教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载Model Context ProtocolMCP正在改变 AI 应用与数据、工具、服务交互的方式。本篇文章基于 mcp-for-beginners 课程第 9 模块09-CaseStudy/系统梳理 8 个真实世界案例覆盖多智能体编排、工作流自动化、文档检索、企业 API 网关、生态系统基础设施与可写服务器安全设计。读完你将掌握 MCP 在不同规模与场景下的集成模式、架构取舍与可复用的实战范式。模块概览与学习目标本模块通过具体的企业级实现示例展示组织如何使用 MCP 解决复杂的业务挑战。深入这些案例后你将能够理解 MCP 如何被应用于解决具体的业务问题学习不同的集成模式与架构方法识别在企业环境中落地 MCP 的最佳实践获取真实实现中遇到的挑战与解决方案的洞见发现将类似模式应用到自身项目的切入点。案例一Azure AI Travel Agents——多智能体编排参考实现完整文档见 travelagentsample.md。这是微软提供的综合性参考解决方案演示如何用 MCP、Azure OpenAI 与 Azure AI Search 构建一个多智能体、AI 驱动的旅行规划应用。关键特性多智能体编排利用 MCP 协调专门化智能体如航班、酒店、行程智能体协作完成复杂的旅行规划任务企业数据集成连接 Azure AI Search 等企业数据源为旅行推荐提供实时、相关的信息安全、可扩展架构借助 Azure 服务完成认证、授权与可扩展部署遵循企业安全最佳实践可扩展工具实现可复用的 MCP 工具与提示词模板可快速适配新领域或新业务需求用户体验由 Azure OpenAI 与 MCP 驱动为用户提供与旅行智能体对话的交互界面。架构与核心组件该方案按模块化、可扩展与企业数据安全集成进行设计主要组件与数据流如下用户界面UI用户通过对话式 UI如 Web 聊天或 Teams Bot输入查询并接收旅行推荐MCP Server协调器作为中央编排层接收用户输入、管理上下文并通过 MCP 协调 FlightAgent、HotelAgent、ItineraryAgent 等专门智能体的动作AI Agents专家助手每个智能体负责一个特定领域航班、酒店、行程以 MCP 工具的形式实现配合提示词模板与业务逻辑处理请求Azure OpenAI Service语言专家提供自然语言理解与生成能力让智能体能理解用户意图并以对话方式回复Azure AI Search 与企业数据信息库智能体检索其中的最新航班、酒店与旅行选项信息认证与安全安全守卫集成 Microsoft Entra ID 做认证并对所有资源应用最小权限访问控制部署面向 Azure Container Apps 设计保证可扩展性、可观测性与运维效率。从源码结构看这套架构的要点在于“MCP 作为协调层”每个领域智能体都被包装成可复用的 MCP 工具从而让新增领域、复用组件与多智能体协作都成为协议层能力而非业务代码的硬编码。技术实现与影响MCP Server 承载核心编排逻辑暴露智能体工具并管理多步旅行规划流程的上下文每个智能体如 FlightAgent、HotelAgent实现为带独立提示词模板与逻辑的 MCP 工具集成 Entra ID 认证与最小权限控制部署到 Azure Container Apps 以获得规模伸缩与运维效率。该案例证明了 MCP 在真实生产级场景中编排多个 AI 智能体的能力也为构建领域特定的 AI 应用提供了可复用蓝本。案例二用 YouTube 数据自动更新 Azure DevOps 工作项完整文档见 UpdateADOItemsFromYT.md。本案例演示如何用 MCP 工具自动化“从在线平台YouTube提取数据 → 更新 Azure DevOpsADO工作项”的工作流。说明已有现成的在线工具与报表可完成类似自动化本场景仅为示例用途用于说明 MCP 工具在自动化与系统集成中的适用方式。场景一名开发者布道师Advocate在DevRel项目中用 ADO 工作项记录每场在线分享工作项中保存了 YouTube 视频 URL 字段。为了准确上报分享的触达效果需要把视频当前播放量与抓取日期写回 ADO 工作项。使用的工具Azure DevOps MCP通过 MCP 提供对 ADO 工作项的程序化访问与更新Playwright MCP自动化浏览器操作从网页如 YouTube 视频统计页提取实时数据。分步工作流定位 ADO 工作项以 ADO 工作项 ID如 1234为起点获取 YouTube URL用 Azure DevOps MCP 工具从工作项读取 YouTube 链接提取播放量用 Playwright MCP 导航到该 URL 并抓取当前播放量更新 ADO 工作项用 Azure DevOps MCP 工具把最新播放量与抓取日期写入工作项的“Impact and Learnings”部分。示例提示词- Work with the ADO Item ID: 1234 - The project is 2025-Awesome - Get the YouTube URL for the ADO item - Use Playwright to get the current views from the YouTube video - Update the ADO item with the current video views and the updated date of the information流程可视化技术实现与收益该流程由 MCP 服务器统一编排协调 Azure DevOps MCP 与 Playwright MCP 两个工具可手动触发或按固定周期调度。同样的模式可扩展到更新点赞数、评论数等其他在线指标或其他数据平台。收益集中在三方面效率减少人工抓取与回填、准确性保证工作项反映最新数据、可重复性同一套流程可复用于不同数据源。案例三至五Microsoft Learn Docs MCP 服务器的三种集成形态完整文档见 docs-mcp/README.md。Docs MCP 服务器端点https://learn.microsoft.com/api/mcp把官方文档直接送进你的应用、IDE 与自定义工具三个场景分别覆盖控制台客户端、Web 应用与编辑器内工作流。场景一Python 控制台客户端实时检索文档目标连接 Docs MCP 服务器调用microsoft_docs_search工具把流式响应记录到控制台。文档给出的最小可运行示例import asyncio from mcp.client.streamable_http import streamablehttp_client from mcp import ClientSession async def main(): async with streamablehttp_client(https://learn.microsoft.com/api/mcp) as (read_stream, write_stream, _): async with ClientSession(read_stream, write_stream) as session: await session.initialize() result await session.call_tool(microsoft_docs_search, {query: Azure Functions best practices}) print(result.content) if __name__ __main__: asyncio.run(main())仓库中提供了带完整日志与错误处理的实现 scenario1.py其核心流程可以拆解为连接与初始化第 33-39 行通过streamablehttp_client(MCP_SERVER_URL)建立流式 HTTP 连接进入ClientSession后调用session.initialize()完成 MCP 握手交互式查询循环第 46-53 行支持用户连续输入查询输入exit/quit退出空查询会提示重试工具调用与结果解析第 56-67 行调用session.call_tool(microsoft_docs_search, {question: user_query})响应的content中每条文本是 JSON 数组逐条解出title与content后格式化打印日志与错误处理使用logging记录连接、初始化、查询执行与失败信息连接失败时给出可操作的排查提示检查网络。运行体验来自文档Prompt What is Azure Key Vault? Answer Azure Key Vault is a cloud service for securely storing and accessing secrets. ...安装与运行说明见 python/README.md先pip install -r requirements.txt再执行python scenario1.py即可进入交互式查询。场景二Chainlit 交互式学习计划生成器本场景把 Docs MCP 集成进 Web 开发项目用户输入主题如“AI-900 认证”与学习时长如 8 周应用通过 MCP 检索 Microsoft Learn 文档返回逐周内容推荐Chainlit 提供对话式聊天界面。文档给出的最小 Chainlit 示例基于 HTTP 请求直连import chainlit as cl import requests MCP_URL https://learn.microsoft.com/api/mcp cl.on_message def handle_message(message): query {question: message} response requests.post(MCP_URL, jsonquery) if response.ok: result response.json() cl.Message(contentresult.get(answer, No answer found.)).send() else: cl.Message(contentError: response.text).send()仓库中的完整实现 scenario2.py 走的是更规范的路子把 Docs MCP 封装成 Semantic Kernel 插件MCPDocsPlugin见 第 23-46 行内部仍用streamablehttp_clientClientSession完成初始化与microsoft_docs_search调用再用ChatCompletionAgent驱动回答cl.on_chat_start初始化 Kernel 与 Agentcl.on_message流式输出答案第 69-115 行。运行前提见 python/README.mdPython 3.8可访问 Docs MCP 服务器使用chainlit run scenario2.py启动浏览器打开终端提示的本地地址如http://localhost:8000需在python目录下的.env中配置 Azure OpenAI 环境变量AZURE_OPENAI_CHAT_DEPLOYMENT_NAME AZURE_OPENAI_API_KEY AZURE_OPENAI_ENDPOINT AZURE_OPENAI_API_VERSION可尝试的示例查询AI-900 certification, 8 weeks、Learn Azure Functions, 4 weeks、Azure DevOps, 6 weeks、Data engineering on Azure, 10 weeks、Microsoft security fundamentals, 5 weeks、Power Platform, 7 weeks、Azure AI services, 12 weeks、Cloud architecture, 9 weeks。场景三VS Code 编辑器内文档本场景把 Microsoft Learn 文档直接带入 VS Code——无需再切换浏览器标签。具体能力在编辑器中即时搜索与阅读文档把参考链接直接插入 README 或课程 markdown让 GitHub Copilot 与 MCP 协同完成 AI 驱动的文档与代码工作流。配置方式在项目根目录创建.vscode/mcp.json内容如下仓库中的现成配置见 mcp.json{ servers: { LearnDocsMCP: { url: https://learn.microsoft.com/api/mcp } } }使用步骤完整图文指南见 scenario3/README.md配置.vscode/mcp.json如上安装并打开 GitHub Copilot Chat 面板在 Chat 面板启用agent mode确认 MCP 服务器出现在可用工具列表中开启新对话并向智能体提问例如“Im trying to write a study plan for topic X. Im going to study it for 8 weeks, for each week, suggest content I should take.”实时查询智能体返回相关文档链接与摘要可直接插入 markdown 文件或用作代码中的引用。可尝试的示例查询“Show me how to use Azure Functions triggers.”“Insert a link to the official documentation for Azure Key Vault.”“What are the best practices for securing Azure resources?”“Find a quickstart for Azure AI services.”该场景对课程作者、文档写作者与需要频繁查阅文档的开发者最为适用。案例六用 Azure API Management 将 REST API 暴露为 MCP 服务器完整文档见 apimsample.md。Azure API ManagementAPIM是位于 API 端点之上的网关服务可代理请求并施加策略天然适合托管 MCP 服务器。为什么是 MCP APIMMCP 正迅速成为智能体 AI 应用暴露工具与数据的事实标准而 MCP 服务器往往需要集成其他 API 来解析工具请求。APIM 带来的能力包括安全API 密钥、JWT、托管标识、限流决定单位时间放行多少调用避免服务过载、伸缩与负载均衡、以及AI 特性语义缓存、token 限额与监控等。两者结合既能把 API 端点变成智能体应用的一部分又能复用 APIM 的企业级能力。前置步骤导入 API若 APIM 中还没有 API先按微软官方流程导入后端 API 到 Azure API Management本仓库未包含该前置步骤的复现代码直接沿用 APIM 官方能力。暴露 API 为 MCP 服务器打开 Azure 门户并访问https://portal.azure.com/?Microsoft_Azure_ApiManagementmcp进入你的 API Management 实例左侧菜单选择APIs MCP Servers Create new MCP Server在 API 中选择要暴露为 MCP 服务器的 REST API选择一个或多个 API Operation 作为工具暴露可全选或只选特定操作点击Create回到APIs MCP Servers面板即可看到新创建的 MCP 服务器URL 列给出可供测试或在客户端应用调用的端点。可选配置限流策略APIM 以 XML 编写策略。要限流 MCP 服务器的工具调用进入APIs MCP Servers选择目标服务器在MCP Policies的策略编辑器中添加如下 XML示例为每个客户端 IP 每 30 秒最多 5 次调用rate-limit-by-key calls5 renewal-period30 counter-key(context.Request.IpAddress) remaining-calls-variable-nameremainingCallsPerIP /在 VS Code 中试用注意Azure API Management 当前通过 Streamable HTTP 的/mcp端点暴露该服务器旧的 HTTPSSE/sse传输已弃用仅供遗留客户端使用。使用 VS Code 与 GitHub Copilot 的 Agent 模式把 MCP 服务器加入mcp.json从命令面板执行MCP: Add Server选择服务器类型HTTP (HTTP or Server Sent Events)输入 APIM 面板中显示的 Streamable HTTP URL格式如https://apim-service-name.azure-api.net/api-name-mcp/mcp输入一个便于识别的服务器 ID选择保存位置工作区设置写入当前工作区的.vscode/mcp.json{ servers: { APIM petstore: { type: http, url: url-to-mcp-server/mcp } } }用户设置写入全局settings.json对所有工作区生效配置认证头APIM 使用名为Ocp-Apim-Subscription-Key的请求头。加入mcp.json时可结合inputs提示用户输入 API 密钥该密钥在 Azure 门户的 APIM 实例中获取{ inputs: [ { type: promptString, id: apim_key, description: API Key for Azure API Management, password: true } ], servers: { APIM petstore: { type: http, url: url-to-mcp-server/mcp, headers: { Ocp-Apim-Subscription-Key: Bearer ${input:apim_key} } } } }随后点击工具图标查看服务器暴露的工具列表在聊天中输入提示词即可调用工具例如针对订单查询工具输入get information from order 2智能体会先请求你确认是否继续运行工具确认后返回文本结果具体输出取决于你暴露的工具。案例七GitHub MCP Registry——加速智能体集成本案例文档内描述于 README.md考察 GitHub 于 2025 年 9 月推出的 MCP Registry 如何解决 AI 生态中的关键难题MCP 服务器发现与部署的碎片化。问题陈述构建智能体工作流的开发者曾面临多重挑战可发现性差MCP 服务器散落在不同平台与仓库中重复的配置问题同样的设置疑问散布在论坛与文档各处安全风险来自未经验证、不可信来源的服务器缺乏标准化服务器质量与兼容性参差不齐。解决方案架构GitHub MCP Registry 将受信任的 MCP 服务器集中管理关键特性包括一键安装通过 VS Code 集成简化安装信号优先于噪声的排序按 Star、活跃度与社区验证排序直接集成与 GitHub Copilot 及其他 MCP 兼容工具打通开放贡献模型允许社区与企业合作伙伴共同贡献。商业影响更快的上手开发者可更快使用诸如 Microsoft Learn MCP Server 之类的工具该服务器把官方文档直接流式送入智能体更高的生产力类似github-mcp-server的专用服务器支持用自然语言完成 GitHub 自动化创建 PR、重跑 CI、代码扫描更强的生态信任通过精选列表与透明的配置标准建立信任。战略价值对专注智能体生命周期管理与可复现工作流的实践者而言Registry 提供了模块化的智能体部署能力、由 Registry 支撑的评测流水线以及跨 AI 平台的互操作性——它不仅是目录更是可扩展的模型集成与智能体系统部署的基础平台。案例八可写远程 MCP 服务器——从智能体发布到社交网络完整文档见 publora-social-publishing.md。本案例剖析一个“可写”远程 MCP 服务器其工具会代表用户执行不可逆操作以社交发布为示例。智能体起草内容 → 人工批准 → 服务器按计划发布到多个平台。说明Publora 是带免费档的商业服务本案例的模式适用于任何代表用户执行不可逆操作的 MCP 服务器。分步工作流连接服务器支持 OAuth 的客户端完成带 PKCE 的授权码流程无头 CLI 等客户端改用请求头中的 API 密钥——走哪条路径取决于客户端而非服务器列出连接智能体调用list_connections获取已连接账号及其标识符起草调用create_post不带计划时间保存为草稿不发布任何内容附加媒体在同一调用中传入公开图片 URL由服务器下载并校验计划发布人工批准后update_post用 ISO 8601 时间把状态置为 scheduled衡量效果LinkedIn 上可用linkedin_post_stats查询帖子上线后的互动数据。可迁移的设计约束这部分是案例最具迁移价值的内容适用于任何“写多于读”的服务器开放发现、鉴权执行tools/list无需凭证即可应答便于注册表、目录与客户端检视而每次tools/call都需要令牌否则返回401并带WWW-Authenticate头。开放发现是部署选择而非 MCP 强制要求受保护部署也可以要求tools/list授权无需带外步骤的 OAuth 注册当前支持动态客户端注册DCR而2026-07-28版规范的方向是 Client ID Metadata DocumentsCIMD——客户端在稳定的 HTTPS URL 托管元数据文档该 URL 即client_id。新服务器应规划 CIMDDCR 仅面向旧客户端保留工具注解不是装饰每个工具携带title与适用的提示readOnlyHint、destructiveHint、idempotentHint、openWorldHint。客户端据此决定向用户确认什么如只读查找可直接执行、删除前须停下确认规范明确注解是不可信的“提示”而非授权机制服务器仍须自行强制规则。此外主流连接器目录在评审时已要求这些注解不可伪造的标识符平台标识符是list_connections返回的不透明字符串schema 明确要求逐字复制、不得猜测。模型是熟练的“猜测器”可写服务器应假定标识符终将被幻觉化并让该路径大声、尽早失败而不是作用于一个看起来合理的值发布前以可操作信息失败部分网络拒绝纯文本帖子、要求图片或视频这在计划发布时校验错误信息会点名平台与缺失项如“Instagram requires media——请附加图片或视频”让智能体可恢复而不是收到笼统的400让重试安全创建内容的create_post与update_post接受幂等键——重复使用相同请求会回放原响应而非产生第二条帖子。其他写操作删除、媒体步骤、LinkedIn 反应与评论不接受幂等键重试并不自动安全提供“不发布任何内容”的测试路径服务器接受保留目标publora-playground像真实目的地一样被校验与确认随后被丢弃——不触达任何真实账号。它被描述在工具 schema 中无需凭证即可读取通过platforms: [publora-playground]调用。这是最实用的细节之一目录评审者、贡献者与 CI 可以端到端走完整条写路径而不冒真实风险。结果与注意事项发布环节从浏览器移到了内容创作的同一对话中“先草稿后人工”的习惯让人保持在环内。需要明确草稿是约定不是边界——同一凭证仍可安排或直接发布真正需要审批门禁的团队必须在工具表面之外强制独立凭证或前置策略层。每个网络各自的差异媒体要求、串帖、回复控制在服务器内统一处理同一服务器无需预签发凭证即可支撑多个 MCP 客户端。给构建者的检查清单最低成本的三个动作给每个工具加注解、给每个写操作加幂等键、提供文档化的 no-op 测试目标尝试开放发现拆分对公开远程服务器无凭证调用tools/list再调用工具并观察401挑战思考你的领域里“撤销”意味着什么若你的操作没有草稿/删除这类等价物确认应内建在工具设计中而不是写在提示词里。总结八个案例的五维全景八个案例覆盖了 MCP 落地的多个维度企业集成Azure API Management 与 Azure DevOps 自动化多智能体编排通过协调的 AI 智能体完成旅行规划开发者生产力VS Code 集成与实时文档访问生态发展GitHub MCP Registry 作为基础平台教育应用交互式学习计划生成器与对话式界面。由此可以获得的关键洞察针对不同规模与用例的架构模式、在功能与可维护性之间平衡的实施策略、生产部署中的安全与可扩展性考量、MCP 服务器开发与客户端集成的最佳实践以及构建互联 AI 解决方案的生态思维。这些例子共同说明MCP 不是理论框架而是成熟、可上生产线的协议——无论你构建的是简单的自动化工具还是复杂的多智能体系统这里的模式都能为你的 MCP 项目提供坚实基础。延伸阅读仓库内材料案例合集入口09-CaseStudy/README.md多智能体参考实现travelagentsample.md工作流自动化示例UpdateADOItemsFromYT.mdDocs MCP 三种集成形态docs-mcp/README.md 及完整源码 solutionscenario1.py、scenario2.py、scenario3/mcp.jsonAPIM 网关案例apimsample.md可写远程服务器案例publora-social-publishing.md若需回顾 MCP 协议版本演进与核心概念可对照 01-CoreConcepts/README.md 与协议快照 01-CoreConcepts/mcp-2026-07-28.md安全相关设计可进一步参阅 02-Security/mcp-best-practices.md下一步上一模块模块 8最佳实践下一模块模块 10用 Microsoft Foundry Toolkit 构建 MCP 服务器并精简 AI 工作流赞分享教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载相关推荐MCP 实战案例集从多智能体编排到企业级 API 暴露的八种真实落地模式MCP 实战案例集从多智能体编排到企业级 API 暴露的八种真实落地模式 导读 本篇文章围绕开源课程《Model Context Protocol MCP f教程文档人工智能Pympler常见问题解答内存分析中遇到的坑与解决方案Pympler常见问题解答内存分析中遇到的坑与解决方案 Pympler是一款强大的Python内存分析工具能够帮助开发者测量、监控和分析Python应用程序开发工具VoltAgent 多智能体研究助手实战用工作流链与 MCP 编排 AI 研究协作VoltAgent 多智能体研究助手实战用工作流链与 MCP 编排 AI 研究协作 本篇技术指南围绕 VoltAgent 开源 TypeScript AI A人工智能AI AgentAgent 框架后端多智能体RAG工具调用Agent 记忆Agent 工作流AI 评测MCP 服务MCP Clients语音创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考