Azure DevOps MCP Server

隨著 AI 技術的蓬勃發展，軟體開發與運維 (DevOps) 流程正迎來一場革命性的轉變。傳統的 DevOps 強調自動化、持續整合與持續交付，但在面對日益複雜的專案協作與工具整合時，團隊仍需投入大量人力進行手動操作與跨系統協調。這時，AI 驅動的自動化與智慧化流程成為新一代 DevOps 的核心訴求。Model Context Protocol（MCP，模型上下文協議）正是在這樣的背景下誕生，為大型語言模型（LLM）與外部工具之間建立一套安全、模組化且可擴充的溝通標準。自微軟在上個月 Microsoft Build 2025 開發者大會宣佈會加入對 MCP 的支援，這個月 Azure DevOps MCP Server 也已公開預覽 (Public Preview)，本文將介紹 Azure DevOps MCP Server 提供了哪些工具。

MCP 的由來

MCP（Model Context Protocol）最初由 Anthropic 在 2024 年 11 月提出，是一套專為大型語言模型設計的開放式標準協議。其核心目標在於讓 LLM 能夠安全、模組化且可擴充地存取外部工具與資料來源。MCP 的設計理念類似於 API，但傳統 API 是給開發者使用，強調結構化資料與嚴謹格式；而 MCP 則是為 AI 模型量身打造，讓模型能用自然語言理解上下文，並以「對話」方式與外部系統互動。對使用者而言，整個過程更貼近人類溝通習慣，MCP 讓 LLM 不只是資訊生成者，更能成為任務執行者，推動開發流程從「使用工具」進化為「與工具對話」。

MCP 和 Function Calling 的不同

功能	Function Calling	MCP
主要目的	把自然語言請求轉成結構化函數呼叫，由應用程式執行	標準化 LLM 與外部工具/資料源的連接與執行流程
控制權	LLM 供應商（如：OpenAI、Anthropic）	外部系統（MCP Server/Client）
輸出格式	不同 LLM 廠商格式各異（通常為 JSON）	統一採用標準協議（如：JSON-RPC）
擴展性/互通性	需為每個工具自訂整合，跨平台困難	一次整合，多方兼容，工具可被多個 LLM 共用
標準化	無統一標準，各家 LLM 格式不同	統一協議，保證跨工具、跨平台一致性
適用場景	單一應用、簡單任務、需嚴格控制副作用	多工具、多平台、大規模協作與自動化

MCP 並非為了取代 Function Calling 而推出，兩者是互補關係：

Function Calling：讓 LLM 能夠「決定」要做什麼（下訂單）。
MCP：讓這些決策能夠在不同工具、平台間「被執行」且流程標準化（執行訂單）。

實際應用中，LLM 會先用 Function Calling 決定要呼叫哪個工具、什麼參數，然後 MCP 負責將這個請求標準化、分發到對應的 MCP Server 執行，並將結果回傳。其他關於 MCP 更多的詳細資訊，可以參考下列 Anthropic 官網內容：

⁍ 模型上下文協議 (MCP)
⁍ GitHub | Model Context Protocol

Azure DevOps MCP Server 以 MCP 為基礎，提供一套可由 AI 助手（如：GitHub Copilot）透過自然語言存取與操作 Azure DevOps 相關服務的工具集合。這些工具依功能可分類如下幾種：

🧿 核心 (Core)

工具名稱	功能描述
core_list_project_teams	取得指定專案的團隊清單
core_list_projects	取得組織下所有專案清單

⚒️ 工作 (Work)

工具名稱	功能描述
work_list_team_iterations	取得專案中某團隊的所有迭代清單
work_create_iterations	在指定專案中建立新迭代
work_assign_iterations	將既有迭代指派給專案中的團隊

📅 工作項目 (Work Items)

工具名稱	功能描述
wit_my_work_items	取得目前使用者相關的工作項目
wit_list_backlogs	取得專案與團隊的待辦清單
wit_list_backlog_work_items	取得指定專案、團隊及類別的待辦工作項目
wit_get_work_item	依 ID 取得單一工作項目
wit_get_work_items_batch_by_ids	批次取得多個工作項目
wit_update_work_item	依 ID 更新工作項目欄位
wit_create_work_item	在指定專案建立新工作項目
wit_list_work_item_comments	取得指定工作項目的留言
wit_get_work_items_for_iteration	取得指定迭代的所有工作項目
wit_add_work_item_comment	為指定工作項目新增留言
wit_add_child_work_item	由父項目建立子工作項目
wit_link_work_item_to_pull_request	將工作項目連結至現有 Pull Request
wit_get_work_item_type	取得指定工作項目類型
wit_get_query	依 ID 或路徑取得查詢
wit_get_query_results_by_id	依查詢 ID 取得查詢結果
wit_update_work_items_batch	批次更新多個工作項目
wit_close_and_link_workitem_duplicates	關閉重複的工作項目
wit_work_items_link	批次連結多個工作項目

📁 原始碼儲存庫 (Repositories)

工具名稱	功能描述
repo_list_repos_by_project	取得專案下所有儲存庫
repo_list_pull_requests_by_repo	取得指定儲存庫的 Pull Requests
repo_list_pull_requests_by_project	取得專案下所有 Pull Requests
repo_list_branches_by_repo	取得指定儲存庫的分支
repo_list_my_branches_by_repo	取得指定儲存庫中屬於自己的分支
repo_list_pull_request_threads	取得 Pull Request 的討論串
repo_list_pull_request_thread_comments	取得討論串中的留言
repo_get_repo_by_name_or_id	依名稱或 ID 取得儲存庫
repo_get_branch_by_name	依名稱取得分支
repo_get_pull_request_by_id	依 ID 取得 Pull Request
repo_create_pull_request	建立新的 Pull Request
repo_update_pull_request_status	更新 Pull Request 狀態（啟用或放棄）
repo_reply_to_comment	回覆 Pull Request 的指定留言
repo_resolve_comment	解決 Pull Request 討論串中的留言

🛰️ 建置 (Builds)

工具名稱	功能描述
build_get_definitions	取得專案的建置定義清單
build_get_definition_revisions	取得指定建置定義的歷史版本
build_get_builds	取得專案的建置清單
build_get_log	取得指定建置的日誌
build_get_log_by_id	依日誌 ID 取得建置日誌
build_get_changes	取得指定建置的異動
build_run_build	觸發指定定義的新建置
build_get_status	取得指定建置的狀態

🚀 發行 (Releases)

工具名稱	功能描述
release_get_definitions	取得專案的發行定義清單
release_get_releases	取得專案的發行清單

🧪 測試計畫 (Test Plans)

工具名稱	功能描述
testplan_create_test_plan	建立新的測試計畫
testplan_create_test_case	建立新的測試案例
testplan_add_test_cases_to_suite	將既有測試案例加入測試套件
testplan_list_test_plans	分頁取得專案的測試計畫清單，可過濾啟用狀態及細節
testplan_list_test_cases	取得測試計畫中的測試案例
testplan_show_test_results_from_build_id	依建置 ID 取得測試結果

🔎 搜尋 (Search)

工具名稱	功能描述
search_code	依關鍵字搜尋原始碼
search_wiki	依關鍵字搜尋 Wiki
search_workitem	依關鍵字搜尋工作項目

VSCode 的 MCP 設定

在 VSCode 中要設定 MCP Server 可以按 Ctrl + , 打開 Settings 畫面，然後點選右上角 Open Settings 圖示，加入下列設定區塊即可，其中 ado_org 代表 Azure DevOps Services 的 Orgnization 名稱，運行 MCP Server 時會提示在 VSCode 上方讓使用者輸入設定。

{
   "inputs": [
     {
         "id": "ado_org",
         "type": "promptString",
         "description": "Azure DevOps organization name  (e.g. 'contoso')"
     }
   ],
   "servers": {
     "ado": {
         "type": "stdio",
         "command": "npx",
         "args": [
             "-y",
             "@azure-devops/mcp",
             "${input:ado_org}"
         ]
      }
   }
}

而在使用前也必需先以 az login 登入帳號取得使用權限，才能讓 Azure DevOps MCP Server 正常存取資源，要運行或停止設定檔的 MCP Server 僅需要在存檔後，每個 MCP Server 名稱上方就會出現 Start/Stop 的字樣可以點選。

完成 settings.json 的設定並啟動 ado 這個 MCP Server 後，我們就可以在 GitHub Copilot 的 Agent mode 中調用前述整理的各項工具。在對話過程中，GitHub Copilot 會同時列出目前可用的工具清單，讓所選用的模型 (如：GPT-4o) 能根據指令調用相關工具，並將執行結果回傳給使用者，協助回覆各類查詢。

結語

有了 Azure DevOps MCP Server 提供的工具後，我們就可以透過對話的方式來互動取得 Azure DevOps Services 相關資訊，並自動執行各種開發、協作與運維任務，讓 AI 助理真正成為團隊的智慧夥伴。MCP 標準的導入不僅大幅降低了跨系統整合的門檻，也讓開發流程更具彈性與擴展性，目前 Azure DevOps MCP Server 僅支援雲端的 Azure DevOps Services，尚不支援地端 Azure DevOps Server 的存取方式 (依目前得知的消息，未來幾個月內也不會提供)，但其實要實作 MCP Server 來自己串接這一段也不是太困難的問題，後續有機會再開一篇文章向大家說明。

⁍ GitHub | mcp
⁍ GitHub | azure-devops-mcp
⁍ What are the Azure MCP Server tools?