Aller au contenu

Lab 030 : Microsoft Foundry Agent Service + MCP

Niveau : L300 Parcours : Foundry + MCP Durée : ~90 min 💰 Coût : Abonnement Azure — coûts de tokens gpt-4o-mini

Abonnement Azure requis

Ce lab nécessite un abonnement Azure. → Guide des prérequis

Ce que vous apprendrez

  • Déployer un Hub + Projet Azure AI Foundry en un clic
  • Déployer un point de terminaison de modèle gpt-4o-mini
  • Créer un Agent dans le Foundry Agent Service
  • Connecter votre serveur MCP comme outil pour l'agent
  • Exécuter une conversation agent de bout en bout avec des appels d'outils

Déployer l'infrastructure

Option A — Déployer sur Azure (un clic)

Deploy to Azure

Ceci déploie : - Azure AI Foundry Hub - Projet AI (OutdoorGear Agent Project) - Compte de stockage + Key Vault (requis par Foundry)

Région recommandée

Utilisez East US ou Sweden Central pour la meilleure disponibilité des modèles.

Option B — Azure CLI (Bicep)

git clone https://github.com/lcarli/AI-LearningHub.git && cd AI-LearningHub

az group create --name rg-ai-labs-foundry --location eastus

# Get your user Object ID
USER_OID=$(az ad signed-in-user show --query id -o tsv)

az deployment group create \
  --resource-group rg-ai-labs-foundry \
  --template-file infra/lab-030-foundry/main.bicep \
  --parameters location=eastus userObjectId=$USER_OID

Exercice du lab

Étape 1 : Déployer gpt-4o-mini dans Foundry

  1. Allez sur ai.azure.com → votre projet
  2. Catalogue de modèles → recherchez gpt-4o-mini → Déployer
  3. Nom : gpt-4o-mini — gardez les valeurs par défaut
  4. Copiez votre URL de point de terminaison et votre clé API depuis la page de déploiement

Étape 2 : Démarrer votre serveur MCP

Utilisez le serveur du Lab 020 ou du Lab 028. Pour les tests locaux :

python mcp_product_server.py  # starts on stdio or SSE

Étape 3 : Créer un agent avec le SDK Foundry

pip install azure-ai-projects azure-identity

import os
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential

# Get these from your Foundry project settings
PROJECT_CONNECTION_STRING = os.environ["AZURE_AI_PROJECT_CONNECTION_STRING"]

client = AIProjectClient.from_connection_string(
    credential=DefaultAzureCredential(),
    conn_str=PROJECT_CONNECTION_STRING,
)

# Create the agent
agent = client.agents.create_agent(
    model="gpt-4o-mini",
    name="OutdoorGear Assistant",
    instructions=(
        "You are a helpful customer service agent for OutdoorGear Inc. "
        "Help customers find products, answer policy questions, and assist with orders. "
        "Be friendly, concise, and accurate. "
        "When you don't know something, say so honestly."
    ),
)
print(f"Created agent: {agent.id}")

Étape 4 : Exécuter une conversation

# Create a thread (conversation session)
thread = client.agents.create_thread()

# Add a user message
client.agents.create_message(
    thread_id=thread.id,
    role="user",
    content="Hi! I'm looking for a tent for a winter camping trip to Mt. Rainier. What do you recommend?"
)

# Run the agent
run = client.agents.create_and_process_run(
    thread_id=thread.id,
    assistant_id=agent.id,
)

print(f"Run status: {run.status}")

# Get the response
messages = client.agents.list_messages(thread_id=thread.id)
for msg in messages.data:
    if msg.role == "assistant":
        for content in msg.content:
            if content.type == "text":
                print(f"\n🤖 {content.text.value}")

Étape 5 : Ajouter des outils MCP à l'agent

# For Cloud MCP server (deployed via Lab 028):
agent_with_tools = client.agents.create_agent(
    model="gpt-4o-mini",
    name="OutdoorGear Assistant + Search",
    instructions="You are a helpful outdoor gear assistant. Use the search tool to find products.",
    tools=[
        {
            "type": "mcp",
            "server_label": "outdoorgear",
            "server_url": "https://YOUR-MCP-APP.azurecontainerapps.io/sse",
            "allowed_tools": ["search_products", "get_product", "list_categories"],
        }
    ]
)

# Now the agent can call your MCP server tools automatically
thread2 = client.agents.create_thread()
client.agents.create_message(
    thread_id=thread2.id,
    role="user",
    content="What climbing harnesses are currently in stock?"
)
run2 = client.agents.create_and_process_run(
    thread_id=thread2.id,
    assistant_id=agent_with_tools.id,
)

# Get response (agent will have called MCP tools)
messages2 = client.agents.list_messages(thread_id=thread2.id)
for msg in messages2.data:
    if msg.role == "assistant":
        print(msg.content[0].text.value)

Nettoyage

az group delete --name rg-ai-labs-foundry --yes --no-wait

Prochaines étapes