在 AI 工具包中构建代理和提示
“代理构建器”以前称为“提示构建器”。更新后的名称能更好地反映该功能的特性及其对构建代理的侧重。
AI 工具包中的代理构建器可简化构建代理的工程工作流,包括提示工程以及与 MCP 服务器等工具的集成。它有助于完成常见的提示工程任务:
- 生成启动提示
- 在每次运行中迭代和优化
- 通过提示链和结构化输出分解复杂任务
- 提供代码的轻松访问权限,以便通过 API 无缝集成大型语言模型 (LLM)
代理构建器还通过工具使用增强了智能应用的性能
- 连接到现有 MCP 服务器
- 从基架构建新的 MCP 服务器
- 使用函数调用连接到外部 API 和服务
创建、编辑和测试提示
要访问代理构建器,请使用以下任一选项
- 在 AI 工具包视图中,选择代理构建器
- 从模型目录中的模型卡中选择在代理构建器中试用
要在代理构建器中测试提示,请遵循以下步骤
-
在模型中,从下拉列表中选择一个模型,或选择浏览模型以从模型目录中添加其他模型。
-
输入用户提示,并可选择输入系统提示。
用户提示是您要发送到模型的输入。可选的系统提示用于提供带有相关上下文的说明,以指导模型的响应。
提示使用自然语言描述您的项目构想,以自动生成提示。
-
选择运行以将提示发送到模型。
-
或者,选择添加提示以添加更多提示,或选择添加到提示以构建对话历史记录。
-
重复上一步,通过观察模型响应并更改提示来迭代您的提示。
使用 MCP 服务器
MCP 服务器是一种工具,可让您连接到外部 API 和服务,使您的代理能够执行除了生成文本以外的操作。例如,您可以使用 MCP 服务器访问数据库、调用 Web 服务或与其他应用程序交互。
使用代理构建器发现和配置特色 MCP 服务器,连接到现有 MCP 服务器,或从基架构建新的 MCP 服务器。
使用 MCP 服务器可能需要 Node 或 Python 环境。AI 工具包会验证您的环境,以确保安装了所需的依赖项。安装后,使用命令 `npm install -g npx` 安装 `npx`。如果您更喜欢 Python,我们建议使用 `uv`。
配置特色 MCP 服务器
AI 工具包提供了一个特色 MCP 服务器列表,您可以使用它们连接到外部 API 和服务。
要从特色选项中配置 MCP 服务器,请遵循以下步骤
- 在工具部分中,选择 + MCP 服务器,然后在快速选择中选择 + 添加服务器。
- 从下拉列表中选择使用特色 MCP 服务器。
- 选择满足您需求的 MCP 服务器。
- 输入服务器名称。
- 选择要使用的工具。
使用现有 MCP 服务器
在这些参考服务器中查找 MCP 服务器。
要使用现有 MCP 服务器,请遵循以下步骤
- 在工具部分中,选择 + MCP 服务器,然后在快速选择中选择 + 添加服务器。
- 选择连接到现有 MCP 服务器
- 从下拉列表中选择一个选项,以指定您要如何连接到 MCP 服务器
- 命令 (stdio):运行实现 MCP 协议的本地命令
- HTTP (服务器发送事件):连接到实现 MCP 协议的远程服务器
- 如果 MCP 服务器有多个工具可用,请选择工具。
- 输入您的提示并选择运行以测试连接。
以下是在 AI 工具包中配置文件系统服务器的示例
-
在工具部分中,选择 + MCP 服务器,然后在快速选择中选择 + 添加服务器。
-
选择连接到现有 MCP 服务器
-
选择命令 (stdio)
注意一些服务器使用 Python 运行时和 `uvx` 命令。此过程与使用 `npx` 命令相同。
-
导航到服务器说明并找到 `npx` 部分。
-
将 `command` 和 `args` 复制到 AI 工具包的输入框中。对于文件系统服务器示例,它是 `npx -y @modelcontextprotocol/server-filesystem /Users/
/.aitk/examples` -
输入服务器名称。
-
可选,输入额外的环境变量。有些服务器可能需要额外的环境变量,例如 API 密钥。在这种情况下,AI 工具包会在添加工具阶段失败,并打开一个 `mcp.json` 文件,您可以在其中按照每个服务器提供的说明输入所需的服务器详细信息。
完成配置后:1. 返回工具部分并选择 + MCP 服务器 1. 从下拉列表中选择您配置的服务器
-
选择您要使用的工具。
AI 工具包还提供了一个支架来帮助您构建新的 MCP 服务器。该支架包括 MCP 协议的基本实现,您可以根据需要进行自定义。
构建新的 MCP 服务器
要构建新的 MCP 服务器,请遵循以下步骤
- 在工具部分中,选择 + MCP 服务器,然后在快速选择中选择 + 添加服务器。
- 选择创建新的 MCP 服务器
- 从下拉列表中选择一种编程语言:Python 或 TypeScript
- 选择一个文件夹来创建新的 MCP 服务器项目。
- 输入 MCP 服务器项目名称。
创建 MCP 服务器项目后,您可以自定义实现以满足您的需求。该支架包括 MCP 协议的基本实现,您可以对其进行修改以添加自己的功能。
您还可以使用代理构建器来测试 MCP 服务器。代理构建器将提示发送到 MCP 服务器并显示响应。
遵循以下步骤来测试 MCP 服务器
要在本地开发机上运行 MCP 服务器,您需要:在您的计算机上安装 Node.js 或 Python。
- 打开 VS Code 调试面板。选择“在代理构建器中调试”或按“F5”开始调试 MCP 服务器。
- 使用 AI 工具包代理构建器,通过以下提示测试服务器
- 系统提示:您是天气预报专业人员,可以根据给定位置提供天气信息。
- 服务器已自动连接到代理构建器。
- 选择“运行”以使用提示测试服务器。
使用函数调用
函数调用将您的代理连接到外部 API 和服务。
- 在工具中,选择添加工具,然后选择自定义工具。
- 选择如何添加工具
- 通过示例:从 JSON 架构示例添加
- 上传现有架构:上传 JSON 架构文件
- 输入工具名称和描述,然后选择添加。
- 在工具卡中提供模拟响应。
- 使用函数调用工具运行代理。
通过为测试用例输入模拟响应,在评估选项卡中使用函数调用工具。
结构化输出
结构化输出支持可帮助您设计提示,以结构化、可预测的格式提供输出。
要在代理构建器中测试使用结构化输出,请遵循以下步骤
-
从左侧区域选择结构化输出,然后选择 json_schema。
-
选择准备架构,然后选择选择本地文件以使用您自己的架构,或者选择使用示例以使用预定义架构。
如果继续使用示例,您可以从下拉列表中选择一个架构。
-
选择运行以将提示发送到选定的模型。
-
您还可以通过选择架构名称来编辑架构。
将提示工程集成到您的应用程序中
在试验模型和提示后,您可以使用自动生成的 Python 代码立即开始编码。
要查看 Python 代码,请遵循以下步骤
-
选择查看代码。
-
对于托管在 GitHub 上的模型,请选择您要使用的推理 SDK。
AI 工具包使用提供商的客户端 SDK 为您选择的模型生成代码。对于 GitHub 托管的模型,您可以选择要使用的推理 SDK:Azure AI 推理 SDK 或模型提供商的 SDK,例如 OpenAI SDK 或 Mistral API。
-
生成的代码片段会显示在新编辑器中,您可以将其复制到您的应用程序中。
要向模型进行身份验证,您通常需要提供商的 API 密钥。要访问 GitHub 托管的模型,请在 GitHub 设置中生成个人访问令牌 (PAT)。
您学到了什么
在本文中,您学习了如何
- 使用适用于 VS Code 的 AI 工具包测试和调试您的代理。
- 发现、配置和构建 MCP 服务器,以将您的代理连接到外部 API 和服务。
- 设置函数调用,以将您的代理连接到外部 API 和服务。
- 实现结构化输出,以从您的代理中提供可预测的结果。
- 使用生成的代码片段将提示工程集成到您的应用程序中。
后续步骤
- 针对常用评估器运行评估作业