企业官网建设流程全解析

• 教程
• 文档
• 人工智能

本文以 mcp-for-beginners 仓库中《Streamlining AI Workflows: Building an MCP Server with Microsoft Foundry Toolkit》工作坊文档为骨架，系统讲解如何将 Model Context Protocol（MCP）与 Microsoft Foundry Toolkit 扩展组合使用，从零完成 AI 应用的智能化升级。读完本文，你将掌握 Model Catalog 与 Agent Builder 的完整用法、MCP 客户端-服务器架构、基于 MCP Python SDK 编写自定义服务器（Weather 与 GitHub Clone 两个实战案例），以及结合 VS Code 调试器与 MCP Inspector 的专业调试工作流，最终具备把 AI 模型接入真实业务工具与服务的实战能力。

工作坊概览：MCP × Microsoft Foundry Toolkit

该工作坊将两项前沿技术组合成一条完整的动手实践（Hands-On）学习路径：

• Model Context Protocol（MCP）：连接 AI 模型与外部工具、数据源和服务的开放标准，实现"一次协议、无限接入"；
• Microsoft Foundry Toolkit 扩展（VS Code）：微软推出的 AI 开发扩展，把 VS Code 打造成集模型管理、提示词工程、Agent 构建与 MCP 集成于一体的 AI 开发环境。

工作坊以"从自动化测试到自定义 API 集成"为线索，覆盖会话建立（session setup）到服务编排（service orchestration）的完整链路，最终目标是培养读者解决复杂业务问题的实战能力。

兼容性说明：工作坊代码基于 MCP2025-11-25规范构建与验证（见文档徽标）；对于新的协议实现，应使用当前的2026-07-28规范，并在迁移实验室代码前查看 SDK 发布说明。此外，Lab 3 中明确提示：其 Inspector 调试地址使用传统的/sse端点，并锁定 MCP SDK1.9.3与 Inspector0.14.0依赖，并非2026-07-28规范的 Streamable HTTP 示例——动手前务必先确认你使用的规范版本与依赖组合。

核心技术栈拆解

MCP：AI 应用的"USB-C"

MCP 被誉为"AI 的 USB-C"——正如 USB-C 终结了线缆混战的乱局，MCP 用一套统一协议消除了 AI 集成中的碎片化。其关键特性包括：

• 标准化集成：提供 AI 与工具连接的通用接口；
• 灵活架构：通过 stdio / SSE（Server-Sent Events）等传输方式同时支持本地与远程服务器；
• 丰富生态：工具（Tools）、提示词（Prompts）与资源（Resources）统一在一个协议内；
• 企业就绪：内置安全与可靠性设计。

MCP 解决的痛点：在 MCP 之前，每种工具都需要定制集成、专有方案造成厂商锁定、临时连接带来安全隐患、基础集成往往耗费数月开发周期；引入 MCP 之后，工具接入即插即用、架构与厂商无关、内置安全最佳实践、新增能力只需数分钟。

MCP 架构采用客户端-服务器模型，构成一个安全、可扩展的生态：

四个核心组件各司其职：

Microsoft Foundry Toolkit：VS Code 的 AI 增强引擎

微软的旗舰级 AI 开发扩展，核心能力包括：

• Model Catalog（模型目录）：接入 GitHub、ONNX、OpenAI、Anthropic、Google 等来源的 100+ 模型，一站式发现与对比；
• 本地推理：ONNX 优化的 CPU / GPU / NPU 执行；
• Agent Builder（智能体构建器）：可视化开发 AI Agent，并内置 MCP 集成；
• 多模态支持：文本、视觉与结构化输出。

对开发者而言，它带来零配置模型部署、可视化提示词工程、实时测试 Playground、无缝 MCP 服务器集成的开发体验。

四模块学习路径总览

工作坊由 4 个递进式模块组成，形成"工具基础 → MCP 集成 → 自定义开发 → 生产落地"的完整闭环：

模块一：Microsoft Foundry Toolkit 基础（15 分钟）

对应文档 10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit/lab1/README.md，学习目标：

• 安装并配置 VS Code 的 Microsoft Foundry Toolkit 扩展；
• 探索 Model Catalog（100+ 模型，覆盖 GitHub、ONNX、OpenAI、Anthropic、Google）；
• 掌握 Interactive Playground 的实时模型测试；
• 用 Agent Builder 构建第一个 AI Agent；
• 使用内置指标（F1、relevance、similarity、coherence）评估模型性能；
• 了解批量处理与多模态支持。

产出：创建可运行的 AI Agent，并全面理解 Foundry Toolkit 能力边界。

模块二：MCP + Foundry Toolkit 基础（20 分钟）

对应 10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit/lab2/README.md，学习目标：

• 掌握 MCP 架构与核心概念；
• 探索微软 MCP 服务器生态（Azure、Dataverse、Playwright、Files、MarkItDown、Clarity 等）；
• 基于 Playwright MCP 服务器构建浏览器自动化 Agent；
• 在 Agent Builder 中集成、配置与测试 MCP 工具；
• 导出并部署由 MCP 驱动的 Agent。

产出：部署一个通过 MCP 外接工具的"超级 Agent"。

模块三：Foundry Toolkit 高级 MCP 开发（20 分钟）

对应 10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit/lab3/README.md，学习目标：

• 使用 Foundry Toolkit 模板创建自定义 MCP 服务器；
• 配置并使用 MCP Python SDK（实验室文档锁定 v1.9.3）；
• 搭建 MCP Inspector 调试环境；
• 构建 Weather MCP 服务器并掌握专业调试流程；
• 在 Agent Builder 与 Inspector 双环境下调试服务器。

产出：掌握现代工具链下的自定义 MCP 服务器开发与调试。

模块四：实战——自定义 GitHub Clone 服务器（30 分钟）

对应 10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit/lab4/README.md，学习目标：

• 构建真实场景的 GitHub Clone MCP 服务器；
• 实现带校验与错误处理的智能仓库克隆；
• 实现目录管理与 VS Code 集成；
• 在 GitHub Copilot Agent Mode 中使用自定义 MCP 工具；
• 应用生产级可靠性与跨平台兼容设计。

产出：部署一个能简化真实开发流程的生产级 MCP 服务器。

环境准备与前置条件

系统要求

推荐的 VS Code 扩展

• Microsoft Foundry Toolkit（ms-windows-ai-studio.windows-ai-studio）
• Python（ms-python.python）
• Python Debugger（ms-python.debugpy）
• GitHub Copilot（GitHub.copilot）——可选但有帮助

可选工具

• uv：现代 Python 包管理器（uv sync安装依赖）；
• MCP Inspector：MCP 服务器的可视化调试工具；
• Playwright：用于 Web 自动化示例。

源码剖析一：基于 MCP Python SDK 的 Weather 服务器

Lab 3 引导你通过 Agent Builder 的Tools → Add Tool → MCP Server → Create A new MCP Server →python-weather模板生成weather_mcp项目。仓库中的完整工程位于 10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit/lab3/code/weather_mcp/，结构如下：

weather_mcp/ ├── src/ │ ├── __init__.py # 入口：按参数选择 sse / stdio 传输 │ └── server.py # FastMCP 服务器与工具定义 ├── inspector/ │ ├── package.json # MCP Inspector 启动脚本 │ └── package-lock.json ├── pyproject.toml # Python 依赖声明 ├── uv.lock └── README.md

服务器实现：server.py

核心代码见 server.py：

import json import random from mcp.server.fastmcp import FastMCP # Initialize FastMCP server server = FastMCP("weather_mcp") @server.tool() async def get_weather(location: str) -> str: """Get weather for a location. Args: location: Location to get weather for, e.g., city name, state, or coordinates """ if not location: return "Location is required." # mock weather data conditions = [ "Sunny", "Rainy", "Cloudy", "Snowy" ] weather = { "location": location, "temperature": f"{random.randint(10, 90)}°F", "condition": random.choice(conditions), } return json.dumps(weather, ensure_ascii=False)

关键点：FastMCP("weather_mcp")初始化服务器实例，@server.tool()装饰器把异步函数注册为可供 LLM 调用的 MCP 工具；工具函数通过类型注解（location: str）自动生成 JSON Schema 供模型感知；返回值以 JSON 字符串形式返回结构化结果。当前版本使用模拟天气数据演示，你可以在真实项目中替换为外部天气 API 调用。

入口点：init.py

见init.py，它决定了服务器以何种传输方式运行：

import os import sys from server import server if __name__ == "__main__": """Main entry point""" transport_type = sys.argv[1] if len(sys.argv) > 1 else None server.settings.log_level = os.environ.get("LOG_LEVEL", "DEBUG") if transport_type == "sse": port = int(os.environ.get("PORT", 3001)) server.settings.port = port server.settings.host = "127.0.0.1" server.run(transport="sse") elif transport_type == "stdio": server.run(transport="stdio") else: print("Invalid transport type. Use 'sse' or 'stdio'.") sys.exit(1)

入口逻辑清晰：通过命令行第一个参数选择传输类型——sse模式监听PORT环境变量（默认 3001）并绑定127.0.0.1，适合配合 Inspector 调试；stdio模式用于被 Host 进程直接拉起；日志级别通过LOG_LEVEL环境变量控制，默认DEBUG。

依赖声明：pyproject.toml

仓库内 pyproject.toml 声明：

[project] name = "weather_mcp" version = "0.1.0" description = "A simple MCP weather server" readme = "README.md" requires-python = ">=3.10" dependencies = [ "mcp>=1.26.0" ] [project.optional-dependencies] dev = ["debugpy==1.8.8"]

注意：Lab 3 文档正文标注锁定 MCP SDK1.9.3与 Inspector0.14.0，而仓库中提交的代码文件已升级为mcp>=1.26.0，Inspector 依赖为@modelcontextprotocol/inspector2.0.0（见 inspector/package.json，其dev:inspector脚本直接运行mcp-inspector，并通过overrides将shell-quote锁定到1.8.4）。动手时请以你实际安装的 SDK 版本为准，并注意版本差异带来的行为变化。

专业调试工作流：VS Code 调试配置深度解读

Lab 3 的核心亮点是双环境调试。先安装依赖：

# Python 依赖（项目根目录） uv sync # Inspector 依赖 cd inspector npm install

launch.json：三种调试入口

{ "version": "0.2.0", "configurations": [ { "name": "Attach to Local MCP", "type": "debugpy", "request": "attach", "connect": { "host": "localhost", "port": 5678 }, "presentation": { "hidden": true }, "internalConsoleOptions": "neverOpen", "postDebugTask": "Terminate All Tasks" }, { "name": "Launch Inspector (Edge)", "type": "msedge", "request": "launch", "url": "http://localhost:6274?timeout=60000&serverUrl=http://localhost:3001/sse#tools", "cascadeTerminateToConfigurations": ["Attach to Local MCP"], "presentation": { "hidden": true }, "internalConsoleOptions": "neverOpen" }, { "name": "Launch Inspector (Chrome)", "type": "chrome", "request": "launch", "url": "http://localhost:6274?timeout=60000&serverUrl=http://localhost:3001/sse#tools", "cascadeTerminateToConfigurations": ["Attach to Local MCP"], "presentation": { "hidden": true }, "internalConsoleOptions": "neverOpen" } ], "compounds": [ { "name": "Debug in Agent Builder", "configurations": ["Attach to Local MCP"], "preLaunchTask": "Open Agent Builder" }, { "name": "Debug in Inspector (Edge)", "configurations": ["Launch Inspector (Edge)", "Attach to Local MCP"], "preLaunchTask": "Start MCP Inspector", "stopAll": true }, { "name": "Debug in Inspector (Chrome)", "configurations": ["Launch Inspector (Chrome)", "Attach to Local MCP"], "preLaunchTask": "Start MCP Inspector", "stopAll": true } ] }

三个入口的含义：

• Attach to Local MCP：用 debugpy 附加到5678端口上已由任务启动的 MCP 服务器进程，实现断点调试；
• Launch Inspector (Edge / Chrome)：用浏览器打开http://localhost:6274，并携带serverUrl=http://localhost:3001/sse指向本地 SSE 服务器，#tools锚点直达工具面板；
• 两个 compound 配置：一键组合"启动服务器 + 打开 Agent Builder"或"启动服务器 + 启动 Inspector + 附加调试器"，按下 F5 即可进入完整调试会话。

tasks.json：后台任务的编排

{ "version": "2.0.0", "tasks": [ { "label": "Start MCP Server", "type": "shell", "command": "python -m debugpy --listen 127.0.0.1:5678 src/__init__.py sse", "isBackground": true, "options": { "cwd": "${workspaceFolder}", "env": { "PORT": "3001" } }, "problemMatcher": { "pattern": [ { "regexp": "^.*$", "file": 0, "location": 1, "message": 2 } ], "background": { "activeOnStart": true, "beginsPattern": ".*", "endsPattern": "Application startup complete|running" } } }, { "label": "Start MCP Inspector", "type": "shell", "command": "npm run dev:inspector", "isBackground": true, "options": { "cwd": "${workspaceFolder}/inspector", "env": { "CLIENT_PORT": "6274", "SERVER_PORT": "6277" } }, "problemMatcher": { "pattern": [ { "regexp": "^.*$", "file": 0, "location": 1, "message": 2 } ], "background": { "activeOnStart": true, "beginsPattern": "Starting MCP inspector", "endsPattern": "Proxy server listening on port" } }, "dependsOn": [ "Start MCP Server" ] }, { "label": "Open Agent Builder", "type": "shell", "command": "echo ${input:openAgentBuilder}", "presentation": { "reveal": "never" }, "dependsOn": [ "Start MCP Server" ] }, { "label": "Terminate All Tasks", "command": "echo ${input:terminate}", "type": "shell", "problemMatcher": [] } ], "inputs": [ { "id": "openAgentBuilder", "type": "command", "command": "ai-mlstudio.agentBuilder", "args": { "initialMCPs": [ "local-server-weather_mcp" ], "triggeredFrom": "vsc-tasks" } }, { "id": "terminate", "type": "command", "command": "workbench.action.tasks.terminate", "args": "terminateAll" } ] }

编排逻辑要点：

• Start MCP Server：以python -m debugpy --listen 127.0.0.1:5678启动带调试监听的服务器（SSE 传输、端口 3001），并配置 background problemMatcher 识别启动完成标志；
• Start MCP Inspector：在 inspector 目录运行npm run dev:inspector，占用CLIENT_PORT=6274与SERVER_PORT=6277，且依赖服务器已启动；
• Open Agent Builder：通过ai-mlstudio.agentBuilder命令直接打开 Agent Builder，并用initialMCPs: ["local-server-weather_mcp"]预挂载本地服务器，实现"启动即连接"。

双环境测试

Agent Builder 调试：选择 "Debug in Agent Builder" 配置 → F5 → 等待服务器启动并自动打开 Agent Builder，用自然语言测试：

SYSTEM_PROMPT You are my weather assistant USER_PROMPT How's the weather like in Seattle

Inspector 调试：选择 "Debug in Inspector (Edge/Chrome)"，打开http://localhost:6274后可以：查看可用工具列表、执行工具调用、监控网络请求、调试服务器响应——这是验证工具参数与返回结构的最高效途径。

源码剖析二：生产级 GitHub Clone 服务器

Lab 4 针对一个真实痛点：手动克隆 GitHub 仓库并打开 VS Code 需要"开终端 → 切目录 →git clone→ 打开编辑器"四步操作。MCP 方案将其压缩为一条智能指令。仓库中的完整实现位于 10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit/lab4/code/github_mcp_server/，提供三个能力：

git_clone_repo：带完整校验的克隆工具

见 server.py，工具按"先校验、再执行"的原则实现：

@server.tool() async def git_clone_repo(repo_url: str, target_folder: str) -> str: """Clone a git repository to a specified folder.""" # 1. 目标目录已存在则拒绝，防止覆盖 target_path = Path(target_folder).expanduser().absolute() if target_path.exists(): return json.dumps({"success": False, "error": f"Target folder already exists: {str(target_path)}"}) # 2. 检查 git 是否已安装 try: subprocess.run(["git", "--version"], check=True, capture_output=True, text=True) except FileNotFoundError: return json.dumps({"success": False, "error": "Git is not installed. Please install Git first."}) except subprocess.CalledProcessError: return json.dumps({"success": False, "error": "Error checking Git installation."}) # 3. 递归创建父目录 target_path.parent.mkdir(parents=True, exist_ok=True) # 4. 执行克隆并捕获失败原因 try: result = subprocess.run(["git", "clone", repo_url, str(target_path)], check=True, capture_output=True, text=True) return json.dumps({"success": True, "target_folder": str(target_path)}) except subprocess.CalledProcessError as e: return json.dumps({"success": False, "error": f"Git clone failed: {e.stderr}"})

该校验链与 Lab 4 文档中要求完全一致：检查目标目录是否存在（存在即报错）、验证 GitHub URL 格式、确认 git 命令可用（缺失时提示安装）、处理网络问题，并为所有失败场景返回明确错误信息。所有返回统一为{success, ...}JSON 结构，便于 LLM 与调用方解析。

open_in_vscode：跨平台应用启动

第二个工具解决"用应用本体而非终端命令打开 VS Code"的跨平台问题：

@server.tool() async def open_in_vscode(folder_path: str, use_insiders: bool = False) -> str: """Open a folder in VS Code or VS Code Insiders application.""" folder_path = Path(folder_path).expanduser().absolute() if not folder_path.exists(): return json.dumps({"success": False, "error": f"Folder does not exist: {str(folder_path)}"}) system = platform.system() try: if system == "Darwin": # macOS app_name = "Visual Studio Code - Insiders" if use_insiders else "Visual Studio Code" subprocess.run(["open", "-a", app_name, str(folder_path)], check=True) elif system == "Windows": # 依次探测 LOCALAPPDATA 与 Program Files 路径，兜底使用 code/code-insiders 命令 ... elif system == "Linux": # 先尝试 xdg-open 唤起桌面应用，失败后回退 code 命令 ... return json.dumps({"success": True, "message": f"Opened {str(folder_path)} in ..."}) except subprocess.CalledProcessError as e: return json.dumps({"success": False, "error": f"Failed to open VS Code: {str(e)}"}) except FileNotFoundError: return json.dumps({"success": False, "error": "VS Code is not installed or not in PATH"})

实现细节：macOS 用open -a指定应用名；Windows 先探测LOCALAPPDATA与 Program Files 下的Code.exe（支持 Insiders），找不到再回退到code/code-insiders命令行，并刻意以无 shell 方式启动可执行文件以避免路径元字符的命令注入；Linux 优先xdg-open唤起桌面应用，失败后回退命令行。use_insiders参数统一控制是否使用 Insiders 版本。

借助 Copilot Agent Mode 生成与测试

Lab 4 的推荐路径是用 GitHub Copilot Agent Mode（选择 Claude 3.7 模型以增强推理能力）配合一段详细提示词自动生成上述工具代码，然后：

1. 在 Agent Builder 中配置系统提示词（如"You are my intelligent coding repository assistant..."）；
2. 用真实场景测试："Clone https://github.com/kinfey/GHCAgentWorkshop and save to {目标路径}, then open it with VS Code Insiders"；
3. 在 Agent Builder 与 MCP Inspector 双环境验证工具调用与错误处理。

企业级应用场景

工作坊文档还给出了四类企业落地方向，用于启发读者把所学技能映射到业务中：

• DevOps 自动化：智能仓库管理（AI 驱动的代码审查与合并决策）、智能 CI/CD（基于代码变更的流水线优化）、Issue 自动分类与指派；
• 质量保障革命：智能测试生成、AI 驱动的视觉回归检测、主动式性能监控；
• 数据管道智能化：自适应 ETL、实时数据质量异常检测、智能数据流路由；
• 客户体验增强：具备客户历史访问能力的上下文感知支持、预测式问题解决、多渠道统一 AI 体验。

技能掌握清单

完成工作坊后，用以下清单自检：

核心能力

• MCP 协议掌握：深入理解架构与实现模式
• Foundry Toolkit 熟练运用：快速开发 AI 应用
• 自定义服务器开发：构建、部署与维护生产级 MCP 服务器
• 工具集成：把 AI 无缝接入既有开发工作流
• 问题解决应用：将所学技能用于真实业务挑战

技术技能

• 在 VS Code 中配置 Foundry Toolkit
• 设计与实现自定义 MCP 服务器
• 将 Foundry 模型与 MCP 架构集成
• 用 Playwright 构建自动化测试工作流
• 部署生产级 AI Agent
• 调试与优化 MCP 服务器性能

进阶能力

• 设计企业级 AI 集成架构
• 落地 AI 应用安全最佳实践
• 设计可扩展的 MCP 服务器架构
• 为特定领域创建自定义工具链

后续学习路径

完成本工作坊后，可继续深入仓库中的其他专题：MCP 核心概念与协议细节见 01-CoreConcepts/README.md（含 01-CoreConcepts/mcp-2026-07-28.md 规范笔记）；安全设计参考 02-Security/README.md 与其中的 02-Security/mcp-security-best-practices.md；进阶主题（传输、采样、OAuth2、路由、扩展等）见 05-AdvancedTopics/README.md。工作坊文档也推荐继续进入 11-MCPServerHandsOnLabs/README.md 的服务器实操实验室，从架构、安全、数据库、工具到部署监控，把本工作坊的 MCP 技能落地成完整的生产级 MCP 服务。

• 教程
• 文档
• 人工智能