Dataagent som Model Context Protocol-server (forhåndsvisning)

Model Context Protocol (MCP) er en fremvoksende standard inden for AI-landskabet, som gør det muligt for AI-systemer at forbinde sig med værktøjer og data uden for sig selv. Den definerer, hvordan en AI-model kan opdage, hvad der er tilgængeligt, og interagere med det på en konsekvent måde. I stedet for at bygge enkeltstående integrationer tilbyder MCP en standard måde at koble ting ind på, som fungerer på tværs af forskellige apps og tjenester. Denne tilgang gør det meget lettere for AI-systemer at gå ud over deres indbyggede viden, samtidig med at tingene forbliver konsistente. Det hjælper også teams med at bevæge sig hurtigere, da de ikke behøver at genopfinde de samme forbindelser hver gang.

MCP har to hoveddele: klienten og serveren.

En MCP-klient er den app eller oplevelse, som brugeren interagerer med. Det er her, du stiller spørgsmål eller udløser handlinger. Klienten kontakter MCP-servere for at finde værktøjer og bruge dem. For eksempel kan Visual Studio Code fungere som en MCP-klient, når den forbinder til eksterne værktøjer for at hente data eller hjælpe dig med at skrive og køre kode.

En MCP-server eksponerer værktøjer, data eller tjenester, så klienter kan bruge dem. Den fortæller klienten, hvad der er tilgængeligt, og hvordan det skal bruges. For eksempel kan en Fabric-dataagent fungere som en MCP-server ved at eksponere virksomhedsdata og forespørgsler, som et AI-system kan bruge.

Sammen gør klient og server det nemt at forbinde AI-systemer med reelle data og handlinger uden at skulle bygge brugerdefinerede integrationer hver gang.

Forudsætninger

• A betalt F2 eller højere Fabric kapacitet, eller en Power BI Premium pr. kapacitet (P1 eller højere) kapacitet med Microsoft Fabric aktiveret.
• Cross-geo behandling og cross-geo lagring for AI aktiveret, baseret på kravene i Fabric data agent tenant-indstillinger.
• Mindst én datakilde, der har data: et lager, et søhus, en Power BI semantisk model, en KQL-database, en spejlet database eller en ontologi. Du skal have læseadgang til datakilden.
• En offentliggjort dataagent. MCP-serveren virker kun, efter du har offentliggjort dataagenten. Du kan få flere oplysninger under Opret en Fabric-dataagent.

Sådan fungerer det

En offentliggjort Fabric-dataagent eksponerer et enkelt MCP-værktøj. Det værktøj repræsenterer selve dataagenten, så en MCP-klient sender et spørgsmål til værktøjet og får et svar, der er baseret på de data, dataagenten har adgang til i Fabric OneLake.

Fordi klienten selv beslutter, hvornår værktøjet skal kaldes, betyder beskrivelsen af dataagenten noget. Når du udgiver en dataagent, bliver dens beskrivelse til den værktøjsbeskrivelse, som MCP-serveren reklamerer med. Kunder og orkestratorer læser beskrivelsen for at beslutte, hvornår og hvordan de skal ringe til dataagenten, så skriv en klar og specifik beskrivelse, der forklarer, hvad agenten ved, og hvilke slags spørgsmål den kan besvare.

Du kan forbruge dataagentens MCP-server fra enhver MCP-klient, ikke kun ét værktøj eller en editor. Så længe din klient taler MCP over streambar HTTP og kan tilknytte et gyldigt Fabric bearer-token til sine forespørgsler, kan den forbinde. De følgende afsnit viser to klienter: et Python-script og Visual Studio Code. Det samme endpoint og det samme token virker for enhver anden MCP-klient, du bygger eller adopterer.

Alt, der taler med MCP-serveren, skal tale MCP, så per definition fungerer det som en MCP-klient. Udtrykket "MCP-klient" betyder ikke et specifikt produkt eller SDK. Det betyder enhver kode, der følger protokollen. Endpointet er ikke et almindeligt REST API, som du kan sende en vilkårlig anmodning til. En forbindelse følger MCP-beskedens flow: et initialize håndtryk, et tools/list opkald for at opdage værktøjet og en tools/call anmodning om at stille et spørgsmål. Et SDK som MCP Python SDK håndterer det flow for dig, men du kan også selv implementere det over almindelig HTTP, så længe dine forespørgsler følger protokollen. En generisk HTTP-klient, der springer håndtryk og beskedformat over, vil ikke fungere.

Få MCP-serverdetaljerne

Efter du har offentliggjort dataagenten, åbner du dens indstillinger og går til fanen Model Context Protocol . Denne fane viser:

• Dataagent MCP servernavn
• MCP-serverens URL (kopier denne værdi; du bruger den i alle klienter)
• Dataagent MCP-værktøjsnavn
• MCP-serverværktøjsbeskrivelse

Du kan også downloade mcp.json-filen fra denne fane for at konfigurere klienter, der læser det format, såsom Visual Studio Code.

Du kan også selv bygge URL'en ud fra dit workspace-ID og dataagent-ID:

https://api.fabric.microsoft.com/v1/mcp/workspaces/{WorkspaceId}/dataagents/{DataAgentId}/agent

En manuelt opbygget URL virker kun, efter du har offentliggjort dataagenten. Hvis agenten ikke er offentliggjort, returnerer endpointet en fejl, selv når URL'en er korrekt.

Godkendelse

Hver anmodning til MCP-endepunktet skal autentificeres mod Fabric. Din klient vedhæfter et bærertoken i Authorization headeren, og tokenet skal have tilladelse til at få adgang til målarbejdsområdet og dataagenten. Tokenet kan repræsentere enten en brugeridentitet eller en tjenesteprincipal.

Hvordan du får tokenet, afhænger af din klient. Visual Studio Code beder dig om at logge ind interaktivt. I et Python-script henter du tokenet gennem et bibliotek som azure-identity og tilføjer det selv til anmodningsheaderne. Uanset klienten, anmod om tokenet til scopet https://api.fabric.microsoft.com/.default .

Forbind fra Python

Dette eksempel forbinder til dataagentens MCP-endpoint fra et selvstændigt Python-script, opdager værktøjet, sender et spørgsmål og udskriver svaret. Den bruger MCP Python SDK og biblioteketazure-identity.

Forudsætninger for Python-klienten

• Python 3.10 eller nyere.
• Og mcpazure-identity pakkerne.
• En måde at logge ind på Fabric. Dette eksempel bruger Azure CLI. Installer Azure CLI, kør az login og log ind med en konto, der har adgang til arbejdsområdet og dataagenten.

Installer pakkerne:

pip install mcp azure-identity

Byg klienten trin for trin

De følgende afsnit bygger manuskriptet én del ad gangen. Hver blok fortsætter den samme fil, så du kan indsætte dem i rækkefølge i én fil .py og køre den.

Importer bibliotekerne og sæt dine værdier. Erstat workspace-ID, dataagent-ID og spørgsmål med dine egne værdier. Følgende mcp_url er det endpoint-format, der blev beskrevet tidligere.

import asyncio

from azure.identity import AzureCliCredential
from mcp import ClientSession
from mcp.client.streamable_http import streamablehttp_client

workspace_id = "<your-workspace-id>"
data_agent_id = "<your-data-agent-id>"
question = "<your question>"

mcp_url = (
    f"https://api.fabric.microsoft.com/v1/mcp/workspaces/{workspace_id}"
    f"/dataagents/{data_agent_id}/agent"
)

Erhverv et token og opbygg autentificeringsheaderen. AzureCliCredential genbruger login-funktionen fra az login. Hjælperen anmoder om et token til Fabric-scope og returnerer det som en Authorization header, som hver anmodning bærer.

credential = AzureCliCredential()


def get_auth_headers():
    token = credential.get_token("https://api.fabric.microsoft.com/.default")
    return {"Authorization": f"Bearer {token.token}"}

Åbn forbindelsen, find værktøjet, og stil spørgsmålet. Denne funktion åbner en streambar HTTP-forbindelse med auth-headeren, kører MCP-håndtrykket med initialize, lister værktøjerne og læser det enkelte værktøj, som dataagenten eksponerer. Den finder navnet på spørgsmålsargumentet fra værktøjets inputskema, så du hårdkoder det ikke, kalder derefter værktøjet og samler teksten fra svaret.

async def query_data_agent(question):
    headers = get_auth_headers()

    async with streamablehttp_client(mcp_url, headers=headers) as (read, write, _):
        async with ClientSession(read, write) as session:
            await session.initialize()

            # The data agent exposes a single tool. Discover it, then call it.
            tools = await session.list_tools()
            tool = tools.tools[0]
            question_arg = next(iter(tool.inputSchema["properties"]))

            result = await session.call_tool(tool.name, {question_arg: question})

            answers = [block.text for block in result.content if block.type == "text"]
            return "\n".join(answers)

Kør det og print svaret. query_data_agent er en korutine, så asyncio.run den drives til fuldendelse og returnerer resultatet.

answer = asyncio.run(query_data_agent(question))
print(answer)

Fordi scriptet læser det første værktøj, serveren annoncerer, og finder spørgsmålsargumentet fra værktøjets inputskema, fortsætter det med at fungere, selv hvis værktøjsnavnet eller argumentets navn ændres. Du behøver ikke at hardkode nogen af værdierne.

Forbind fra Visual Studio Code

Visual Studio Code kan fungere som en MCP-klient. De følgende trin tilføjer dataagentens MCP-server og stiller spørgsmål fra editoren. Disse trin er et eksempel; endpoint og token er de samme, som enhver anden MCP-klient bruger.

Tilføj MCP-serveren

1. Åbn Visual Studio Code og vælg en mappe at arbejde i.

2. Opret en .vscode-mappe i den valgte mappe.

3. Inde i .vscode opretter du en fil kaldet mcp.json.

4. Visual Studio Code viser en blå 'Tilføj server'-knap nederst til højre i vinduet.

   

5. Vælg Add Server, og vælg derefter HTTP. Når du bliver bedt om en URL, indsæt den MCP-server-URL , du kopierede tidligere.

   

   

6. Tryk Enter og giv et navn til serveren. Visual Studio Code bruger dette navn til at vise serveren.

7. Visual Studio Code forsøger at autentificere. Vælg Tillad og log ind med dine legitimationsoplysninger.

Serveren bliver oprettet.

Aktivér agenttilstand

Når du har tilføjet serveren, skal du aktivere agent-tilstand, så Visual Studio Code kan videresende dine spørgsmål til dataagenten:

1. Åbn kommandopaletten (Ctrl+Shift+P eller cmd+shift+P).

2. Søg efter Enable Agent Mode og vælg den.

3. Bekræft eventuelle prompts for at aktivere tilstanden.

   

Når agent-tilstand er aktiv, vælg en orkestrator til at håndtere dine spørgsmål. Orchestratoren styrer flowet mellem dine spørgsmål i editoren og dataagentens MCP-server. Tilgængelige orkestratorer i preview inkluderer GPT-5, GPT-4.1, Claude Sonnet 4.5, Gemini 2.5 Pro og andre.

Stil spørgsmål

Med agent-tilstand slået til og en orkestrator valgt, kan du stille spørgsmål direkte fra editoren. Orkestratoren viderestiller hvert spørgsmål til dataagentens MCP-server, og agenten returnerer et svar baseret på de data, den har adgang til i OneLake. Du bliver i editoren, mens du bringer organisatorisk viden ind i dine AI-workflows.

Relateret indhold

• Opret en Fabric dataagent
• Fabric data agent Python SDK
• Fabric dataagent lejerindstillinger