借助 Azure MCP 服务器，可以使用自然语言提示管理 Azure 资源，包括 Azure AI Foundry 模型和部署。 此功能可帮助你快速管理 AI 模型，而无需记住复杂的语法。
Azure AI Foundry 是一个平台，用于在 Azure 中部署和管理自定义 AI 模型。 它提供了用于在生产环境中训练、微调、部署和监视 AI 模型的工具和服务。 使用 Azure AI Foundry，可以更轻松地将 AI 功能合并到应用程序中。
连接到 Azure AI Foundry 资源时，Azure MCP 服务器需要 Azure AI Foundry 资源的 终结点 或 资源组 。 对于不需要特定资源（例如列出可用模型）的作，不需要终结点或资源组。
Note
Azure MCP 服务器工具为完成任务所需的数据定义参数。 其中一些参数特定于每个工具，如下所示。 其他参数是全局参数，由所有工具共享。 有关详细信息，请参阅 工具参数。
代理：连接并运行
连接到特定的 Azure AI 代理并运行查询。 此命令返回代理的响应以及线程，并运行 ID 进行潜在评估。
示例提示包括：
- 连接到代理：“连接到代理”support-bot“并询问票证状态”
- 查询特定代理：“询问代理'sales-bot'以获取最新的销售报告”
- 使用上下文：“使用上一个会话中的上下文连接到代理”hr-bot”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 代理 | Required | 要与之交互的代理的 ID。 |
| 查询 | Required | 发送到代理的查询。 |
| 终结点 | Required | Azure AI 服务的终结点 URL。 |
代理：评估代理
对代理数据运行代理评估。 需要用于查询、响应和工具定义的 JSON 字符串。
示例提示包括：
- 评估任务符合性：“评估从代理获取的完整查询和响应，以便task_adherence”
- 检查意向解决方法：“使用有关定价计划的查询评估代理对intent_resolution的响应”
- 验证工具准确性：“分析销售机器人对客户查询的响应tool_call_accuracy”
- 评估代理性能：“使用 task_adherence 评估支持代理对技术问题查询的响应”
- 综合评估：“使用所有响应数据对员工载入查询的处理对 HR 代理的处理运行评估”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 查询 | Required | 发送到代理的查询。 |
| 计算器 | Required | 要使用的计算器的名称 （intent_resolution， tool_call_accuracy， task_adherence）。 |
| 响应 | Optional | 代理的响应。 |
| 工具定义 | Optional | 代理以 JSON 格式进行的可选工具定义。 |
| Azure OpenAI 终结点 | Required | 要用于评估的 Azure OpenAI 服务的终结点 URL。 |
| Azure OpenAI 部署 | Required | 要用于评估的 Azure OpenAI 模型的部署名称。 |
代理：列出代理
列出配置项目中可用的所有 Azure AI 代理。
示例提示包括：
- 查看所有代理：“显示 Azure AI Foundry 中的所有代理”
- 按项目列出：“列出”客户服务“项目中的所有 AI 代理”
- 检查可用的代理：“我在 Azure AI Foundry 帐户中配置了哪些代理？
- 代理清单：“我需要 Azure AI 环境中所有代理的完整列表”
- 查找特定代理：“显示 Azure AI Foundry 资源中提供的所有聊天机器人代理”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 终结点 | Required | Azure AI 服务的终结点 URL。 |
代理：查询和执行代理
查询代理并在单个作中评估其响应。 此命令返回代理响应和评估结果。
示例提示包括：
- 查询和评估：“查询代理”支持机器人“关于票证状态和评估任务符合性”
- 单一作：“询问代理”sales-bot“以获取最新的销售报告并检查意向解析”
- 组合作：“连接到代理'hr-bot'，询问载入情况，并评估工具调用准确性”
- 完整周期：“查询”营销机器人“，了解市场活动想法，并评估任务符合性响应”
- 端到端检查：“询问'devops-bot'部署状态并评估意向解决”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 代理 ID | Required | 要与之交互的代理的 ID。 |
| 查询 | Required | 发送到代理的查询。 |
| 终结点 | Required | Azure AI 服务的终结点 URL。 |
| 计算器 | Optional | 要用于计算的计算器列表，用逗号分隔。 如果未指定，则使用所有计算器。 |
| Azure OpenAI 终结点 | Required | 要用于评估的 Azure OpenAI 服务的终结点 URL。 |
| Azure OpenAI 部署 | Required | Azure OpenAI 模型的部署名称。 |
知识：列出索引
从 Azure AI Foundry 获取知识索引列表：
- 查找在 Azure AI Foundry 项目中创建的知识索引。
- 将这些索引与 AI 代理配合使用，以便进行知识检索和 RAG 应用程序。
- 创建新索引或更新现有索引时，列表会更新。
示例提示包括：
- 查看所有索引：“显示 Azure AI Foundry 中的所有知识索引”
- 按项目筛选：“列出”support-bot“项目中的知识索引”
- 按名称搜索：“查找名为'product-faqs'的知识索引”
- 按标记筛选：“列出标记为”security“或”onboarding“的知识索引”
- 显示索引详细信息：“显示”客户服务“知识索引的详细信息，包括文档计数和上次更新时间”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 终结点 | Required | Azure AI 服务的终结点 URL。 |
知识：获取索引架构
从 Azure AI Foundry 获取特定知识索引的详细架构配置。
此作显示有关知识索引的结构和配置的综合信息，包括字段定义、数据类型、可搜索属性和其他架构属性。 使用此架构信息来了解索引结构和索引数据进行搜索的方式。
示例提示包括：
- 查看索引架构：“显示知识索引'product-facts'的架构”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 终结点 | Required | Azure AI 服务的终结点 URL。 |
| 索引 | Required | 知识索引的名称。 |
模型：列出可用模型
列出 Azure AI Foundry 中的所有可用 AI 模型。
示例提示包括：
- 查看所有模型：“在 Azure AI Foundry 中显示所有可用的 AI 模型”
- 按免费使用情况进行筛选：“列出可在场中使用的 Azure AI Foundry 中原型制作的所有免费模型”
- 按免费使用情况进行筛选：“列出 Azure AI Foundry 中可用于原型制作的所有免费模型”
- 按发布者筛选：“显示 Azure AI Foundry 中由Microsoft发布的模型”
- 按许可证进行筛选：“Azure AI Foundry 中提供了哪些具有 Apache 许可证的模型？
- 按名称搜索：“在 Azure AI Foundry 中查找 llama 模型”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 搜索免费场 | Optional | 如果设置为 true，则返回 Azure AI Foundry 中的模型列表，还可以与 GitHub 推理终结点和 GitHub PAT 令牌一起使用。 如果为 false，则从 Azure AI Foundry 返回模型列表，而不考虑 GitHub 支持。 若要了解详细信息，请参阅 GitHub 模型。 |
| 发布者 | Optional | 用于指定要检索的模型的发布者的筛选器。 |
| 许可证 | Optional | 用于指定要检索的模型的许可证类型的筛选器。 |
| Model | Optional | 要搜索的模型的名称。 |
模型：部署模型
将 AI 模型部署到 Azure 环境。 使用此命令从 Azure AI Foundry 部署所选模型，并使其可用于应用程序中。
示例提示包括：
- 使用所需参数进行部署：“使用 OpenAI 格式将 GPT-4 模型部署到具有订阅开发订阅的 ai-projects 资源组中的 ai-services 帐户”
- 指定部署名称：“使用标准 SKU 为 Ada 嵌入模型设置名为文本嵌入的部署”
- 包括模型版本：“将 Llama 模型版本 2 从 Meta 部署到 Azure AI 服务帐户，缩放容量为 3”
- 部署到特定资源组：“在资源组 ml-experiment 中通过 GPT-4 模型在 ai-central 服务中创建名为 content-generation 的部署”
- 配置缩放：“将 Claude 模型部署到已启用自动缩放的 Azure AI 服务，最大容量为 5”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 部署 | Required | Azure AI Foundry 模型部署的名称。 |
| Model | Required | 要部署的模型的名称。 |
| 模型格式 | Required | 模型的格式（例如， OpenAI， Meta， Microsoft）。 |
| Azure AI 服务 | Required | 要部署到的 Azure AI 服务帐户的名称。 |
| 资源组 | Required | 要在其中部署模型的 Azure 资源组的名称。 |
| 模型版本 | Optional | 要部署的模型的版本。 |
| 模型源 | Optional | 模型的源。 |
| 缩放类型 | Optional | 部署的缩放类型。 |
| 缩放容量 | Optional | 部署的缩放容量。 |
| SKU | Optional | 部署的 SKU 名称。 |
| SKU 容量 | Optional | 部署的 SKU 容量。 |
模型：列出模型部署
列出与特定 Azure AI Foundry 终结点关联的所有模型部署。 使用此命令监视和管理活动模型部署。 在以下示例提示中，替换为 https://my-example-resource.openai.azure.com 实际的 Azure AI Foundry 终结点 URL。
示例提示包括：
-
列出生产部署：“显示终结点
https://my-example-resource.openai.azure.com上的所有模型部署” -
检查特定终结点：“当前将哪些模型部署到
https://my-example-resource.openai.azure.com终结点？” -
查看区域部署：“列出终结点
https://my-example-resource.openai.azure.com中的所有部署” -
检查部署状态：“显示部署到终结点
https://my-example-resource.openai.azure.com的所有模型的状态” -
查看活动模型：“现在在
https://my-example-resource.openai.azure.com终结点上运行哪些 AI 模型？
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 终结点 | Required | Azure AI 服务的终结点 URL。 |
OpenAI：创建聊天完成
使用 Azure OpenAI 聊天模型创建交互式聊天完成。 此工具使用消息历史记录和系统说明处理对话输入，以生成上下文响应。 以 JSON 形式返回聊天响应。
示例提示包括：
- 简单问候语：“使用消息”你好，你今天怎么样？“创建聊天完成
- 使用系统消息：“使用系统消息”你是一个有用的助手“创建聊天完成，并使用资源”openai-west“上的部署”gpt-35-turbo“来解释量子计算”
- 控制创造力：“使用部署”gpt-4“在资源”ai-central“上使用部署”gpt-4“和最大 150 个令牌生成聊天完成
- 确定性响应：“使用温度为 0.1 的部署”gpt-35-turbo“和资源”ai-services-prod“上的 12345 种子 12345 创建有关火星的消息”列出 5 个有关火星的事实“的聊天完成”
- 与历史记录的对话：“继续与消息聊天完成：系统'你是编码助手'，用户'如何在 Python 中创建函数？'，助理'Here's how's how...'，用户'你能显示一个示例吗？ 在资源“dev-openai”上使用部署“gpt-4”
- 重复的惩罚：“使用部署”gpt-35-turbo“为”描述云计算的好处“创建完成，频率惩罚为 0.5，并在资源”ai-services-main“上对存在处罚 0.3”
- 流式处理响应：“使用部署”gpt-4“和资源”openai-research“上的流 true 为”逐步解释机器学习“生成流式处理聊天完成”
- 使用停止序列：“使用部署”gpt-35-turbo“为”计数从 1 到 10“创建完成，其中包含资源”ai-test“上的停止序列 ['5'， 'STOP'”
- 用户跟踪：“为”什么是 Azure AI？“生成完成情况？ 在资源“prod-openai”上使用用户标识符为“user-123”的部署“gpt-4”
- 微调的控制：“使用温度为 0.2 的部署”gpt-35-turbo“创建聊天完成，top_p 0.9、最大令牌 200，以及资源”secure-ai“上的 AAD 身份验证”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 资源名称 | Required | Azure OpenAI 资源的名称。 |
| 部署 | Required | Azure AI Foundry 模型部署的名称。 |
| 消息数组 | Required | 对话中的消息数组（JSON 格式）。 每个消息都应具有 role 属性和 content 属性。 |
| 最大令牌数 | Optional | 完成时要生成的最大令牌数。 |
| 温度 | Optional | 控制输出中的随机性。 较低的值使其更具确定性。 |
| 顶部 p | Optional | 通过核采样控制多样性（0.0 到 1.0）。 默认值为 1.0。 |
| 频率惩罚 | Optional | 根据新令牌的频率（-2.0 到 2.0）惩罚新令牌。 默认值为 0。 |
| 状态处罚 | Optional | 根据存在（-2.0 到 2.0）惩罚新令牌。 默认值为 0。 |
| 停止 | Optional | 最多四个序列，其中 API 将停止生成更多令牌。 |
| 流 | Optional | 是否流式传输回部分进度。 默认值为 false。 |
| 种子 | Optional | 如果指定，系统将尽最大努力确定性地采样。 |
| User | Optional | 用于跟踪和滥用监视的可选用户标识符。 |
| 身份验证类型 | Optional | 要使用的身份验证类型。 选项为 key （默认值） 或 aad。 |
OpenAI：创建嵌入
使用 Azure OpenAI 嵌入模型为文本生成矢量嵌入。 此工具将文本转换为高维矢量表示形式，以便进行相似搜索和机器学习应用程序。
示例提示包括：
- 基本文本嵌入：“使用”text-embedding-ada-002“部署为文本”Azure OpenAI 服务生成嵌入”
- 创建矢量嵌入：“使用 Azure OpenAI 在资源”ai-services-prod“上使用部署”text-embedding-3-large“为文本创建矢量嵌入”
- 文档嵌入：“使用资源”embedding-service“上的部署”ada-002“为”机器学习彻底改变数据分析“的嵌入内容”
- 多个句子：“为文本创建嵌入内容'云计算提供可缩放的基础结构。 它可实现全局辅助功能。 使用我的嵌入部署”
- 通过用户跟踪：“使用部署”text-embedding-3-small“和用户标识符”analytics-team“为”自然语言处理应用程序“生成嵌入内容”
- 特定维度：“使用部署”text-embedding-3-large“为”人工智能转换业务运营“创建嵌入内容，资源”ai-central“上有 1536 个维度”
- Base64 格式：“使用部署”ada-002“在资源”ml-services“上使用 base64 编码格式为”深度学习神经网络“生成嵌入内容”
- 研究文本：“使用文本嵌入部署为”量子计算“创建矢量嵌入演示特定算法中的计算优势”
- 产品说明：“使用资源”product-ai“上的部署”text-embedding-3-small“为”具有高级图形处理单元的高性能笔记本电脑“生成嵌入内容”
- 技术文档：“使用部署”ada-002“在资源”docs-embedding“上使用浮动编码创建”API 身份验证需要有效凭据和适当的授权标头“的嵌入内容”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 资源名称 | Required | Azure OpenAI 资源的名称。 |
| 部署 | Required | Azure AI Foundry 模型部署的名称。 |
| 输入文本 | Required | 要为其生成嵌入的输入文本。 |
| User | Optional | 用于跟踪和滥用监视的可选用户标识符。 |
| 编码格式 | Optional | 要返回嵌入到 （float 或 base64） 中的格式。 |
| 尺寸 | Optional | 嵌入输出的维度数。 仅在某些模型中受支持。 |
OpenAI：创建文本完成
使用 AI Foundry 中部署的 Azure OpenAI 模型生成文本完成。
示例提示包括：
- 基本完成：“使用提示”什么是 Azure“创建完成？ 使用“gpt-35-turbo”部署”
- 使用温度控制：“使用部署”text-davinci-003“为温度为 0.3 的”解释机器学习“生成文本完成”
- 受限令牌：“使用最多 100 个令牌的”gpt-4“部署创建提示”编写摘要“完成”
- 创意写作：“使用温度为 0.8 和 200 个最大令牌的部署”gpt-35-turbo“生成有关 AI 的故事”
- 技术说明：“使用提示创建完成”云计算的工作原理？” 使用我的 OpenAI 资源“ai-services-east”和部署“gpt-4””
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 资源组 | Required | 托管 AI 资源的 Azure 资源组的名称。 |
| 资源名称 | Required | Azure OpenAI 资源的名称。 |
| 部署 | Required | 部署的名称。 |
| 提示文本 | Required | 要发送到完成模型的提示文本。 |
| 最大令牌数 | Optional | 完成时要生成的最大令牌数。 |
| 温度 | Optional | 控制输出中的随机性。 较低的值使其更具确定性。 |
OpenAI：列出模型和部署
列出 Azure 资源中所有可用的 OpenAI 模型和部署。 此工具检索有关已部署模型的信息，包括模型名称、版本、功能和部署状态。
示例提示包括：
- 查看所有模型：“列出”ai-services-prod“资源中的所有 OpenAI 模型”
- 检查部署：“显示所有已部署的模型及其在资源”openai-east“中的状态”
- 生产清单：“我的'production-openai'资源中提供了哪些模型？
- 开发检查：“列出我的'dev-ai-services'资源中的所有模型和部署”
- 模型功能：“显示所有可用的 OpenAI 模型，其功能在资源”ai-central“中
- 部署状态：“我的”openai-west“资源中所有部署的当前状态是什么？
- 区域模型：“列出我的'europe-openai'资源中可用的所有模型”
- 服务概述：“提供资源”customer-ai“中模型和部署的完整概述
- 模型版本：“显示”ai-services-main“资源中提供的所有模型版本”
- 资源审核：“我需要审核资源”enterprise-ai“中的所有 OpenAI 模型和部署
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 资源名称 | Required | Azure OpenAI 资源的名称。 |
资源：获取 Foundry 资源
获取有关 Azure AI Foundry 资源的详细信息，包括终结点 URL、位置、SKU 以及所有已部署的模型及其配置。 如果提供了特定的资源名称，则仅返回该资源的详细信息。 如果未提供任何资源名称，则列出订阅或资源组中的所有 AI Foundry 资源。
示例提示包括：
- 获取特定资源：“显示”ai-foundry-prod“Azure AI Foundry 资源的详细信息，包括所有已部署的模型”
- 列出所有资源：“我的订阅中有哪些 Azure AI Foundry 资源？
- 配置资源：“获取'customer-ai-foundry'foundry 资源的终结点 URL、位置和 SKU 信息”
| Parameter | 必需还是可选 | Description |
|---|---|---|
| 资源名称 | Optional | Azure OpenAI 资源的名称。 |