初学者的模型上下文协议（MCP）课程

发表于 2025-08-12 12:52:05 | 已阅读： 230  次
00-Introduction
01-CoreConcepts
02-Security
03-GettingStarted
04-PracticalImplementation
05-AdvancedTopics
06-CommunityContributions
07-LessonsfromEarlyAdoption
microsoft-mcp-servers.md
README.md
08-BestPractices
09-CaseStudy
10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit
changelog.md
CODE_OF_CONDUCT.md
README.md
SECURITY.md
study_guide.md
SUPPORT.md

🌟 从早期采用者中学习

从 MCP 早期采用者中学习

（点击上方图片观看本课视频）

🎯 本模块涵盖内容

本模块探讨了真实的组织和开发者如何利用 Model Context Protocol (MCP) 来解决实际问题并推动创新。通过详细的案例研究和实践项目，您将了解 MCP 如何实现安全、可扩展的 AI 集成，将语言模型、工具和企业数据连接在一起。

📚 MCP 实际应用

想了解这些原则如何应用于生产工具？请查看我们的 10 个正在改变开发者生产力的 Microsoft MCP 服务器，其中展示了您今天就可以使用的真实 Microsoft MCP 服务器。

概述

本课程探讨了早期采用者如何利用 Model Context Protocol (MCP) 来解决现实中的挑战，并推动各行业的创新。通过详细的案例研究和实践项目，您将看到 MCP 如何通过统一框架实现标准化、安全且可扩展的 AI 集成，将大型语言模型、工具和企业数据连接起来。您将获得设计和构建基于 MCP 的解决方案的实践经验，学习经过验证的实施模式，并发现将 MCP 部署到生产环境中的最佳实践。本课程还重点介绍了新兴趋势、未来方向以及帮助您保持 MCP 技术及其生态系统前沿的开源资源。

学习目标

  • 分析不同行业的实际 MCP 实现
  • 设计并构建完整的基于 MCP 的应用程序
  • 探索 MCP 技术的新兴趋势和未来方向
  • 在实际开发场景中应用最佳实践

实际 MCP 实现

案例研究 1：企业客户支持自动化

一家跨国公司实施了基于 MCP 的解决方案，以标准化其客户支持系统中的 AI 交互。这使他们能够：

  • 为多个 LLM 提供商创建统一接口
  • 在各部门之间保持一致的提示管理
  • 实现强大的安全性和合规性控制
  • 根据具体需求轻松切换不同的 AI 模型

技术实现：

# Python MCP server implementation for customer support
import logging
import asyncio
from modelcontextprotocol import create_server, ServerConfig
from modelcontextprotocol.server import MCPServer
from modelcontextprotocol.transports import create_http_transport
from modelcontextprotocol.resources import ResourceDefinition
from modelcontextprotocol.prompts import PromptDefinition
from modelcontextprotocol.tool import ToolDefinition

# Configure logging
logging.basicConfig(level=logging.INFO)

async def main():
    # Create server configuration
    config = ServerConfig(
        name="Enterprise Customer Support Server",
        version="1.0.0",
        description="MCP server for handling customer support inquiries"
    )
    
    # Initialize MCP server
    server = create_server(config)
    
    # Register knowledge base resources
    server.resources.register(
        ResourceDefinition(
            name="customer_kb",
            description="Customer knowledge base documentation"
        ),
        lambda params: get_customer_documentation(params)
    )
    
    # Register prompt templates
    server.prompts.register(
        PromptDefinition(
            name="support_template",
            description="Templates for customer support responses"
        ),
        lambda params: get_support_templates(params)
    )
    
    # Register support tools
    server.tools.register(
        ToolDefinition(
            name="ticketing",
            description="Create and update support tickets"
        ),
        handle_ticketing_operations
    )
    
    # Start server with HTTP transport
    transport = create_http_transport(port=8080)
    await server.run(transport)

if __name__ == "__main__":
    asyncio.run(main())

结果： 模型成本降低 30%，响应一致性提高 45%，并增强了全球运营的合规性。

案例研究 2：医疗诊断助手

一家医疗服务提供商开发了 MCP 基础设施，以集成多个专业医疗 AI 模型，同时确保敏感的患者数据得到保护：

  • 在通用和专业医疗模型之间无缝切换
  • 严格的隐私控制和审计记录
  • 与现有电子健康记录 (EHR) 系统集成
  • 针对医学术语的一致提示工程

技术实现：

// C# MCP host application implementation in healthcare application
using Microsoft.Extensions.DependencyInjection;
using ModelContextProtocol.SDK.Client;
using ModelContextProtocol.SDK.Security;
using ModelContextProtocol.SDK.Resources;

public class DiagnosticAssistant
{
    private readonly MCPHostClient _mcpClient;
    private readonly PatientContext _patientContext;
    
    public DiagnosticAssistant(PatientContext patientContext)
    {
        _patientContext = patientContext;
        
        // Configure MCP client with healthcare-specific settings
        var clientOptions = new ClientOptions
        {
            Name = "Healthcare Diagnostic Assistant",
            Version = "1.0.0",
            Security = new SecurityOptions
            {
                Encryption = EncryptionLevel.Medical,
                AuditEnabled = true
            }
        };
        
        _mcpClient = new MCPHostClientBuilder()
            .WithOptions(clientOptions)
            .WithTransport(new HttpTransport("https://healthcare-mcp.example.org"))
            .WithAuthentication(new HIPAACompliantAuthProvider())
            .Build();
    }
    
    public async Task<DiagnosticSuggestion> GetDiagnosticAssistance(
        string symptoms, string patientHistory)
    {
        // Create request with appropriate resources and tool access
        var resourceRequest = new ResourceRequest
        {
            Name = "patient_records",
            Parameters = new Dictionary<string, object>
            {
                ["patientId"] = _patientContext.PatientId,
                ["requestingProvider"] = _patientContext.ProviderId
            }
        };
        
        // Request diagnostic assistance using appropriate prompt
        var response = await _mcpClient.SendPromptRequestAsync(
            promptName: "diagnostic_assistance",
            parameters: new Dictionary<string, object>
            {
                ["symptoms"] = symptoms,
                patientHistory = patientHistory,
                relevantGuidelines = _patientContext.GetRelevantGuidelines()
            });
            
        return DiagnosticSuggestion.FromMCPResponse(response);
    }
}

结果： 为医生提供了改进的诊断建议，同时完全符合 HIPAA 合规性，并显著减少了系统间的上下文切换。

案例研究 3：金融服务风险分析

一家金融机构实施了 MCP，以标准化其不同部门的风险分析流程：

  • 为信用风险、欺诈检测和投资风险模型创建统一接口
  • 实施严格的访问控制和模型版本管理
  • 确保所有 AI 推荐的可审计性
  • 在不同系统之间保持一致的数据格式

技术实现：

// Java MCP server for financial risk assessment
import org.mcp.server.*;
import org.mcp.security.*;

public class FinancialRiskMCPServer {
    public static void main(String[] args) {
        // Create MCP server with financial compliance features
        MCPServer server = new MCPServerBuilder()
            .withModelProviders(
                new ModelProvider("risk-assessment-primary", new AzureOpenAIProvider()),
                new ModelProvider("risk-assessment-audit", new LocalLlamaProvider())
            )
            .withPromptTemplateDirectory("./compliance/templates")
            .withAccessControls(new SOCCompliantAccessControl())
            .withDataEncryption(EncryptionStandard.FINANCIAL_GRADE)
            .withVersionControl(true)
            .withAuditLogging(new DatabaseAuditLogger())
            .build();
            
        server.addRequestValidator(new FinancialDataValidator());
        server.addResponseFilter(new PII_RedactionFilter());
        
        server.start(9000);
        
        System.out.println("Financial Risk MCP Server running on port 9000");
    }
}

结果： 增强了监管合规性，模型部署周期加快 40%，并提高了各部门的风险评估一致性。

案例研究 4：Microsoft Playwright MCP 服务器用于浏览器自动化

Microsoft 开发了 Playwright MCP 服务器，通过 Model Context Protocol 实现安全、标准化的浏览器自动化。这个生产就绪的服务器允许 AI 代理和 LLM 在受控、可审计和可扩展的环境中与网络浏览器交互，支持自动化网页测试、数据提取和端到端工作流等用例。

🎯 生产就绪工具

本案例研究展示了一个您今天就可以使用的真实 MCP 服务器！了解更多关于 Playwright MCP 服务器及其他 9 个生产就绪 Microsoft MCP 服务器的信息，请查看我们的 Microsoft MCP 服务器指南。

主要功能：

  • 将浏览器自动化功能（导航、表单填写、截图捕获等）作为 MCP 工具公开
  • 实现严格的访问控制和沙箱机制，防止未经授权的操作
  • 提供所有浏览器交互的详细审计日志
  • 支持与 Azure OpenAI 和其他 LLM 提供商集成，实现代理驱动的自动化
  • 为 GitHub Copilot 的编码代理提供网页浏览功能

技术实现：

// TypeScript: Registering Playwright browser automation tools in an MCP server
import { createServer, ToolDefinition } from 'modelcontextprotocol';
import { launch } from 'playwright';

const server = createServer({
  name: 'Playwright MCP Server',
  version: '1.0.0',
  description: 'MCP server for browser automation using Playwright'
});

// Register a tool for navigating to a URL and capturing a screenshot
server.tools.register(
  new ToolDefinition({
    name: 'navigate_and_screenshot',
    description: 'Navigate to a URL and capture a screenshot',
    parameters: {
      url: { type: 'string', description: 'The URL to visit' }
    }
  }),
  async ({ url }) => {
    const browser = await launch();
    const page = await browser.newPage();
    await page.goto(url);
    const screenshot = await page.screenshot();
    await browser.close();
    return { screenshot };
  }
);

// Start the MCP server
server.listen(8080);

结果：

  • 为 AI 代理和 LLM 实现了安全的程序化浏览器自动化
  • 减少了手动测试工作量，提高了 Web 应用的测试覆盖率
  • 提供了一个可重用、可扩展的框架，用于企业环境中的基于浏览器的工具集成
  • 支持 GitHub Copilot 的网页浏览功能

参考资料：

案例研究 5：Azure MCP – 企业级 Model Context Protocol 即服务

Azure MCP (https://aka.ms/azmcp) 是 Microsoft 提供的企业级托管 Model Context Protocol 实现，旨在作为云服务提供可扩展、安全且合规的 MCP 服务器功能。Azure MCP 使组织能够快速部署、管理和集成 MCP 服务器与 Azure AI、数据和安全服务，从而减少运营开销并加速 AI 采用。

🎯 生产就绪工具

这是一个您今天就可以使用的真实 MCP 服务器！了解更多关于 Azure AI Foundry MCP 服务器的信息，请查看我们的 Microsoft MCP 服务器指南。

  • 提供内置扩展、监控和安全功能的完全托管 MCP 服务器托管服务
  • 与 Azure OpenAI、Azure AI Search 和其他 Azure 服务的原生集成
  • 通过 Microsoft Entra ID 实现企业级身份验证和授权
  • 支持自定义工具、提示模板和资源连接器
  • 符合企业安全和监管要求

技术实现：

# Example: Azure MCP server deployment configuration (YAML)
apiVersion: mcp.microsoft.com/v1
kind: McpServer
metadata:
  name: enterprise-mcp-server
spec:
  modelProviders:
    - name: azure-openai
      type: AzureOpenAI
      endpoint: https://<your-openai-resource>.openai.azure.com/
      apiKeySecret: <your-azure-keyvault-secret>
  tools:
    - name: document_search
      type: AzureAISearch
      endpoint: https://<your-search-resource>.search.windows.net/
      apiKeySecret: <your-azure-keyvault-secret>
  authentication:
    type: EntraID
    tenantId: <your-tenant-id>
  monitoring:
    enabled: true
    logAnalyticsWorkspace: <your-log-analytics-id>

结果：

  • 通过提供即用型、合规的 MCP 服务器平台，缩短了企业 AI 项目的价值实现时间
  • 简化了 LLM、工具和企业数据源的集成
  • 增强了 MCP 工作负载的安全性、可观测性和运营效率
  • 使用 Azure SDK 最佳实践和当前身份验证模式提高了代码质量

参考资料：

案例研究 6：NLWeb

MCP（Model Context Protocol）是一种新兴协议，用于让聊天机器人和 AI 助手与工具交互。每个 NLWeb 实例也是一个 MCP 服务器，支持一个核心方法 ask，用于以自然语言向网站提问。返回的响应利用了 schema.org，这是一种广泛使用的描述 Web 数据的词汇表。简单来说，MCP 之于 NLWeb 就像 Http 之于 HTML。NLWeb 结合了协议、Schema.org 格式和示例代码，帮助网站快速创建这些端点，从而通过对话界面为人类提供便利，同时通过自然的代理对代理交互为机器提供支持。

NLWeb 包含两个主要组件：

  • 一个简单的协议，用于以自然语言与网站交互，以及一种格式，利用 JSON 和 schema.org 返回答案。有关 REST API 的更多详细信息，请参阅文档。
  • 一个基于现有标记的简单实现，适用于可以抽象为项目列表（如产品、食谱、景点、评论等）的站点。结合一组用户界面小部件，网站可以轻松为其内容提供对话界面。有关聊天查询生命周期的更多详细信息，请参阅文档。

参考资料：

案例研究 7：Azure AI Foundry MCP 服务器 – 企业 AI 代理集成

Azure AI Foundry MCP 服务器展示了 MCP 如何在企业环境中编排和管理 AI 代理及工作流。通过将 MCP 与 Azure AI Foundry 集成，组织可以标准化代理交互，利用 Foundry 的工作流管理，并确保安全、可扩展的部署。

🎯 生产就绪工具

这是一个您今天就可以使用的真实 MCP 服务器！了解更多关于 Azure AI Foundry MCP 服务器的信息，请查看我们的 Microsoft MCP 服务器指南。

主要功能：

  • 全面访问 Azure 的 AI 生态系统，包括模型目录和部署管理
  • 使用 Azure AI Search 进行知识索引，支持 RAG 应用
  • 提供 AI 模型性能和质量保证的评估工具
  • 与 Azure AI Foundry Catalog 和 Labs 集成，支持前沿研究模型
  • 为生产场景提供代理管理和评估能力

结果：

  • 快速原型设计和对 AI 代理工作流的强大监控
  • 与 Azure AI 服务无缝集成，支持高级场景
  • 为构建、部署和监控代理管道提供统一接口
  • 提高了企业的安全性、合规性和运营效率
  • 在保持对复杂代理驱动流程控制的同时，加速了 AI 的采用

参考资料：

案例研究 8：Foundry MCP Playground – 实验与原型设计

Foundry MCP Playground 提供了一个即用型环境，用于实验 MCP 服务器和 Azure AI Foundry 集成。开发者可以快速原型设计、测试和评估 AI 模型及代理工作流，利用 Azure AI Foundry Catalog 和 Labs 的资源。Playground 简化了设置，提供示例项目，并支持协作开发，使团队能够以最小的开销探索最佳实践和新场景。通过降低入门门槛，Playground 有助于在 MCP 和 Azure AI Foundry 生态系统中促进创新和社区贡献。

参考资料：

案例研究 9：Microsoft Learn Docs MCP 服务器 – AI 驱动的文档访问

Microsoft Learn Docs MCP 服务器是一个云托管服务，通过 Model Context Protocol 为 AI 助手提供实时访问官方 Microsoft 文档的能力。这个生产就绪的服务器连接到全面的 Microsoft Learn 生态系统，并支持对所有官方 Microsoft 来源的语义搜索。

🎯 面向生产环境的工具

这是一个您今天就可以使用的真正的 MCP 服务器！在我们的 Microsoft MCP 服务器指南 中了解更多关于 Microsoft Learn Docs MCP 服务器的信息。 主要功能：

  • 实时访问官方 Microsoft 文档、Azure 文档和 Microsoft 365 文档
  • 高级语义搜索功能，能够理解上下文和意图
  • 随 Microsoft Learn 内容发布而始终保持最新
  • 覆盖范围广泛，包括 Microsoft Learn、Azure 文档和 Microsoft 365 资源
  • 返回最多 10 个高质量内容片段，附带文章标题和 URL

为什么这很重要：

  • 解决 Microsoft 技术领域“过时的 AI 知识”问题
  • 确保 AI 助手能够访问最新的 .NET、C#、Azure 和 Microsoft 365 功能
  • 提供权威的第一方信息以生成准确的代码
  • 对于使用快速发展的 Microsoft 技术的开发者至关重要

结果：

  • 显著提高 AI 生成的 Microsoft 技术代码的准确性
  • 减少查找最新文档和最佳实践所花费的时间
  • 通过上下文感知的文档检索提升开发者生产力
  • 无需离开 IDE 即可无缝集成到开发工作流中

参考资料：

实践项目

项目 1：构建多提供商 MCP 服务器

目标： 创建一个 MCP 服务器，根据特定条件将请求路由到多个 AI 模型提供商。

需求：

  • 支持至少三个不同的模型提供商（例如 OpenAI、Anthropic、本地模型）
  • 实现基于请求元数据的路由机制
  • 创建用于管理提供商凭据的配置系统
  • 添加缓存以优化性能和成本
  • 构建一个简单的仪表板用于监控使用情况

实施步骤：

  1. 设置基本的 MCP 服务器基础设施
  2. 为每个 AI 模型服务实现提供商适配器
  3. 创建基于请求属性的路由逻辑
  4. 添加频繁请求的缓存机制
  5. 开发监控仪表板
  6. 使用各种请求模式进行测试

技术选型： 可选择 Python（或 .NET/Java/Python），使用 Redis 进行缓存，并选择一个简单的 Web 框架用于仪表板。

项目 2：企业提示管理系统

目标： 开发一个基于 MCP 的系统，用于在组织内管理、版本控制和部署提示模板。

需求：

  • 创建一个集中式的提示模板存储库
  • 实现版本控制和审批工作流
  • 构建带有示例输入的模板测试功能
  • 开发基于角色的访问控制
  • 创建用于模板检索和部署的 API

实施步骤：

  1. 设计用于存储模板的数据库架构
  2. 创建用于模板 CRUD 操作的核心 API
  3. 实现版本控制系统
  4. 构建审批工作流
  5. 开发测试框架
  6. 创建一个简单的 Web 界面用于管理
  7. 与 MCP 服务器集成

技术选型： 可选择后端框架、SQL 或 NoSQL 数据库，以及一个前端框架用于管理界面。

项目 3：基于 MCP 的内容生成平台

目标： 构建一个内容生成平台，利用 MCP 提供不同内容类型的一致结果。

需求：

  • 支持多种内容格式（博客文章、社交媒体、营销文案）
  • 实现基于模板的生成并支持自定义选项
  • 创建内容审查和反馈系统
  • 跟踪内容性能指标
  • 支持内容版本控制和迭代

实施步骤：

  1. 设置 MCP 客户端基础设施
  2. 为不同内容类型创建模板
  3. 构建内容生成管道
  4. 实现审查系统
  5. 开发指标跟踪系统
  6. 创建用于模板管理和内容生成的用户界面

技术选型： 可选择您偏好的编程语言、Web 框架和数据库系统。

MCP 技术的未来方向

新兴趋势

  1. 多模态 MCP
    • 扩展 MCP 以标准化与图像、音频和视频模型的交互
    • 开发跨模态推理能力
    • 为不同模态制定标准化的提示格式
  2. 联邦 MCP 基础设施
    • 分布式 MCP 网络，可在组织间共享资源
    • 用于安全模型共享的标准化协议
    • 隐私保护计算技术
  3. MCP 市场
    • 用于共享和货币化 MCP 模板和插件的生态系统
    • 质量保证和认证流程
    • 与模型市场的集成
  4. 面向边缘计算的 MCP
    • 为资源受限的边缘设备调整 MCP 标准
    • 针对低带宽环境优化的协议
    • 专为物联网生态系统设计的 MCP 实现
  5. 监管框架
    • 开发用于合规的 MCP 扩展
    • 标准化的审计记录和可解释性接口
    • 与新兴 AI 治理框架的集成

来自 Microsoft 的 MCP 解决方案

Microsoft 和 Azure 开发了多个开源代码库，帮助开发者在各种场景中实现 MCP：

Microsoft 组织

  1. playwright-mcp - 用于浏览器自动化和测试的 Playwright MCP 服务器
  2. files-mcp-server - 用于本地测试和社区贡献的 OneDrive MCP 服务器实现
  3. NLWeb - NLWeb 是一组开放协议及相关开源工具，主要关注为 AI Web 建立基础层

Azure-Samples 组织

  1. mcp - 提供在 Azure 上使用多种语言构建和集成 MCP 服务器的示例、工具和资源
  2. mcp-auth-servers - 演示当前 Model Context Protocol 规范认证的参考 MCP 服务器
  3. remote-mcp-functions - 使用 Azure Functions 实现的远程 MCP 服务器的语言特定代码库
  4. remote-mcp-functions-python - 使用 Python 构建和部署自定义远程 MCP 服务器的快速入门模板
  5. remote-mcp-functions-dotnet - 使用 .NET/C# 构建和部署自定义远程 MCP 服务器的快速入门模板
  6. remote-mcp-functions-typescript - 使用 TypeScript 构建和部署自定义远程 MCP 服务器的快速入门模板
  7. remote-mcp-apim-functions-python - 使用 Python 将 Azure API Management 作为远程 MCP 服务器的 AI 网关
  8. AI-Gateway - 包括 MCP 功能的 APIM ❤️ AI 实验，集成 Azure OpenAI 和 AI Foundry

这些代码库提供了各种 MCP 的实现、模板和资源，涵盖从基本服务器实现到认证、云部署和企业集成场景的广泛用例。

MCP 资源目录

官方 Microsoft MCP 仓库中的 MCP 资源目录 提供了一组精选的示例资源、提示模板和工具定义，用于 Model Context Protocol 服务器。这些资源旨在通过提供可重用的构建块和最佳实践示例，帮助开发者快速入门 MCP：

  • 提示模板： 可直接使用的提示模板，适用于常见的 AI 任务和场景，可根据需要调整用于您的 MCP 服务器实现。
  • 工具定义： 示例工具架构和元数据，用于标准化不同 MCP 服务器之间的工具集成和调用。
  • 资源示例： 示例资源定义，用于在 MCP 框架内连接数据源、API 和外部服务。
  • 参考实现： 实际示例，展示如何在真实 MCP 项目中构建和组织资源、提示和工具。

这些资源加速开发，促进标准化，并帮助确保在构建和部署基于 MCP 的解决方案时遵循最佳实践。

MCP 资源目录

研究机会

  • MCP 框架内高效的提示优化技术
  • 多租户 MCP 部署的安全模型
  • 不同 MCP 实现的性能基准测试
  • MCP 服务器的形式化验证方法

结论

Model Context Protocol (MCP) 正在迅速塑造跨行业标准化、安全和可互操作的 AI 集成的未来。通过本课程中的案例研究和实践项目，您已经了解了早期采用者（包括 Microsoft 和 Azure）如何利用 MCP 解决实际问题，加速 AI 采用，并确保合规性、安全性和可扩展性。MCP 的模块化方法使组织能够在统一、可审计的框架中连接大型语言模型、工具和企业数据。随着 MCP 的不断发展，积极参与社区、探索开源资源并应用最佳实践将是构建稳健、面向未来的 AI 解决方案的关键。

附加资源

练习

  1. 分析一个案例研究，并提出替代的实现方法。
  2. 选择一个项目创意并创建详细的技术规范。
  3. 研究案例研究中未涵盖的行业，并概述 MCP 如何解决其特定挑战。
  4. 探索一个未来方向，并为支持该方向创建一个新的 MCP 扩展概念。

下一步：Microsoft MCP Server

免责声明：
本文档使用AI翻译服务Co-op Translator进行翻译。虽然我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们对因使用此翻译而产生的任何误解或误读不承担责任。