MCP Server that interacts with Azure AI Foundry (experimental)

Azure AI Foundry と連携する MCP サーバー（実験段階）

Azure AI Foundry 用の Model Context Protocol サーバーです。モデル、ナレッジ、評価などに対応する統一されたツールセットを提供します。

重要なお知らせ

Azure AI Foundry 用 MCP サーバー（実験段階）はクラウドに移行し、Foundry MCP Server（プレビュー）として提供されています。公式ドキュメントのFoundry MCP Server（プレビュー）の使用を開始するをご確認ください。この GitHub リポジトリには、以前の実験的なサーバー実装に関する古い情報が含まれており、今後更新されることはありません。代わりに、新しいリモートホスト型のマネージド Foundry MCP Server をご利用ください。次の利点があります。

• AI ツールオーケストレーションのクラウドホスト型インターフェイス：Foundry MCP Server（プレビュー）は、MCP 準拠のクライアント向けに、安全でスケーラブルなエンドポイントを提供します。インフラストラクチャをデプロイする必要がなく、シームレスな統合とマルチエージェントのシナリオを実現できます。
• ID とアクセス制御：サーバーは Microsoft Entra ID による認証と認可を適用します。すべての操作は、認証済みユーザーの権限内で実行されます（On-Behalf-Of フロー）。
• シナリオに特化した拡張可能なツール：MCP サーバーは、Microsoft Foundry のモデル、デプロイ、評価、エージェントに対する読み取りおよび書き込み操作用のツールを順次拡充しながら公開します。ツールは拡張可能なため、開発者やエージェントはバックエンド API やデータスキーマを把握せずにサービスを操作できます。
• エージェントと開発者の生産性を向上：自然言語によるワークフロー（MCP クライアントと LLM を介したもの）により、ツールをすばやく見つけて呼び出せるため、開発とマルチエージェントのオーケストレーションが効率化されます。

このリポジトリの残りの部分（コードベースを含む）では、現在非推奨となっている Azure AI Foundry と連携する MCP サーバー（実験段階）について説明します。

---

利用可能なツール

機能：モデル

カテゴリ	ツール	説明
探索	list_models_from_model_catalog	Azure AI Foundry カタログでサポートされているモデルの一覧を取得します。
	list_azure_ai_foundry_labs_projects	Azure AI Foundry Labs で利用可能な、Microsoft Research の最先端 AI モデルの一覧を取得します。
	get_model_details_and_code_samples	Azure AI Foundry カタログの特定のモデルに関する詳細情報を取得します。
構築	get_prototyping_instructions_for_github_and_labs	Azure AI Foundry および Azure AI Foundry Labs のモデルを使い始めるための、包括的な手順とセットアップガイダンスを提供します。
デプロイ	get_model_quotas	特定の Azure ロケーションにおけるモデルのクォータを取得します。
	create_azure_ai_services_account	Azure AI Services アカウントを作成します。
	list_deployments_from_azure_ai_services	Azure AI Services のデプロイ一覧を取得します。
	deploy_model_on_ai_services	Azure AI Services にモデルをデプロイします。
	create_foundry_project	新しい Azure AI Foundry プロジェクトを作成します。

機能：ナレッジ

カテゴリ	ツール	説明
インデックス	list_index_names	AI Search Service のすべてのインデックス名を取得します
	list_index_schemas	AI Search Service のすべてのインデックススキーマを取得します
	retrieve_index_schema	AI Search Service の特定のインデックスのスキーマを取得します
	create_index	新しいインデックスを作成します
	modify_index	既存のインデックス定義を変更します
	delete_index	既存のインデックスを削除します
ドキュメント	add_document	インデックスにドキュメントを追加します
	delete_document	インデックスからドキュメントを削除します
クエリ	query_index	特定のインデックスを検索し、一致するドキュメントを取得します
	get_document_count	インデックス内のドキュメントの総数を返します
インデクサー	list_indexers	AI Search Service のすべてのインデクサー名を取得します
	get_indexer	AI Search Service の特定のインデクサーの完全な定義を取得します
	create_indexer	スキル、インデックス、データソースを指定して、Search Service に新しいインデクサーを作成します
	delete_indexer	名前を指定して、AI Search Service からインデクサーを削除します
データソース	list_data_sources	AI Search Service のすべてのデータソース名を取得します
	get_data_source	特定のデータソースの完全な定義を取得します
スキルセット	list_skill_sets	AI Search Service のすべてのスキルセット名を取得します
	get_skill_set	特定のスキルセットの完全な定義を取得します
コンテンツ	fk_fetch_local_file_contents	ローカルファイルパスの内容（サンプル JSON、ドキュメントなど）を取得します
	fk_fetch_url_contents	URL の内容（サンプル JSON、ドキュメントなど）を取得します

機能：評価

カテゴリ	ツール	説明
評価ユーティリティ	list_text_evaluators	利用可能なすべてのテキスト評価器を一覧表示します。
	list_agent_evaluators	利用可能なすべてのエージェント評価器を一覧表示します。
	get_text_evaluator_requirements	各テキスト評価器の入力要件を表示します。
	get_agent_evaluator_requirements	各エージェント評価器の入力要件を表示します。
テキスト評価	run_text_eval	JSONL ファイルまたはコンテンツに対して、1 つ以上のテキスト評価器を実行します。
	format_evaluation_report	評価結果を読みやすい Markdown レポートに変換します。
エージェント評価	agent_query_and_evaluate	エージェントにクエリを送信し、選択した評価器を使用して応答を評価します。エンドツーエンドのエージェント評価です。
	run_agent_eval	クエリ、応答、ツール呼び出し、定義などの特定のデータを使用して、エージェントとの単一のやり取りを評価します。
エージェントサービス	list_agents	設定済みプロジェクトで利用可能なすべての Azure AI Agents を一覧表示します。
	connect_agent	指定したエージェントにクエリを送信します。
	query_default_agent	環境変数で定義されたデフォルトのエージェントにクエリを送信します。

機能：ファインチューニング

カテゴリ	ツール	説明
ファインチューニング	fetch_finetuning_status	特定のファインチューニングジョブの状態とメタデータを詳細に取得します。ジョブの状態、モデル、作成日時と完了日時、ハイパーパラメーター、エラーがあればその内容が含まれます。
	list_finetuning_jobs	リソース内のすべてのファインチューニングジョブを一覧表示します。追跡と管理を容易にするため、ジョブ ID と現在の状態を返します。
	get_finetuning_job_events	特定のファインチューニングジョブのすべてのイベントを時系列順に取得します。各トレーニングステップ、評価、完了に関するタイムスタンプと詳細なメッセージが含まれます。
	get_finetuning_metrics	特定のファインチューニングジョブのトレーニングと評価のメトリクスを取得します。損失曲線、精度、監視と分析に役立つその他のパフォーマンス指標が含まれます。
	list_finetuning_files	Azure OpenAI でファインチューニングに利用できるすべてのファイルを一覧表示します。ファイル ID、名前、用途、状態が含まれます。
	execute_dynamic_swagger_action	Swagger 仕様から動的に生成された任意のツールを実行し、高度なシナリオで柔軟な API 呼び出しを可能にします。
	list_dynamic_swagger_tools	Swagger 仕様から動的に登録されたすべてのツールを一覧表示し、利用可能な API エンドポイントの検出と自動化を可能にします。

プロンプトの例

モデル

モデルを探す

• 適切なモデルを見つけるには、どのようにサポートしてもらえますか？
• Azure AI Foundry ではどのモデルを使えますか？
• Azure AI Foundry ではどの OpenAI モデルを利用できますか？
• Azure AI Foundry で特に人気のあるモデルは何ですか？10 個選んでください。
• 推論に適したモデルは何ですか？大規模モデルと小規模モデルの 2 つに分けて、いくつか例を示してください。
• Phi モデルを比較して、違いを説明してもらえますか？
• Phi-4-reasoning のモデルカードを見せてください。
• モデルのテスト方法を教えてもらえますか？
• Azure AI Foundry の無料プレイグラウンドとは何ですか？
• GitHub トークンを使ってモデルをテストできますか？
• GitHub トークンに対応している最新のモデルを見せてください。
• Azure AI Foundry のモデルの提供元はどこですか？
• Meta のモデルを見せてください。
• MIT ライセンスのモデルを見せてください。

プロトタイプを構築する

• モデルを使ったプロトタイプの構築をどのようにサポートしてもらえるか、説明してください。
• GitHub トークンを使って OpenAI モデルを利用するプロトタイプをどのように構築できるか説明してください。まだ作成しないでください。
• モデルを使ってプロトタイプを構築するシナリオをいくつか提案してください。
• Azure AI Foundry Labs について教えてください。
• Magentic One について詳しく教えてください。
• Omniparser とは何ですか？どのようなユースケースが考えられますか？
• Omniparser を使ったプロトタイプの構築を手伝ってもらえますか？

OpenAI モデルをデプロイする

• OpenAI モデルのデプロイを手伝ってもらえますか？
• Azure AI Foundry に OpenAI モデルをデプロイするには、どのような手順が必要ですか？
• GitHub トークンを使って Azure AI Foundry で OpenAI モデルを利用する方法を教えてください。本番環境でも使えますか？
• すでに Azure AI services リソースを持っています。そのリソースに OpenAI モデルをデプロイできますか？
• Azure AI Foundry における OpenAI モデルのクォータとは何ですか？
• AI services リソースの現在のクォータを取得してください。

GitHub Copilot を使ったクイックスタート

この GitHub テンプレートは、MCP サーバーの設定と必要な依存関係を備えた最小限のセットアップで、独自のプロジェクトを簡単に始められます。

これにより、ユーザー設定で VS Code 環境に MCP サーバーを自動的に設定できます。 サーバーを実行するには、環境に uvx をインストールしておく必要があります。

手動セットアップ

1. uv のインストールに従って uv をインストールします。

2. VS Code で新しいワークスペースを開始します。

3. （任意）環境変数を設定するため、ワークスペースのルートに .env ファイルを作成します。

4. ワークスペースのルートに .vscode/mcp.json を作成します。

   {
       "servers": {
           "mcp_foundry_server": {
               "type": "stdio",
               "command": "uvx",
               "args": [
                   "--prerelease=allow",
                   "--from",
                   "git+https://github.com/azure-ai-foundry/mcp-foundry.git",
                   "run-azure-ai-foundry-mcp",
                   "--envFile",
                   "${workspaceFolder}/.env"
               ]
           }
       }
   }
   

5. .vscode/mcp.json ファイルで、サーバーの Start ボタンをクリックします。

6. GitHub Copilot のチャットをエージェントモードで開き、質問を始めます。

MCP サーバーのセットアップ方法について詳しくは、高度なセットアップのその他の例をご覧ください。

環境変数の設定

API キー、エンドポイント、その他の機密データなどの情報を MCP サーバーに安全に渡すには、環境変数を使用できます。これは、認証や外部サービスへのアクセスが必要なツールで特に重要です。

これらの環境変数は、プロジェクトのルートにある .env ファイルで設定できます。MCP Server のセットアップ時に .env ファイルの場所を指定すると、サーバーは起動時にこれらの変数を自動的に読み込みます。

設定例については、.env ファイルの例を参照してください。

カテゴリ	変数	必須？	説明
モデル	GITHUB_TOKEN	いいえ	レート制限の範囲内でモデルを無料でテストするための GitHub トークンです。
ナレッジ	AZURE_AI_SEARCH_ENDPOINT	常に	Azure AI Search サービスのエンドポイント URL です。次のような形式です：https://<your-search-service-name>.search.windows.net/。
	AZURE_AI_SEARCH_API_VERSION	いいえ	使用する API バージョンです。デフォルトは 2025-03-01-preview です。
	SEARCH_AUTHENTICATION_METHOD	常に	service-principal または api-search-key。
	AZURE_TENANT_ID	service-principal の使用時に必要	Azure Active Directory テナントの ID です。
	AZURE_CLIENT_ID	service-principal の使用時に必要	サービスプリンシパル（アプリ登録）の ID です。
	AZURE_CLIENT_SECRET	service-principal の使用時に必要	サービスプリンシパルのシークレット資格情報です。
	AZURE_AI_SEARCH_API_KEY	api-search-key の使用時に必要	Azure AI Search サービスの API キーです。
評価	EVAL_DATA_DIR	常に	JSONL 評価データセットへのパスです
	AZURE_OPENAI_ENDPOINT	テキスト品質評価器	Azure OpenAI のエンドポイントです
	AZURE_OPENAI_API_KEY	テキスト品質評価器	Azure OpenAI の API キーです
	AZURE_OPENAI_DEPLOYMENT	テキスト品質評価器	デプロイ名（例：gpt-4o）
	AZURE_OPENAI_API_VERSION	テキスト品質評価器	OpenAI API のバージョンです
	AZURE_AI_PROJECT_ENDPOINT	エージェントサービス	Azure AI Agent のクエリと評価に使用します

メモ

モデル

• GITHUB_TOKEN は、モデルをテストするために GitHub API の認証に使用します。Foundry カタログのモデルを確認する場合は必要ありません。

ナレッジ

• 検索サービスのプロビジョニングについて詳しくは、検索サービスの作成を参照してください。
• Azure AI Search は複数の認証方法をサポートしています。リクエストの認証には、Microsoft Entra 認証またはキー ベースの認証を使用できます。認証方法の選択は、セキュリティ要件と使用する Azure 環境によって異なります。
• 検索サービスの認証方法について詳しくは、認証を参照してください。

評価

• エージェントツールまたは安全性評価器を使用する場合は、Azure プロジェクトの資格情報が有効であることを確認してください。
• テキスト品質評価のみを行う場合は、OpenAI のエンドポイントとキーで十分です。

ライセンス

MITライセンスです。詳細についてはLICENSEをご覧ください。