Создание пользовательских инструментов MCP для агентов Azure AI Foundry (с использованием Cosmos ...

В этом видео мы создадим полный алгоритм использования пользовательских инструментов MCP с агентом Azure AI Foundry.

Мы начнём с проектирования и реализации сервера MCP на основе Python, который предоставляет доступ к инструментам GraphRAG по протоколу HTTP, затем развернём его как функцию Azure и подключим к агенту Azure AI Foundry, чтобы агент мог запрашивать данные из графа Gremlin в Cosmos DB, не зная ничего об источнике данных.

Что мы рассмотрим:
• Как устроен сервер MCP и как он размещает пользовательские инструменты
• HTTP-конечные точки за сервером:
• Типичный поток запроса/ответа MCP между агентом и сервером
• Как инструменты MCP инкапсулируют всю логику Gremlin GraphRAG / Cosmos DB
• Создание агента Azure AI Foundry, подключение сервера MCP в качестве инструмента и сквозное тестирование

В конце вы узнаете, как:
• Обернуть собственную логику Python в инструменты MCP
• Разместить эти инструменты в легковесном облачном сервисе (Azure Functions)
• Позволить агентам Azure AI Foundry обращаться к вашему бэкэнду GraphRAG через MCP вместо пользовательских REST-конечных точек

Код и связанные ресурсы
• ✅ Репозиторий GitHub (сервер MCP + примеры инструментов): https://github.com/robkerr/robkerrai-...
• ▶️ Связанное видео – GraphRAG с Neo4j в Docker-контейнере:    • Building a GraphRAG App: Concepts, Code, a...  

Если вы уже используете RAG и хотите более чистый и стандартизированный способ вызова ваших инструментов и источников данных агентами, это пошаговое руководство предоставит вам конкретный шаблон для повторного использования.

Разделы
0:00 Введение
0:38 Архитектура MCP
1:43 Что такое MCP?

2:49 План реализации
5:03 Последовательность действий MCP
6:13 Пошаговое описание кода
13:49 Создание агента AI Foundry
20:03 Тестирование агента AI Foundry