De Language MCP-server verbinden en gebruiken met een agent

Nadat u de mogelijkheden van de Azure Language MCP-server hebt begrepen, is de volgende stap het verbinden met een agent en het gebruik ervan te starten. Dit omvat het maken van een agent in Microsoft Foundry, het verbinden van het hulpprogramma Language MCP, het testen ervan in de agentspeelplaats en het optioneel bouwen van een clienttoepassing om programmatisch met de agent te communiceren.

Een Foundry-project en -agent maken

Als u de MCP-server van Azure Language wilt gebruiken, hebt u eerst een Microsoft Foundry-project met een geïmplementeerd model nodig.

1. Maak in de Microsoft Foundry-portal een nieuw project (of gebruik een bestaand project).

2. Implementeer een model (zoals gpt-4.1) dat uw agent gebruikt voor het redeneren en genereren van antwoorden.

3. Maak een agent en geef deze instructies om het doel ervan te beschrijven. Voorbeeld:

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

De agent is nu klaar om hulpprogrammaverbindingen te ontvangen.

De Azure Language MCP-server verbinden

U verbindt de Azure Language MCP-server met uw agent via de pagina Extra in de Foundry-portal.

1. In het navigatiedeelvenster selecteer de pagina Extra.

2. Selecteer Verbinding maken met een hulpprogramma en kies Azure Language in Foundry Tools in de catalogus.

3. Configureer de verbinding met de volgende instellingen:

   • Naam van foundry-resource: de naam van uw Foundry-resource (bijvoorbeeld myproject-resource).
   • Verificatie: op basis van sleutels.
   • Credentials (Ocp-Apim-Subscription-Key): De sleutel voor uw Foundry-project.

4. Wacht tot de verbinding is gemaakt en selecteer Vervolgens Gebruiken in een agent en kies uw agent.

De agent heeft nu toegang tot alle hulpprogramma's voor tekstanalyse die beschikbaar zijn gesteld door de MCP-server van Azure Language.

Agentinstructies bijwerken

Nadat u het Language MCP-hulpprogramma hebt verbonden, werk de instructies van de agent bij zodat ze gebruikmaken van het hulpprogramma.

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

Deze instructie helpt de agent te begrijpen dat deze het verbonden hulpprogramma moet gebruiken bij het verwerken van aanvragen voor tekstanalyse.

Testen in de agentspeelplaats

De agentspeelplaats in de Foundry-portal biedt een interactieve omgeving voor het testen van uw agent voordat deze in een toepassing wordt geïmplementeerd.

Wanneer u een prompt verzendt waarvoor tekstanalyse is vereist, is de agent:

1. Identificeert de benodigde taken (bijvoorbeeld taaldetectie en entiteitsherkenning).
2. Roept de juiste AZURE Language MCP-hulpprogramma('s) aan.
3. Retourneert een gecombineerde reactie.

De eerste keer dat de agent een MCP-hulpprogramma gebruikt, wordt u gevraagd het gebruik van het hulpprogramma goed te keuren . U kunt het hulpprogramma voor één gebruik goedkeuren of Altijd alle Azure-taal goedkeuren in Foundry Tools-hulpprogramma's selecteren om toekomstige goedkeuringsprompts over te slaan.

Nadat de agent reageert, kunt u het deelvenster Logboeken bekijken om te controleren welke hulpprogramma's zijn gebruikt. In de logboeken worden elke MCP-hulpprogramma-aanroep, de invoer weergegeven die is verzonden en het resultaat dat is geretourneerd.

Een clienttoepassing bouwen

Hoewel de agentspeelplaats handig is voor testen, wilt u doorgaans een clienttoepassing bouwen die de agent programmatisch gebruikt. De Microsoft Foundry SDK ondersteunt dit via de OpenAI-antwoorden-API.

Als u een clienttoepassing wilt bouwen, gebruikt u de azure-ai-projects en azure-identity pakketten. Het algemene patroon is:

1. Maak een AIProjectClient met behulp van het Foundry-projecteindpunt en DefaultAzureCredential (dat gebruikmaakt van uw Azure CLI-referenties tijdens de ontwikkeling).
2. Verkrijg een OpenAI-client van de projectclient door get_openai_client() aan te roepen.
3. Oproep responses.create() om een gebruikersprompt naar de agent te verzenden.

Het belangrijkste onderdeel is de manier waarop u naar de agent verwijst. U geeft deze op naam op in de extra_body parameter:

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)

De agent verwerkt de prompt, roept de juiste MCP-hulpprogramma's aan en retourneert het resultaat.output_text U kunt ook de volledige antwoord-JSON (met behulp van response.model_dump_json()) controleren om te zien welke hulpprogramma's de agent heeft aangeroepen, bijvoorbeeld extract_named_entities_from_text of detect_language_from_text , samen met de argumenten en resultaten voor elke aanroep van het hulpprogramma.

De MCP-server verbinden met code

In plaats van verbinding te maken met de Azure Language MCP-server via de Foundry-portal, kunt u de MCP-hulpprogrammaverbinding ook rechtstreeks in code definiëren wanneer u een agent maakt. Gebruik de MCPTool klasse van de azure-ai-projects SDK om het serverlabel, de URL en toegestane hulpprogramma's op te geven:

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",
)

Vervolgens geeft u de mcp_tool door bij het maken van de agent via de SDK. Deze methode is handig als u hulpprogrammaverbindingen wilt beheren als onderdeel van uw toepassingscode in plaats van ze handmatig te configureren in de portal. U kunt de allowed_tools eigenschap MCPTool ook gebruiken om te beperken welke specifieke taalprogramma's de agent kan aanroepen.

Selectie van hulpprogramma's met prompts voor meerdere taken

Wanneer de prompt van een gebruiker meerdere tekstanalysetaken omvat, kan de agent meerdere hulpprogramma's in één keer aanroepen. Bijvoorbeeld de prompt:

"Vertel me welke entiteiten en datums in deze beoordeling worden vermeld en of het positief of negatief is."

Voor deze prompt zijn zowel entiteitsherkenning als sentimentanalyse vereist. De agent identificeert beide taken, roept de juiste hulpprogramma's (extract_named_entities_from_text en) aan detect_language_from_texten combineert de resultaten in één antwoord.

Elke aanroep van het hulpprogramma gaat onafhankelijk door de MCP-server en de agent synthetiseert de uitvoer in een coherent antwoord voor de gebruiker.