Connecter et utiliser le serveur MCP language avec un agent

Une fois que vous avez compris les fonctionnalités du serveur MCP du langage Azure, l’étape suivante consiste à la connecter à un agent et à commencer à l’utiliser. Cela implique la création d’un agent dans Microsoft Foundry, la connexion de l’outil Language MCP, son test dans le terrain de jeu de l’agent et éventuellement la création d’une application cliente pour interagir avec l’agent par programmation.

Créer un projet et un assistant Foundry

Pour utiliser le serveur MCP du langage Azure, vous avez d’abord besoin d’un projet Microsoft Foundry avec un modèle déployé.

1. Dans le portail Microsoft Foundry, créez un projet (ou utilisez-en un existant).

2. Déployez un modèle (tel que gpt-4.1) que votre agent utilisera pour le raisonnement et la génération de réponses.

3. Créez un agent et donnez-lui des instructions qui décrivent son objectif. Par exemple:

   You are an AI agent that assists users by helping them analyze and summarize text.
   

L’agent est désormais prêt à recevoir des connexions d’outils.

Connecter le serveur MCP du langage Azure

Vous connectez le serveur MCP du langage Azure à votre agent via la page Outils du portail Foundry.

1. Dans le volet de navigation, sélectionnez la page Outils .

2. Sélectionnez Connecter un outil et choisissez Langue Azure dans Foundry Tools dans le catalogue.

3. Configurez la connexion avec les paramètres suivants :

   • Nom de la ressource Foundry : nom de votre ressource Foundry (par exemple, myproject-resource).
   • Authentification : basée sur une clé.
   • Informations d’identification (Ocp-Apim-Subscription-Key) : clé de votre projet Foundry.

4. Attendez la création de la connexion, puis sélectionnez Utiliser dans un agent et choisissez votre agent.

L’agent a désormais accès à tous les outils d’analyse de texte exposés par le serveur MCP du langage Azure.

Mettez à jour les instructions de l’agent

Après avoir connecté l’outil Language MCP, mettez à jour les instructions de l’agent pour l’orienter pour utiliser l’outil :

You are an AI agent that assists users by helping them analyze text. Use the Azure Language tool to perform text analysis tasks.

Cette instruction aide l’agent à comprendre qu’il doit utiliser l’outil connecté lors du traitement des demandes d’analyse de texte.

Test dans l’environnement de test de l’agent

Le terrain de jeu de l’agent dans le portail Foundry fournit un environnement interactif pour tester votre agent avant de le déployer dans une application.

Lorsque vous envoyez une invite nécessitant une analyse de texte, l’agent :

1. Identifie les tâches nécessaires (par exemple, détection de langue et reconnaissance d’entité).
2. Appelle les outils MCP du langage Azure appropriés.
3. Retourne une réponse combinée.

La première fois que l’agent utilise un outil MCP, vous êtes invité à approuver l’utilisation de l’outil. Vous pouvez approuver l’outil pour une utilisation unique, ou sélectionner Toujours approuver toutes les outils Azure Language dans Foundry Tools pour ignorer les invites d’approbation futures.

Une fois que l’agent répond, vous pouvez passer en revue le volet Journaux pour vérifier quels outils ont été utilisés. Les journaux affichent chaque appel d’outil MCP, l’entrée envoyée et le résultat retourné.

Créer une application cliente

Bien que le terrain de jeu de l’agent soit utile pour les tests, vous souhaitez généralement créer une application cliente qui utilise l’agent par programmation. Le Kit de développement logiciel (SDK) Microsoft Foundry prend en charge cela via l’API Réponses OpenAI.

Pour construire une application cliente, vous utilisez les packages azure-ai-projects et azure-identity. Le modèle général est le suivant :

1. Créez un AIProjectClient en utilisant le point de terminaison de votre projet Foundry et DefaultAzureCredential (qui utilise vos identifiants Azure CLI en mode développement).
2. Obtenez un client OpenAI à partir du client de projet en appelant get_openai_client().
3. Appelez responses.create() pour envoyer une invite utilisateur à l’agent.

La partie clé est la façon dont vous référencez l’agent : vous le spécifiez par son nom dans le extra_body paramètre :

response = openai_client.responses.create(
    input=[{"role": "user", "content": user_prompt}],
    extra_body={
        "agent_reference": {
            "name": "Text-Analysis-Agent",
            "type": "agent_reference"
        }
    },
)

print(response.output_text)

L’agent traite la requête, appelle les outils MCP appropriés et renvoie le résultat dans output_text. Vous pouvez également inspecter le json de réponse complète (à l’aide response.model_dump_json()) pour voir quels outils l’agent a appelé ( par exemple, extract_named_entities_from_text ou detect_language_from_text – avec les arguments et les résultats de chaque appel d’outil.

Connecter le serveur MCP dans le code

Au lieu de connecter le serveur MCP du langage Azure via le portail Foundry, vous pouvez également définir la connexion de l’outil MCP directement dans le code lorsque vous créez un agent. Utilisez la MCPTool classe du Kit de azure-ai-projects développement logiciel (SDK) pour spécifier l’étiquette du serveur, l’URL et les outils autorisés :

from azure.ai.projects.models import MCPTool

mcp_tool = MCPTool(
    server_label="azure-language",
    server_url="https://{foundry-resource-name}.cognitiveservices.azure.com/language/mcp?api-version=2025-11-15-preview",
    require_approval="always",
)

Vous passez ensuite le mcp_tool lors de la création de l’agent via le SDK. Cette approche est utile lorsque vous souhaitez gérer les connexions d’outils dans le cadre de votre code d’application plutôt que de les configurer manuellement dans le portail. Vous pouvez également utiliser la allowed_tools propriété sur MCPTool pour restreindre les outils linguistiques spécifiques que l’agent peut appeler.

Sélection d’outils avec invites multitâches

Lorsque l’invite d’un utilisateur implique plusieurs tâches d’analyse de texte, l’agent peut appeler plusieurs outils à un seul tour. Par exemple, l’invite :

« Dites-moi quelles entités et dates sont mentionnées dans cet avis, et s’il est positif ou négatif. »

Ce prompt nécessite à la fois la reconnaissance d’entités et l’analyse des sentiments. L’agent identifie les deux tâches, appelle les outils appropriés (extract_named_entities_from_text et detect_language_from_text) et combine les résultats en une seule réponse.

Chaque appel d’outil passe par le serveur MCP indépendamment, et l’agent synthétise les sorties en une réponse cohérente pour l’utilisateur.