探索智能体开发 -

在 AI Toolkit 中构建智能体和提示词

注意

Agent Builder（智能体构建器）以前称为 Prompt Builder。更新后的名称更好地反映了该功能的能力及其对构建智能体的侧重。

AI Toolkit 中的 Agent Builder 简化了构建智能体的工程工作流程，包括提示词工程以及与 MCP 服务器等工具的集成。它有助于完成常见的提示词工程任务

  • 实时迭代和优化
  • 提供简单的代码访问方式，以便通过 API 无缝集成大语言模型 (LLM)

Agent Builder 还通过工具使用增强了智能应用的能力

  • 连接到现有的 MCP 服务器
  • 利用脚手架构建新的 MCP 服务器
  • 使用函数调用连接到外部 API 和服务

Screenshot showing the Agent Builder interface with prompt engineering and testing capabilities.

创建、编辑和测试提示词

要访问 Agent Builder，请使用以下任一选项

  • 在 AI Toolkit 视图中，选择 Agent Builder
  • 从模型目录的模型卡片中选择 Try in Agent Builder（在 Agent Builder 中试用）
  • 在“我的资源”视图中，在 Models（模型） 下，右键点击一个模型并选择 Load in Agent Builder（在 Agent Builder 中加载）

要在 Agent Builder 中测试提示词，请按照以下步骤操作

  1. 如果您尚未选择模型，请从 Agent Builder 的 Model（模型） 下拉列表中选择一个。您也可以选择 Browse models（浏览模型） 以从模型目录中添加其他模型。

    Screenshot showing the model selection dropdown in Agent Builder.

  2. 输入智能体指令。

    使用 Instructions（指令） 字段准确告诉您的智能体做什么以及如何做。列出具体的任务，按顺序排列，并添加任何特殊说明，例如语气或交互方式。

  3. 通过观察模型响应并对指令进行更改来迭代您的指令。

  4. 使用 {{}} 语法在指令中添加动态值。例如，添加一个名为 user_name 的变量，并在指令中这样使用它：Greet the user by their name: {{user_name}}。

  5. 在 Variables（变量） 部分为该变量提供一个值。

  6. 在文本框中输入提示词，然后选择发送图标来测试您的智能体。

  7. 观察模型的响应，并对您的指令进行任何必要的调整。

使用 MCP 服务器

MCP 服务器是一种工具，允许您连接到外部 API 和服务，使您的智能体能够执行不仅仅是生成文本的操作。例如，您可以使用 MCP 服务器来访问数据库、调用 Web 服务或与其他应用程序交互。

使用 Agent Builder 来发现和配置精选的 MCP 服务器、连接到现有的 MCP 服务器，或使用脚手架构建新的 MCP 服务器。

注意

使用 MCP 服务器可能需要 Node 或 Python 环境。AI Toolkit 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 来安装 npx。如果您更喜欢 Python，我们建议使用 uv

配置精选的 MCP 服务器

AI Toolkit 提供了一系列精选的 MCP 服务器，您可以利用它们连接到外部 API 和服务。

要从精选列表中配置 MCP 服务器，请按照以下步骤操作

  1. 在 Tool（工具） 部分，选择 + MCP Server，然后在快速选择菜单 (Quick Pick) 中选择 MCP Server。

  2. 从下拉列表中选择 Could not find one? Browse more MCP servers（找不到？浏览更多 MCP 服务器）。 显示 Agent Builder 中连接 MCP 服务器界面的截图。

  3. 选择一个满足您需求的 MCP 服务器。 显示 Agent Builder 中连接 MCP 服务器界面的截图。

  4. 该 MCP 服务器将被添加到 Tools（工具） 下的 MCP 子部分中。

从 VS Code 中选择工具

  1. 在 Tool（工具） 部分，选择 + MCP Server，然后在快速选择菜单 (Quick Pick) 中选择 MCP Server。

  2. 从下拉列表中选择 Use Tools Added in Visual Studio Code（使用在 Visual Studio Code 中添加的工具）。 显示 Agent Builder 中连接 MCP 服务器界面的截图。

  3. 选择您想要使用的工具。 显示 Agent Builder 中选择工具界面的截图。

  4. 一个名为 VSCode Tools 的 MCP 服务器工具将被添加到 Tools（工具） 下的 MCP 子部分中。

使用现有的 MCP 服务器

提示

在这些 参考服务器 中查找 MCP 服务器。

要使用现有的 MCP 服务器，请按照以下步骤操作

  1. 在 MCP Workflow（MCP 工作流） 部分，选择 + Add MCP Server（添加 MCP 服务器）。

  2. 或者在 Agent Builder 的 Tool（工具） 部分，选择 + 图标为您的智能体添加工具，然后在快速选择菜单中选择 + Add server（添加服务器）。

  3. 在快速选择菜单中选择 MCP server。

  4. 选择 Connect to an Existing MCP Server（连接到现有的 MCP 服务器）

  5. 向下滚动到下拉列表底部，查看连接 MCP 服务器的选项

    • Command (stdio)：运行一个实现 MCP 协议的本地命令
    • HTTP (HTTP or server-sent events)：连接到实现 MCP 协议的远程服务器

  6. 如果存在多个可用工具，请从 MCP 服务器中选择工具。

  7. 在文本框中输入您的提示词，并选择发送图标来测试连接。

以下是在 AI Toolkit 中配置 Filesystem（文件系统） 服务器的示例

  1. 在 Tool（工具） 部分，在快速选择菜单中选择 + MCP Server。

  2. 从下拉列表中选择 Could not find one? Browse more MCP servers（找不到？浏览更多 MCP 服务器）。

  3. 向下滚动到下拉列表底部，选择 Command (stdio)

    注意

    某些服务器使用 Python 运行时和 uvx 命令。其过程与使用 npx 命令相同。

  4. 导航到 服务器说明 并找到 npx 部分。

  5. 将 command 和 args 复制到 AI Toolkit 的输入框中。对于 Filesystem 服务器示例，它是 npx -y @modelcontextprotocol/server-filesystem /Users/<username>/.aitk/examples

  6. 输入服务器的 ID。

  7. （可选）输入额外的环境变量。某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 Toolkit 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情。 显示缺少参数异常示例的截图 完成配置后：1. 导航回 Tool（工具） 部分并选择 + MCP Server 2. 从下拉列表中选择您配置的服务器

  8. 选择您想要使用的工具。

connect to MCP server

AI Toolkit 还提供了一个脚手架，帮助您构建新的 MCP 服务器。该脚手架包含 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，请按照以下步骤操作

  1. 在 MCP Workflow（MCP 工作流） 部分，选择 Create New MCP Server（创建新的 MCP 服务器）。
  2. 从下拉列表中选择一种编程语言：Python 或 TypeScript
  3. 选择一个文件夹以在该文件夹中创建新的 MCP 服务器项目。
  4. 输入 MCP 服务器项目的名称。

创建 MCP 服务器项目后，您可以根据需要自定义实现。脚手架包含 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 Agent Builder 来测试 MCP 服务器。Agent Builder 将提示词发送到 MCP 服务器并显示响应。

按照以下步骤测试 MCP 服务器

注意

要在您的本地开发机器上运行 MCP 服务器，您需要：安装 Node.js 或 Python。

  1. 打开 VS Code 调试面板。选择 Debug in Agent Builder（在 Agent Builder 中调试） 或按 F5 开始调试 MCP 服务器。

  2. 服务器将自动连接到 Agent Builder。

  3. 使用 AI Toolkit Agent Builder，通过以下指令启用智能体

    • "You are a weather forecast professional that can tell weather information based on given location."（你是一位天气预报专家，可以根据给定的位置告知天气信息。）

  4. 在提示词框中输入提示词 "What is the weather in Seattle?"（西雅图的天气怎么样？），并选择发送图标以使用该提示词测试服务器。

  5. 在 Agent Builder 中观察来自 MCP 服务器的响应。

使用函数调用 (Function Calling)

函数调用将您的智能体连接到外部 API 和服务。

Screenshot showing the Add Custom Function Tool dialog with options to add tools by example or upload schemas.

  1. 在 Tool（工具） 中，选择 Add Tool（添加工具），然后选择 Custom Tool（自定义工具）。
  2. 选择添加工具的方式
    • By Example（通过示例）：从 JSON 架构示例添加
    • Upload Existing Schema（上传现有架构）：上传 JSON 架构文件
  3. 输入工具名称和描述，然后选择 Add（添加）。
  4. 在工具卡片中提供模拟响应。

Screenshot showing a function calling tool card with weather tool configuration.

  1. 使用函数调用工具运行智能体。

通过输入测试用例的模拟响应，在 Evaluation（评估） 选项卡中使用函数调用工具。

Screenshot showing function calling tool usage in the evaluation tab.

将提示词工程集成到您的应用程序中

在试验过模型和提示词后，您可以立即使用自动生成的 Python 代码开始编码。

Animated GIF showing the generated Python code

要查看 Python 代码，请按照以下步骤操作

  1. 选择 View Code（查看代码）。

  2. 对于托管在 GitHub 上的模型，选择您想要使用的推理 SDK。

    AI Toolkit 使用提供商的客户端 SDK 为您选择的模型生成代码。对于由 GitHub 托管的模型，您可以选择要使用的推理 SDK：Agent Framework SDK 或模型提供商的 SDK，例如 OpenAI SDK 或 Mistral API。

  3. 生成的代码片段显示在一个新的编辑器中，您可以将其复制到您的应用程序中。

    要对模型进行身份验证，您通常需要提供商提供的 API 密钥。要访问由 GitHub 托管的模型，请在您的 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 VS Code 的 AI Toolkit 来测试和调试您的智能体。
  • 发现、配置和构建 MCP 服务器，以将您的智能体连接到外部 API 和服务。
  • 设置函数调用以将您的智能体连接到外部 API 和服务。
  • 实现结构化输出，以从您的智能体获得可预测的结果。
  • 使用生成的代码片段将提示词工程集成到您的应用程序中。

后续步骤

10/03/2025
English 한국어 中文(简体) 中文(繁體)
© . This site is unofficial and not affiliated with Microsoft.