企业官网建设流程全解析

• 教程
• 文档
• 人工智能

本文是 mcp-for-beginners 课程"09-CaseStudy"章节的第一篇案例研究，以微软开源参考实现Azure AI Travel Agents为蓝本，系统讲解如何基于 Model Context Protocol（MCP）构建一个多 Agent、AI 驱动的旅行规划应用。全文覆盖该参考实现的多 Agent 编排架构、Azure OpenAI 与 Azure AI Search 的企业数据集成、Microsoft Entra ID 认证与 Azure Container Apps 部署等核心主题，读者阅读后可掌握"以 MCP 为协调层、以专才 Agent 为执行单元、以云服务为底座"的领域化 AI 应用构建范式。

一、案例背景与定位

Azure AI Travel Agents 是一个由微软开发并开源的综合性参考解决方案，用于演示如何借助Model Context Protocol (MCP)、Azure OpenAI与Azure AI Search构建多 Agent、AI 驱动的旅行规划应用。它的核心价值不在于"能订机票"，而在于展示一套可复制的工程模式：

• 如何用 MCP 编排多个专业化 AI Agent（航班、酒店、行程）；
• 如何将企业数据（如 Azure AI Search 索引）安全地接入 AI 工作流；
• 如何提供面向生产环境的、安全且可扩展的部署形态。

在本课程体系中，这篇案例与 更新 Azure DevOps 工作项（从 YouTube 数据）、文档实时检索 等案例共同构成 09-CaseStudy 模块，用于展示 MCP 在不同规模、不同领域中的真实落地方式。其中本案例聚焦"多 Agent 复杂编排"，属于粒度最大、组件最完整的一类。

二、关键特性总览

原案例将其核心能力归纳为五个维度，这也是评估任何"以 MCP 做多 Agent 协调"方案的通用检查清单：

这五个特性中，"多 Agent 编排"与"可扩展工具链"直接对应 MCP 的服务器原语模型——在 MCP 核心概念 中，工具（Tools）被定义为"AI 模型可调用的可执行函数"，是 MCP 生态中的"动词"；本案例正是把每个旅行领域专家实现为一个带独立提示词模板和业务逻辑的 MCP 工具，再由协调者统一调度。

三、系统架构详解：六大组件与数据流

Azure AI Travel Agents 的解决方案围绕模块化、可扩展、安全集成多 Agent 与企业数据三大目标设计，由以下组件构成：

1. 用户界面（User Interface）

用户通过对话式界面（例如 Web Chat 或 Teams Bot）与系统交互：发送查询、接收旅行推荐。这是整个系统的"前台"，负责把用户自然语言输入送入 MCP 通道。

2. MCP Server（中央协调者）

MCP Server 是系统的大脑与协调中枢，承担三项职责：

• 接收用户输入：把来自 UI 的请求转译为可执行的工作流；
• 管理上下文：维护多步骤旅行规划过程中的对话状态与中间结果；
• 协调 Agent 行动：通过 Model Context Protocol 调度 FlightAgent、HotelAgent、ItineraryAgent 等专才 Agent。

从协议层面看，这正是 MCP 客户端-服务器架构的典型应用：Host（承载 UI 的应用）为每个服务器连接创建一个 MCP Client，Client 与 Server 之间通过 JSON-RPC 2.0 交换tools/list、tools/call等消息（详见 MCP 核心概念 的"信息流"章节）。

3. AI 智能体（AI Agents）

每个 Agent 负责一个具体领域（航班、酒店、行程），并以MCP 工具的形式实现——每个 Agent 拥有自己的提示词模板与领域逻辑，负责处理请求并生成回复。这种"一 Agent 一工具"的设计带来两个好处：

• 职责单一：航班 Agent 只关心航班检索与比价，酒店 Agent 只关心可用性与评分，降低单点复杂度；
• 可组合复用：新增一个领域（如"租车""保险"）只需新增一个工具与对应 prompt 模板，无需改动协调层——这正是原文档"可扩展工具链"特性的落地方式。

4. Azure OpenAI 服务（语言能力底座）

为 Agent 提供高级自然语言理解与生成能力，使 Agent 能解析用户意图（哪怕表达方式模糊）并产出自然、对话式的回复。它与 MCP 的关系是：MCP 负责"工具与数据的通道"，Azure OpenAI 负责"语言与推理的大脑"，两者叠加才是完整的 Agent 能力。

5. Azure AI Search 与企业数据（知识检索层）

Agent 可查询 Azure AI Search 及企业数据源，获取关于航班、酒店、旅行选项的最新信息。该组件解决了"AI 幻觉"与"数据陈旧"两大问题——回复由真实检索结果支撑，而非模型凭记忆生成。仓库中另有 MCP 实时搜索专题 对"Agent 通过 MCP 接入实时检索"的机制做了更细的讲解，可与本案例互参。

6. 认证与安全（访问控制层）

与Microsoft Entra ID集成，实现安全认证，并对所有资源应用最小权限（least-privilege）访问控制。原文档明确将这一条列为架构级组件，而非后置的"加固项"。

7. 部署形态（运行底座）

方案设计为部署到Azure Container Apps，以获得弹性伸缩、监控与运维效率。

安全设计的延伸：原文档提到的"Entra ID + 最小权限"并非泛泛而谈。本课程的安全章节 MCP Security Best Practices 明确要求：MCP 服务器不得接受非专门为其签发的令牌、必须校验全部入站请求、必须对每个请求做独立授权；Entra ID 认证专题 则给出了 MCP Server 通过 OAuth 2.0 / OpenID Connect 对接 Entra ID、校验 JWT 签名与 issuer/audience/lifetime 声明的完整实现路径。构建同类多 Agent 系统时，这两份材料即为本案例安全组件的"实现手册"。

四、架构逐层拆解：从"前台"到"后台"的职责地图

原文档用一组非常直观的类比把抽象架构翻译成易理解的职责分工，这里完整保留并补充技术注解：

这组类比清晰地传达了一个核心设计思想：每个组件只做好一件事，组件之间通过清晰的边界（协议、API、身份）协作——这正是模块化、可扩展架构的落点。

五、完整工作流：一次"规划旅程"请求的生命周期

原文档将各组件串成一条完整链路，这里整理为可对照代码审查的步骤序列：

1. 入口：用户在"前台"（UI）提出问题，例如"帮我规划一趟去巴黎的行程"；
2. 分发：MCP Server（经理）判定该由哪个/哪些专家（Agent）处理本次请求；
3. 理解：被选中的专家借助语言专家（Azure OpenAI）解析用户意图，将需求结构化为可执行的检索/计算任务；
4. 检索：专家在资料库（Azure AI Search 与企业数据）中检索航班、酒店、行程方案，获取最新事实；
5. 校验：安保（Entra ID + 授权控制）确保整个过程中每个请求均通过身份与权限校验、敏感数据不被越权访问；
6. 返回：所有步骤在可靠、可伸缩的"大楼"（Azure Container Apps）中执行，用户获得流畅且安全的推荐结果。

从 MCP 协议视角看，第 2～4 步对应典型的"模型判断需要工具 → 客户端发起tools/call→ 服务器执行并结构化返回"循环（见 01-CoreConcepts 的信息流章节）；从安全视角看，第 5 步对应 02-Security 中强调的"每次工具调用可见、用户可否决、敏感操作执行前展示输入与影响"原则。

六、技术实现要点

原文档的技术实现部分可归纳为以下五个工程要点：

• MCP Server：承载核心编排逻辑，对外暴露各 Agent 工具，并为多步骤旅行规划工作流管理上下文状态；
• Agents：每个 Agent（如 FlightAgent、HotelAgent）实现为一个独立的 MCP 工具，自带提示词模板与业务逻辑；
• Azure 集成：使用 Azure OpenAI 做自然语言理解，使用 Azure AI Search 做数据检索；
• 安全：集成 Microsoft Entra ID 做认证，对所有资源实施最小权限访问控制；
• 部署：支持部署到 Azure Container Apps，以获得可扩展性与运维效率。

关于"Agent 即 MCP 工具"的落地形态，本课程在入门章节提供了跨语言的最小实现参考：03-GettingStarted 中的天气服务示例展示了如何用 .NET、Java、Python、TypeScript 各定义一个带参数校验的 MCP 工具并注册到服务器——旅行案例中的 FlightAgent/HotelAgent 正是这一模式的领域化放大版：工具描述更复杂、prompt 模板更丰富、内部会进一步调用检索服务。

七、成果与影响

作为参考实现，该项目带来的方法论价值大于代码本身：

• 证明 MCP 的生产级编排能力：展示 MCP 可在真实、生产级场景中协调多个 AI Agent 协同完成任务；
• 沉淀可复用模式：提供了 Agent 协调、数据集成、安全部署三方面的可复用范式，显著加速同类方案开发；
• 成为领域化 AI 应用的蓝本：为"使用 MCP + Azure 服务构建领域专属 AI 应用"提供模板——同样的骨架可迁移到客服、医疗、供应链等任意需要"多专家协作 + 企业数据支撑"的场景。

八、在本课程中的学习路径与延伸阅读

本案例是 09 模块的第一站，建议按以下顺序深入：

1. 先回顾 MCP 核心概念，重点理解 Host / Client / Server 三角色与 Tools、Resources、Prompts 三种服务器原语——本案例的"Agent 即工具"正是建立在此之上；
2. 再通读本案例（本文），把握多 Agent 编排的宏观架构；
3. 继续阅读同模块的 更新 Azure DevOps 工作项案例，对比"轻量自动化"与"重型多 Agent 编排"两种 MCP 落地形态的差异；
4. 若需落地实现，参照 03-GettingStarted 模块 的跨语言 Server/Client 示例；
5. 若关注安全与认证，深入 Entra ID 认证专题 与 MCP 安全最佳实践。

九、小结

Azure AI Travel Agents 案例的价值，在于它把"多 Agent 编排、企业数据集成、身份安全、弹性部署"这四个生产级关键词，用 MCP 这一标准协议有机串联起来：MCP 负责统一的工具发现与调用通道，Azure OpenAI 提供语言智能，Azure AI Search 提供事实检索，Entra ID 与 Container Apps 分别守住身份边界与运行边界。对开发者而言，从本案例可以提炼出一套可迁移的构建范式——以领域划分 Agent、以 MCP 工具封装能力、以云服务补齐智能与基础设施——这套范式正是 mcp-for-beginners 课程希望读者掌握的核心能力之一。

• 教程
• 文档
• 人工智能