MCP Fun

Azure容器应用程序上的Azure ML MCP服务器

部署a 模型上下文协议（MCP） 服务器到Azure容器应用程序，将Azure ML端点作为AI代理的工具公开。

🎯 这有什么作用

此项目创建了一个MCP服务器，该服务器：

• 继续运行 Azure容器应用 （无服务器，可扩展到零）
• 暴露 Azure ML管理的在线端点 作为MCP工具
• 使用 Azure AI Foundry代理, Copilot工作室，以及任何兼容MCP的客户端

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│  AI Foundry     │────▶│  MCP Server     │────▶│  Azure ML       │
│  Agent          │ MCP │  (Container App)│HTTP │  Endpoint       │
└─────────────────┘     └─────────────────┘     └─────────────────┘

📋 先决条件

1. Azure订阅 具有创建资源的权限
2. Azure ML托管在线端点 已部署并正在运行
3. Azure命令行界面 已安装(安装指南)
4. 码头工人 安装用于当地开发和建筑图像
5. Python 3.11+ 用于本地测试

🚀 快速开始

1.克隆和配置

# Clone the repository
git clone 
cd 

# Copy environment template
cp .env.sample .env   # Linux/macOS
copy .env.sample .env  # Windows CMD
Copy-Item .env.sample .env  # Windows PowerShell

# Edit .env with your Azure ML endpoint details
# Get these from Azure ML Studio > Endpoints > Your endpoint > Consume tab

2.本地测试

# Create virtual environment
python -m venv .venv
.venv\Scripts\activate  # Windows
# source .venv/bin/activate  # Linux/Mac

# Install dependencies
pip install -r requirements.txt

# Run the server
python server.py

卷曲测试：

curl -X POST http://localhost:8080/mcp/mcp \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","method":"tools/list","id":1}'

3.部署到Azure

Bash（Linux/macOS/WSL）

# Login to Azure
az login

# Create resource group
az group create --name rg-mcp-server --location eastus

# Update parameters with your Azure ML credentials
# Edit infra/main.parameters.bicepparam

# Deploy infrastructure
az deployment group create \
  --resource-group rg-mcp-server \
  --template-file infra/main.bicep \
  --parameters infra/main.parameters.bicepparam

# Get the ACR name from the output
ACR_NAME=$(az deployment group show -g rg-mcp-server -n main --query properties.outputs.acrName.value -o tsv)

# Build and push Docker image
az acr login --name $ACR_NAME
docker build -t $ACR_NAME.azurecr.io/mcp-server:latest .
docker push $ACR_NAME.azurecr.io/mcp-server:latest

# Restart the container app to pull the new image
az containerapp update \
  --name mcp-server \
  --resource-group rg-mcp-server

PowerShell（Windows）

# Login to Azure
az login

# Create resource group
az group create --name rg-mcp-server --location eastus

# Update parameters with your Azure ML credentials
# Edit infra/main.parameters.bicepparam

# Deploy infrastructure
az deployment group create `
  --resource-group rg-mcp-server `
  --template-file infra/main.bicep `
  --parameters infra/main.parameters.bicepparam

# Get the ACR name from the output
$ACR_NAME = az deployment group show -g rg-mcp-server -n main --query properties.outputs.acrName.value -o tsv

# Build and push Docker image
az acr login --name $ACR_NAME
docker build -t "$ACR_NAME.azurecr.io/mcp-server:latest" .
docker push "$ACR_NAME.azurecr.io/mcp-server:latest"

# Restart the container app to pull the new image
az containerapp update `
  --name mcp-server `
  --resource-group rg-mcp-server

4.获取您的MCP端点

az deployment group show \
  --resource-group rg-mcp-server \
  --name main \
  --query properties.outputs.mcpEndpoint.value -o tsv

您的MCP终点将是： https://.azurecontainerapps.io/mcp/mcp

🤖 连接到Azure AI Foundry

1. 首选 Azure AI 铸造厂
2. 导航到您的项目> 代理 > 工具
3. 点击 +新工具 > MCP工具
4. 配置：

- 名字: AzureMLScoring （或您喜欢的名字） - 服务器URL: https://.azurecontainerapps.io/mcp/mcp - 认证类型：无（应用程序内部使用托管机密）

1. 在代理中保存并测试该工具

📁 项目结构

├── server.py              # MCP server with Azure ML tool
├── requirements.txt       # Python dependencies
├── Dockerfile            # Container image definition
├── .env.sample           # Environment variables template
├── .gitignore            # Git ignore rules
├── .dockerignore         # Docker build exclusions
└── infra/
    ├── main.bicep              # Azure infrastructure definition
    └── main.parameters.bicepparam  # Deployment parameters

🔧 自定义工具

⚠️ 重要：示例代码是为一个任意预测模型配置的。你 必须 修改 server.py 以匹配您自己的Azure ML模型的预期输入模式（列名、数据类型）和输出格式。

编辑 server.py 要修改MCP工具：

1. 更改功能参数 以匹配模型的输入
2. 更新DataFrame列 以匹配模型的预期架构
3. 修改文档字符串 准确描述你的工具（这就是AI代理看到的）

@mcp.tool()
def invoke_azure_ml_endpoint(
    # Change these parameters to match your model's inputs
    your_param_1: float,
    your_param_2: str,
) -> float:
    """
    Update this docstring to describe your tool - AI agents use this to understand
    when and how to call your tool.
    """
    # Modify the DataFrame columns to match your model's expected schema
    df = pd.DataFrame(
        [[float(your_param_1), your_param_2]], 
        columns=["YourColumn1", "YourColumn2"]  # Change to your model's column names
    )
    
    # The payload structure may need adjustment - test your model in the 
    # Azure ML Studio 'Test' tab to see the expected format
    data = {"input_data": df.to_dict(orient='split')}
    # ... rest of the function

🐛 故障排除

421错误请求错误

如果在日志中看到此错误，请确保已禁用DNS重新绑定保护：

from mcp.server.fastmcp import FastMCP
from mcp.server.transport_security import TransportSecuritySettings

mcp = FastMCP(
    "your-server-name",
    stateless_http=True,
    transport_security=TransportSecuritySettings(enable_dns_rebinding_protection=False)
)

请参阅：

容器未启动

检查日志：

az containerapp logs show \
  --name mcp-server \
  --resource-group rg-mcp-server \
  --follow

Azure ML终结点错误

验证您的端点是否可访问：

curl -X POST $AML_SCORE_URL \
  -H "Authorization: Bearer $AML_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"input_data": {"columns": ["col1"], "data": [[1]]}}'

📚 资源

• 模型上下文协议
• FastMCP文档
• Azure容器应用
• Azure ML管理端点
• Azure AI 铸造厂

⚠️ 生产注意事项

此示例旨在用于学习和原型制作。在部署到生产环境之前，请考虑以下事项：

🔐 身份验证和授权

• 无端点身份验证：MCP端点可公开访问。对于生产，请考虑：

- Azure容器应用程序身份验证 （轻松认证） - 应用程序代码中的API密钥验证 - Azure API管理 作为网关 - OAuth 2.0/Microsoft Entra ID集成

🌐 网络安全

• 公众入口：容器应用程序暴露在互联网上。对于企业场景，请考虑：

- Direct3D集成 用于专用网络 - 专用端点 限制访问 - 控制流量的网络安全组（NSG） - 通过私有端点连接到Azure ML端点

🔑 秘密管理

• 内联秘密：秘密直接存储在容器应用程序配置中。生产：

- 使用 Azure密钥库 具有管理身份 - 定期轮换机密 - 避免在参数文件中存储机密（使用Azure DevOps/GitHub机密进行CI/CD）

📊 监测和可观察性

• 仅用于基本日志记录：考虑添加：

- 应用洞察 用于分布式跟踪 - 模型推理延迟和错误率的自定义指标 - 故障和性能下降警报

🏗️ 基础设施

• 单一区域：此示例部署到一个区域。为了实现高可用性：

- 使用流量管理器部署到多个区域 - 考虑 Azure前门 用于全局负载平衡 - 实施健康探测和故障转移策略

🛡️ 其他企业要求

• 跨域资源共享：目前允许所有来源(*).仅限于生产中的特定域。
• 速率限制：未配置速率限制。考虑API管理或应用程序级节流。
• 合规：确保部署符合组织的合规要求（SOC 2、HIPAA等）

📄 许可证

MIT许可证-请参阅 许可证 了解详情。