Fonctionne pour les agents de conteneur hébergés et basés sur des invites. Nom de l’agent, texte du message Message de réponse de l’agent.
agent_delete write Supprimez définitivement un agent. Pour les agents hébergés, cela supprime également le conteneur. Agent name Deletion confirmation.
agent_container_control write Démarrez ou arrêtez un conteneur d’agent hébergé. Utilisez avant d’appeler un agent hébergé. Nom de l’agent, action (démarrer ou arrêter) État de l’opération de conteneur.
agent_container_status_get read Vérifiez l’état actuel d’un conteneur d’agent hébergé (démarrage, exécution, arrêt, échec, etc.). Agent name État actuel du conteneur.
agent_definition_schema_get read Retourne le schéma JSON complet pour les définitions d’agent, y compris tous les types d’outils. None Schéma JSON complet pour les définitions d’agent.

Dataset management

Créez, récupérez et utilisant des jeux de données d’évaluation de version dans un projet Foundry.

Example prompts:

  • « Charger mon support client Q& Jeu de données à partir de cette URL Stockage Blob Azure. »
  • « Afficher tous les jeux de données dans mon projet Foundry ».
  • « Obtenir des détails pour le customer-support-qa jeu de données version 2 ».
  • « Répertorier toutes les versions de mon product-reviews jeu de données ».
Tool Access Description Key inputs Returns
evaluation_dataset_create write Créez ou mettez à jour une version de jeu de données à partir d’un URI de Stockage Blob Azure. Nom du jeu de données, version, URI Stockage Blob Métadonnées de jeu de données avec nom, version et URI.
evaluation_dataset_get read Obtenez un jeu de données par nom et version, ou répertoriez tous les jeux de données dans le projet. Nom et version du jeu de données (facultatif) Détails ou liste de tous les jeux de données.
evaluation_dataset_versions_get read Répertorier toutes les versions d’un jeu de données spécifique. Dataset name Liste des numéros de version avec des métadonnées.

Evaluation operations

Exécutez des évaluations par lots sur des agents ou des jeux de données et comparez les résultats entre les exécutions.

Example prompts:

  • « Évaluez mon customer-support-agent v2 à l’aide de la pertinence, de la base et des évaluateurs de cohérence. »
  • « Exécutez une évaluation par lots sur mon jeu de données JSONL avec les évaluateurs Violence et HateUnfairness. »
  • « Générez 50 requêtes de test synthétiques et évaluez mon agent avec eux. »
  • « Montrez-moi toutes les exécutions d’évaluation dans mon projet Foundry. »
  • « Comparer run-baseline-123 contre les exécutions de traitement run-124 et run-125. »
Tool Access Description Key inputs Returns
evaluation_agent_batch_eval_create write Créez une exécution d’évaluation par lots qui appelle un agent spécifique. Prend en charge les évaluateurs intégrés et personnalisés, ainsi que la génération de données synthétiques. Nom/version de l’agent, noms des évaluateurs, jeu de données (facultatif pour la génération synthétique), nombre de requêtes synthétiques (facultatif) ID et état de l’exécution de l’évaluation.
evaluation_dataset_batch_eval_create write Créez une évaluation par lots exécutée sur un jeu de données JSONL. Prend en charge les évaluateurs intégrés et personnalisés. Nom/version du jeu de données, noms des évaluateurs ID et état de l’exécution de l’évaluation.
evaluation_get read Répertorier les exécutions d’évaluation dans le projet Foundry. ID d’exécution d’évaluation (facultatif) Liste des exécutions d’évaluation avec l’état et les scores, ou des détails pour une exécution spécifique.
evaluation_comparison_create write Créez des résultats de comparaison entre une ligne de base et des exécutions d’évaluation du traitement. ID d’exécution de référence, ID d’exécution de traitement ID d’insight de comparaison.
evaluation_comparison_get read Obtenir ou répertorier des insights de comparaison d’évaluation. ID d’insight de comparaison (facultatif) Comparaison des résultats avec l’analyse statistique.

Evaluator catalog

Parcourez les évaluateurs intégrés et gérez les évaluateurs personnalisés pour une utilisation dans les exécutions d’évaluation.

Example prompts:

  • « Répertorier tous les évaluateurs intégrés disponibles dans mon projet. »
  • « Montrez-moi la définition complète de l’évaluateur coherence . »
  • « Créez un évaluateur personnalisé basé sur des invites appelé tone-check qui note les réponses sur une échelle de 1 à 5 ».
  • « Mettez à jour la description de mon tone-check évaluateur. »
  • « Supprimer la version 1 de ma old-evaluator. »
Tool Access Description Key inputs Returns
evaluator_catalog_get read Répertorier les évaluateurs dans le catalogue ou obtenir la définition complète d’un évaluateur spécifique. Filtrez par type intégré ou personnalisé. Nom de l’évaluateur (facultatif), filtre de type (intégré ou personnalisé, facultatif) Liste des évaluateurs ou définition complète de l’évaluateur avec une logique de scoring.
evaluator_catalog_create write Créez un évaluateur personnalisé basé sur des invites ou basé sur du code. Nom de l’évaluateur, type (invite ou code), définition Métadonnées de l’évaluateur créées.
evaluator_catalog_update write Mettez à jour les métadonnées (nom d’affichage, description, catégorie) pour un évaluateur personnalisé existant. Nom de l’évaluateur, champs à mettre à jour Métadonnées de l’évaluateur mises à jour.
evaluator_catalog_delete write Supprimez une version spécifique d’un évaluateur personnalisé. Nom de l’évaluateur, version Deletion confirmation.

Catalogue de modèles et détails

Explorez et obtenez des détails sur les modèles dans le catalogue de modèles Foundry.

Example prompts:

  • « Affichez-moi tous les modèles GPT-5.4 disponibles dans le catalogue. »
  • « Répertorier tous les modèles publiés Microsoft avec licence MIT. »
  • « Obtenez des informations détaillées et des exemples de code pour GPT-5-mini. »
Tool Access Description Key inputs Returns
model_catalog_list read Répertorier les modèles du catalogue de modèles Foundry avec des filtres facultatifs (éditeur, licence, tâche). Mots clés de recherche, éditeur, type de licence, type de tâche (tous facultatifs) Liste des modèles portant le nom, l’éditeur, la licence et les fonctionnalités.
model_details_get read Obtenez des détails complets du modèle et des exemples de code. Nom ou ID du modèle Spécifications de modèle, tarification, régions prises en charge et exemples de code.

Gestion du déploiement de modèles

Déployez, inspectez et supprimez des déploiements de modèles dans un compte Foundry.

Example prompts:

  • « Déployez GPT-5-mini avec production-chatbot 20 unités de capacité. »
  • « Affichez-moi tous mes déploiements de modèles actuels . »
  • « Supprimez le old-test-deployment que je n’utilise plus. »
Tool Access Description Key inputs Returns
model_deploy write Créez ou mettez à jour un déploiement de modèle avec une capacité spécifiée. Nom du modèle, nom du déploiement, unités de capacité Détails du déploiement avec point de terminaison et capacité provisionnée.
model_deployment_get read Obtenez un ou plusieurs déploiements de modèles à partir d’un compte Foundry. Nom du déploiement (facultatif) Liste des déploiements ou des détails de déploiement uniques avec l’état et le quota.
model_deployment_delete write Supprimez un déploiement de modèle spécifique par nom. Deployment name Deletion confirmation.

Analyse des modèles et recommandations

Comparez les benchmarks de modèle et obtenez des recommandations pour passer à des modèles plus rentables ou de qualité supérieure.

Example prompts:

  • « Afficher les données de benchmark pour tous les modèles disponibles ».
  • « Comparer les performances des benchmarks entre GPT-5.4 et GPT-4 ».
  • « Recherchez des modèles similaires à mon déploiement GPT-4 actuel. »
  • « Quels modèles me donneraient un meilleur rapport qualité/coût que ce que j’utilise maintenant ? »
Tool Access Description Key inputs Returns
model_benchmark_get read Récupérer des données de référence pour les modèles Foundry. Filtres de modèle (facultatif) Indicateurs de performance, précision, coût et métriques de latence.
model_benchmark_subset_get read Obtenez des données de référence pour des paires de modèles et de versions spécifiques. Paires de noms de modèle et de version Données de comparaison de benchmark pour les modèles spécifiés.
model_similar_models_get read Recherchez des modèles similaires en fonction des détails du déploiement ou du modèle. Nom du déploiement ou nom du modèle Liste des modèles similaires avec comparaison de fonctionnalités.
model_switch_recommendations_get read Obtenez des recommandations de commutateur de modèle en fonction des données d’évaluation. Nom du déploiement actuel Modèles recommandés avec une analyse de compromis qualité/coût.

Surveillance et opérations de modèle

Effectuez le suivi de l’intégrité du déploiement, surveillez les métriques, vérifiez l’état de dépréciation et affichez l’utilisation du quota.

Example prompts:

  • « Afficher les métriques de requête pour mon production-chatbot déploiement ».
  • « Vérifiez si l’un de mes déploiements utilise des versions de modèle déconseillées . »
  • « Afficher l’utilisation du quota dans toutes les régions de mon abonnement . »
Tool Access Description Key inputs Returns
model_monitoring_metrics_get read Obtenez des métriques de surveillance (demandes, latence, erreurs, quota) pour un déploiement de modèle. Nom du déploiement, intervalle de temps (facultatif) Nombre de demandes, centiles de latence, taux d’erreur et utilisation des jetons.
model_deprecation_info_get read Obtenez des informations de déploiement enrichies avec la dépréciation et les planifications de mise hors service. Nom du déploiement (facultatif) Détails du déploiement avec des dates de dépréciation et des remplacements suggérés.
model_quota_list read Répertoriez le quota de déploiement et l’utilisation disponibles pour un abonnement dans une région. Region (optional) Limites de quota, utilisation actuelle et capacité disponible par famille de modèles.

Project connections

Gérez les connexions à des services externes (Azure OpenAI, Stockage Blob Azure, recherche et autres) dans un projet Foundry.

Example prompts:

  • « Répertorier toutes les connexions dans mon projet Foundry ».
  • « Affichez-moi les détails de ma azure-search connexion . »
  • « Quels sont les types de connexion et les méthodes d’authentification pris en charge ? »
  • « Créer une connexion AzureOpenAI appelée my-openai à l’aide de l’authentification AAD ».
  • « Supprimer la old-storage connexion de mon projet ».
Tool Access Description Key inputs Returns
project_connection_list read Répertorier toutes les connexions dans un projet Foundry, avec filtrage facultatif par catégorie ou cible. Filtre de catégorie, filtre cible (tous deux facultatifs) Liste des connexions portant le nom, le type et l’état.
project_connection_get read Obtenez une connexion spécifique par nom. Connection name Détails de connexion, notamment le type de catégorie, de cible et d’authentification.
project_connection_list_metadata read Répertorier toutes les catégories de connexion prises en charge et les types d’authentification. Appelez-le d’abord pour découvrir les valeurs valides. None Catégories prises en charge (par exemple, AzureOpenAI, AzureBlobStorage) et types d’authentification (par exemple, AAD, clé).
project_connection_create write Créez ou remplacez une connexion de projet. Nom de connexion, catégorie, cible, type d’authentification Détails de connexion créés.
project_connection_update write Mettez à jour une connexion de projet existante. Nom de la connexion, champs à mettre à jour Mise à jour des détails de connexion.
project_connection_delete write Supprimez une connexion de projet par nom. Connection name Deletion confirmation.

Prompt optimization

Optimisez les invites système et les messages du développeur pour améliorer les performances LLM.

Example prompts:

  • « Optimiser mon invite système : « Vous êtes un agent de service clientèle utile » à l’aide gpt-5.4de . »
  • « Améliorez les instructions de mon agent pour obtenir des réponses plus concises . »
  • « Affinez mon invite optimisée pour gérer également les questions de suivi. »
Tool Access Description Key inputs Returns
prompt_optimize write Optimisez une invite de développeur (message système) pour améliorer les performances LLM à l’aide de l’optimiseur d’invite OpenAI Azure. Texte d’invite, modèle cible, instructions d’affinement (facultatif) Texte d’invite optimisé avec explication des modifications.

Example workflows

Flux de travail d’évaluation de l’agent :

  1. « Répertorier tous les agents dans mon projet ».
  2. « Évaluez mon customer-support-agent v2 à l’aide de la pertinence, de la base et des évaluateurs de sécurité. »
  3. « Comparer mon évaluation de base de référence par rapport à la nouvelle exécution . »
  4. « Montrez-moi les résultats de comparaison avec une signification statistique. »

Déploiement et optimisation du modèle :

  1. « Affichez-moi tous les modèles GPT-5.4 disponibles dans le catalogue. »
  2. « Déployez GPT-5.4 comme customer-service-bot avec 15 unités de capacité. »
  3. « Surveillez la latence de la demande pour mon nouveau déploiement . »
  4. « Recommander des alternatives plus rentables en fonction de l’utilisation actuelle. »

Gestion et nettoyage des ressources :

  1. « Répertorier tous mes déploiements actuels et leur utilisation . »
  2. « Vérifiez les déploiements qui utilisent des versions de modèle déconseillées ».
  3. « Afficher mon utilisation de quota dans toutes les régions ».
  4. « Supprimer les déploiements de test inutilisés pour libérer de la capacité ».

Preview limitations

Le serveur MCP Foundry est en préversion publique. Les limitations suivantes s’appliquent :

  • Aucune isolation réseau : Foundry MCP Server utilise le point de terminaison https://mcp.ai.azure.compublic. Les ressources derrière Azure liaisons privées ne sont pas accessibles. Pour la connectivité MCP privée, créez votre propre serveur MCP et connectez-le au service Agent avec une mise en réseau privée.
  • Résidence des données : les demandes et réponses peuvent être traitées dans des centres de données de l’UE ou des États-Unis. Le serveur lui-même ne stocke pas de données, mais le traitement interrégion peut se produire.
  • Aucun contrat SLA : les fonctionnalités en préversion n’incluent pas de contrat de niveau de service. N’utilisez pas le serveur pour les charges de travail de production qui nécessitent une disponibilité garantie.
  • L’ensemble d’outils peut changer : les outils, les paramètres et les valeurs de retour peuvent changer pendant la période d’aperçu sans préavis.

Pour plus d’informations, consultez Supplemental Conditions d’utilisation pour les préversions Microsoft Azure.

Common errors

Error Cause Resolution
Access denied Rôle RBAC insuffisant Azure sur le projet ou le compte Foundry. Affectez au moins Lecteur pour les outils de lecture ou Contributeur pour les outils d’écriture. Consultez RBAC pour Microsoft Foundry.
Authentication failure Jeton Entra ID expiré ou non valide. Déconnectez-vous et reconnectez-vous à votre compte Azure dans Visual Studio Code, ou l'outil que vous utilisez.
Quota exceeded Capacité insuffisante pour créer un déploiement ou exécuter une évaluation. Permet model_quota_list de vérifier le quota disponible avant l’opération.
Ressource introuvable Le déploiement, le jeu de données, l’agent ou la connexion spécifiés n’existent pas. Utilisez le ou l’outil correspondant getlist pour vérifier le nom de la ressource.
Point de terminaison privé inaccessible Les ressources Foundry utilisent Azure liaisons privées que le serveur MCP Foundry hébergé ne peut pas atteindre. Supprimez les restrictions de point de terminaison privé, utilisez des SDK/API REST ou utilisez un serveur MCP personnalisé avec la mise en réseau privée du service agent.

Pour plus d’informations sur la résolution des problèmes, consultez La sécurité et les meilleures pratiques du serveur Foundry MCP.

Related content

  • Last updated on