Beobachtetes Signal · 18. Aug. 2026 · Technical Release · Quelle: DEV Community · Relevanz: 4/5 · Sentiment: Positiv
Integration einer Foundry IQ Knowledge Base in LangGraph per MCP
Dieser technische Leitfaden erklärt detailliert, wie ein LangGraph-Agent durch den Aufruf eines MCP-Endpunkts in Microsoft Foundry IQ für agentisches Retrieval verankert wird. Die Anleitung behandelt Architekturen, API-Versionsunterschiede zwischen den Versionen 2026-04-01 und 2026-05-01-preview, Authentifizierungs- und Token-Refresh-Muster sowie die Bewahrung von Zitationen im LangGraph-State. Zudem werden benutzerspezifische Berechtigungsheader und Design-Empfehlungen für Planer-Handoffs beleuchtet. Praxisnahe Python-Codebeispiele zeigen die Erstellung von Wissensquellen und -basen, die Verifizierung des Retrievers über das SDK, die Implementierung einer benutzerdefinierten `httpx.Auth` für Azure Bearer Tokens, das Laden des MCP-Tools in LangGraph sowie die Durchsetzung nutzerspezifischer Berechtigungen über den `x-ms-query-source-authorization`-Header für produktionsreife Agenten-Deployments.
Liefert betriebsrelevante Best Practices für die Einbindung von Enterprise-Agenten-Frameworks in Microsoft Foundry IQ über MCP, einschließlich Authentifizierung, Berechtigungsdurchsetzung und Versionsmanagement für produktionsreife Deployments.
Marktsignale zu Microsoft in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Microsoft Foundry IQ stellt jede Knowledge Base als MCP-Server mit dem einzelnen Tool knowledge_base_retrieve bereit.
- Die REST-API für agentisches Retrieval ist ab 2026-04-01 verfügbar; die Vorschauversion 2026-05-01-preview ergänzt Antwortsynthese, konfigurierbaren Reasoning-Aufwand sowie Dokumentenberechtigungen.
- MCP-Tool-Ergebnisse liefern Grounding-Daten als JSON-kodierten String in einem Textblock zurück und enthalten keine SDK-spezifischen Aktivitäts- oder Referenz-Arrays.
- Bearer Tokens laufen ab; das Tutorial zeigt den Einsatz einer benutzerdefinierten EntraBearerAuth über azure-identity pro Anfrage, um eingefrorene Tokens zu verhindern.
- Benutzerspezifische Berechtigungsfilterung erfordert die Übergabe des Endnutzer-Tokens im Header x-ms-query-source-authorization zur Abfragezeit.
Verknüpfte Unternehmen
5 verknüpfte Unternehmen“A Microsoft Foundry project and resource, with an LLM deployment (e.g. `gpt-5-mini`) and an embedding model (e.g. `text-embedding-3-large`)....”
“A Microsoft Foundry project and resource, with an LLM deployment (e.g. `gpt-5-mini`) and an embedding model (e.g. `text-embedding-3-large`)....”
“Any MCP-compatible client can call it — including LangGraph, via `langchain-mcp-adapters`....”
“The same knowledge base you just built is reachable from Microsoft Agent Framework, Foundry Agent Service, GitHub Copilot, Claude and Cursor...”
“The same knowledge base you just built is reachable from Microsoft Agent Framework, Foundry Agent Service, GitHub Copilot, Claude and Cursor...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
LangGraph vs. Microsoft Agent Framework: State-First gegen Discover-Later bei LLM-Agenten
Dieser technische Vergleich stellt LangGraph und das Microsoft Agent Framework (MAF) gegenüber und analysiert, wie beide den Workflow-State in agentischen Systemen handhaben. LangGraph erzwingt ein Schema-First-Design: Entwickler deklarieren vorab einen typisierten State-Kvertrag, kompilieren einen StateGraph und nutzen ein Interrupt-Checkpointer-Modell, um den gesamten State zu serialisieren und an exakt derselben Stelle fortzuführen. MAF trennt hingegen Agentenverhalten von Workflows, stützt sich auf Message Passing ohne globales State-Schema und steuert Human-in-the-Loop-Pausen über ein Emit-and-Rerun-Modell. Laut dem Artikel erfordert LangGraph initial höheren Aufwand, liefert aber wartbarere, langfristige Workflows, während MAF schnelleres Prototyping ermöglicht, jedoch komplexe Produktionssysteme erschweren kann. Ökosystemseitig ist LangGraph Python-fokussiert mit großer Open-Source-Community, während MAF von Microsoft unterstützt wird und Azure-Integrationen sowie Migrationspfade von AutoGen und Semantic Kernel bietet.
Semantische Suche auf Enterprise-Niveau: GPT-5 und Microsoft Foundry
Dieses technische Tutorial erläutert den Aufbau einer produktionsreifen semantischen Such-Pipeline unter Verwendung von GPT-5 für das Query Planning und Microsoft Foundrys Foundry IQ als agentische Retrieval-Schicht auf Azure AI Search. Der Leitfaden beschreibt die Erstellung einer Knowledge Source (gesichert durch Blob Storage und automatisch via Azure AI Search indiziert) sowie die Konfiguration einer Knowledge Base, die ein LLM-Deployment (wie gpt-5-mini) für Abfrageplanung und Antwortsynthese nutzt. Die Knowledge Base wird über einen MCP-Endpunkt an einen Foundry-Agenten angebunden. Durch die Feinabstimmung des Parameters retrieval_reasoning_effort lassen sich Kosten, Latenz und Antwortqualität steuern. Der Fokus liegt auf Multi-Hop-Queries, iterativer Planung und den Trade-offs zwischen extraktiven und synthetisierten Antworten.
Grundlagen-Guide zum Model Context Protocol (MCP) für LLM-Agenten
Dieses technische Tutorial stellt das Model Context Protocol (MCP) vor, einen offenen Standard zur nahtlosen Verbindung von Large Language Models (LLMs) mit externen Datenquellen, Tools und Diensten. Es demonstriert die Entwicklung eines 'Analyzer' MCP-Servers mittels des FastMCP-Frameworks, erläutert zentrale MCP-Nachrichtentypen wie Tool Discovery und Tool Execution sowie essenzielle Transportschichten wie stdio, HTTP und WebSockets. Der Beitrag beschreibt den Übergang von der lokalen Entwicklung zur Produktion über die Bedrock AgentCore Runtime inklusive Containerisierung, Client-Registrierung und Absicherung durch Amazon Cognito. Zudem wird veranschaulicht, wie Strands Agents remote MCP-Tools transparent wie lokale Funktionen nutzen. Abschließend bietet der Artikel Best Practices zu prägnanten Docstrings, strikten Python-Typisierungen, Fehlertoleranz und modularem Tool-Design, um skalierbare und wiederverwendbare Agenten-Infrastrukturen über verschiedene LLMs hinweg zu etablieren.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.