Snippy：用 MCP 协议把 Azure Functions 变成 AI 助手的代码工具

场景：你的 AI 编程助手，突然「认识」了你们的代码库

凌晨两点，你在 VS Code 里写一个新功能，忽然想起三个月前在另一个项目里实现过类似的向量检索逻辑——但那个代码存在哪来着？翻遍了文件夹、Git 历史、Slack 记录，找了半小时。

Snippy 想解决的就是这个问题：让 AI 编程助手（GitHub Copilot、Cursor 等）能够直接搜索并调用你们团队私有的代码片段库，而不需要把代码粘贴到聊天窗口。它的核心思路是——把 Azure Functions 同时暴露为 REST API 和 MCP（Model Context Protocol）工具，让 AI 助手像调用本地函数一样调用远程代码管理接口。

背景：MCP 协议正在改变 AI 与工具的交互方式

MCP（Model Context Protocol）是 Anthropic 在 2024 年底开源的一个标准化协议，目标是为 AI 助手提供统一的「工具调用」接口规范。你可以把它理解为「AI 工具的 USB-C」——无论后端是什么，只要实现了 MCP 协议，AI 助手就能发现并调用它。

Azure-Samples 团队基于这一趋势，推出了 Snippy 参考应用，展示了如何在 Azure Functions 上同时提供 REST API 和 MCP 工具接口。这不是实验性代码，而是面向生产的设计：Durable Functions（持久化函数）处理状态管理，Cosmos DB 做向量检索，Azure OpenAI 生成文本嵌入，整个链路都可以用 azd up 一键部署。

核心技术：三层架构

第一层：Azure Functions MCP Trigger

Snippy 的核心创新在于 Azure Functions 同时注册了两种触发器：

• HTTP Trigger：传统 REST API，支持代码片段的增删改查
• MCP Tool Trigger：将函数注册为 AI 助手可发现的 MCP 工具

from durable_agents import app, deep_wiki_agent, code_style_agent

# MCP 工具定义示例
tool_properties_save_snippets = ToolPropertyList(
    ToolProperty("snippetname", "string", "代码片段的唯一名称"),
    ToolProperty("projectid", "string", "所属项目标识"),
    ToolProperty("snippet", "string", "代码片段内容"),
)

AI 助手（如 GitHub Copilot）发现这些工具后，可以直接让用户说「帮我搜索类似的代码片段」，Copilot 就会调用 MCP 工具，无需用户手动复制粘贴。

第二层：Cosmos DB + 向量检索

代码片段存储在 Azure Cosmos DB，文本嵌入由 Azure OpenAI text-embedding-3-small 模型生成，存储在 Cosmos DB 的 vector index 中。检索时用余弦相似度匹配：

async def vector_search(query: str, k: int = 30, project_id: str = "*"):
    # Azure OpenAI 生成查询向量
    response = await openai_client.embeddings.create(
        model=model_deployment_name,
        input=query
    )
    # Cosmos DB vector index 相似度搜索
    results = await cosmos_ops.vector_search(embedding, k=k)
    return json.dumps(results)

这种设计的优势在于：语义检索——用户输入「认证相关的工具函数」，系统能找到相关代码，即使代码中没有任何「认证」关键词。

第三层：Durable Agents + 多 Agent 编排

Snippy 内置两个 AI Agent：

• DeepWiki Agent：读取代码片段库，自动生成项目 wiki 文档
• CodeStyle Agent：分析代码风格规范，生成代码风格指南

两个 Agent 通过 Durable Task Scheduler 进行编排，采用 fan-out/fan-in 模式——主 Orchestrator 分发任务给子 Agent，最后汇总结果。状态由 Durable Entities 自动持久化，Agent 可以在任意时刻暂停/恢复。

使用门槛：两种体验路径

局限与争议

1. Azure 锁定效应明显

整套方案深度依赖 Azure 生态——Cosmos DB DiskANN 向量索引、Azure OpenAI、Durable Functions、Azure Identity（RBAC 认证）。如果想迁移到 AWS 或 GCP，几乎需要重写。

2. 安全性需额外加固

项目 README 明确标注「不要直接部署到生产环境」，缺少 Key Vault 集成和网络安全加固，开箱即用的版本存在凭证泄露风险。

3. 向量检索精度依赖嵌入质量

语义搜索的效果高度依赖 OpenAI 嵌入模型对代码的理解程度。代码片段过短或过于模板化时，嵌入质量会显著下降。

行业意义：MCP 生态的基础设施探索

Snippy 代表了一个重要趋势：AI 应用的「服务端」正在 MCP 化。过去 AI 助手只能通过 API 被动接收数据；现在通过 MCP 协议，AI 助手可以主动发现并调用服务端工具，形成真正的双向交互。

这一模式的核心价值在于：私有代码库第一次有了被 AI 助手「理解」的标准化路径。企业不需要把代码喂给第三方 AI 服务，本地部署的 MCP Server 就可以让 Copilot 直接查询内部代码库。

随着 MCP 生态的扩展（目前已支持文件系统、数据库、Slack、GitHub 等），类似 Snippy 的参考架构会越来越常见——它们是 MCP 协议落地的试验田，也是 AI 应用架构演进的风向标。