关键词

AI联络中心实时语音交互智能体编排Bing搜索Azure AI

项目简介

'Realtime-Synthetic-Call-Center-Agents' 是一个企业级的AI联络中心解决方案，它集成了实时语音交互、多智能体编排和Azure AI服务。其中包含一个独立的 Azure AI Foundry MCP 服务器，该服务器遵循Model Context Protocol (MCP) 标准，负责将Azure AI Foundry的Web搜索功能封装为LLM可调用的工具，并通过JSON-RPC协议提供服务。

主要功能点

  • MCP 协议实现: 严格遵循Model Context Protocol (MCP) 规范，通过JSON-RPC 2.0协议处理LLM客户端请求。
  • 工具发现 ('tools/list'): 允许LLM客户端查询服务器支持的工具列表及其输入参数schema。目前提供'search_web_ai_foundry'工具用于网页搜索。
  • 工具执行 ('tools/call'): 接收LLM客户端发起的工具调用请求，并将'search_web_ai_foundry'请求转发给Azure AI Foundry的Bing搜索智能体进行执行。
  • Azure AI Foundry 集成: 与Azure AI Foundry服务深度集成，利用其智能体功能和Bing搜索能力提供实时、精确的网页搜索结果。
  • 无状态设计: MCP服务器本身设计为无状态，每个工具调用都会创建一个临时会话来执行任务，完成后立即清理。

安装步骤

  1. 克隆仓库:

    git clone https://github.com/HaoZhang615/Realtime-Synthetic-Call-Center-Agents.git
cd Realtime-Synthetic-Call-Center-Agents

  2. 配置环境: 确保您已登录Azure并安装Azure Developer CLI ('azd')。您需要配置Azure AI Foundry和Azure OpenAI的相关环境变量，包括：

    • 'AZURE_AI_FOUNDRY_ENDPOINT': Azure AI Foundry 帐户的端点。
    • 'AZURE_AI_FOUNDRY_PROJECT_ID': Azure AI Foundry 项目的完整资源ID。
    • 'AZURE_AI_FOUNDRY_BING_CONNECTION_ID': Azure AI Foundry 中Bing搜索连接的完整资源ID。
    • 'AZURE_OPENAI_GPT_CHAT_DEPLOYMENT': 用于智能体的OpenAI聊天模型部署名称（例如 'gpt-4.1-nano'）。
    • 'AZURE_AI_SERVICES_KEY' (可选): 如果不使用托管身份，需要Azure AI服务的密钥。
    • 'AZURE_USER_ASSIGNED_IDENTITY_ID' (可选): 如果使用用户分配的托管身份，需要其资源ID。

    建议使用Azure Developer CLI部署必要的Azure服务，这将自动配置大部分环境变量：

    az login
azd auth login
azd up

  3. 构建并运行MCP服务器: 进入MCP服务器项目目录，安装依赖，并启动服务。

    # 切换到MCP服务器目录
cd src/mcp-servers/ai-foundry-agent

# 安装Python依赖（假设存在requirements.txt，如果没有则手动安装列出的库）
pip install -r requirements.txt
# 或者手动安装核心依赖：pip install fastapi uvicorn python-dotenv azure-ai-projects azure-identity httpx tenacity pydantic

# 启动MCP服务器
uvicorn main:app --host 0.0.0.0 --port 8888 --log-level info

    您也可以在项目根目录使用提供的本地开发脚本，它会同时启动MCP服务器（监听 '8888' 端口）、后端API（监听 '8000' 端口）和前端（监听 '5173' 端口）：

    .\start-local-dev.ps1

    服务器启动后，可以通过访问 'http://localhost:8888/health' 检查其健康状态。

服务器配置 (MCP客户端使用)

MCP客户端需要以下JSON格式的配置信息才能与此MCP服务器建立连接。请根据您的实际部署情况替换 'host' 和 'port'。

{
  "server_name": "Azure AI Foundry Web Search",
  "description": "提供基于Azure AI Foundry和Bing搜索的实时网页搜索能力。通过Model Context Protocol (MCP) 进行通信，支持工具发现 (tools/list) 和工具执行 (tools/call)。",
  "command": "python",
  "args": [
    "src/mcp-servers/ai-foundry-agent/main.py"
  ],
  "host": "http://localhost",
  "port": 8888,
  "protocol": "jsonrpc-http"
}
  • 'server_name': 此MCP服务器的友好名称，将在MCP客户端界面中显示。
  • 'description': 对此MCP服务器功能的简要说明。
  • 'command': 启动MCP服务器进程的命令。在Linux/macOS上通常是 'python'，Windows上可能是 'python.exe'。
  • 'args': 传递给 'command' 的参数列表。这里指向MCP服务器的启动脚本。
  • 'host': MCP服务器监听的IP地址或域名。例如，在本地开发环境中通常是 'http://localhost'。如果部署到云端，则应是其外部可访问的URL。
  • 'port': MCP服务器监听的端口号。默认为 '8888'。
  • 'protocol': MCP服务器使用的通信协议，此处为 'jsonrpc-http'。

基本使用方法

此MCP服务器不直接面向终端用户，而是作为LLM客户端（如本项目中的FastAPI后端）的上下文服务。LLM客户端将通过上述配置信息连接到MCP服务器。

  1. LLM客户端初始化: LLM客户端（例如本项目中的'services/mcp_client.py'）会创建 'MCPClient' 实例，并使用配置中的 'host' 和 'port' 连接到此MCP服务器。
  2. 工具发现: LLM客户端可以通过调用MCP服务器的 'tools/list' 方法，获取当前可用的工具列表，包括 'search_web_ai_foundry' 及其详细的 'inputSchema'。
  3. 工具执行: 当LLM需要执行网页搜索时，LLM客户端会根据 'search_web_ai_foundry' 的 'inputSchema' 构造参数（例如提供 'query'），然后调用MCP服务器的 'tools/call' 方法来执行该工具。MCP服务器将转发请求至Azure AI Foundry，获取搜索结果，并通过JSON-RPC响应返回给LLM客户端。
  4. 结果利用: LLM客户端接收到工具执行结果后，可以将其作为上下文信息提供给LLM，帮助LLM生成更准确、时效性更强的响应。

信息

分类

AI与计算

访问项目