ClickHouse MCPサーバーを使用してLlamaIndex AIエージェントを構築する方法

このガイドでは、LlamaIndex のAIエージェントを構築し、ClickHouseのSQL Playground を ClickHouse MCPサーバー経由で操作できるようにする方法を学びます。

サンプルノートブックこのサンプルは、examplesリポジトリ内のノートブックとして入手できます。

前提条件

システムに Python がインストールされている必要があります。
システムに pip がインストールされている必要があります。
Anthropic の API key、または別の LLMプロバイダーの API key が必要です

以下の手順は、Python REPL またはスクリプトから実行できます。

ライブラリをインストールする

以下のコマンドを実行して、必要なライブラリをインストールします。

pip install -q --upgrade pip
pip install -q llama-index clickhouse-connect llama-index-llms-anthropic llama-index-tools-mcp

認証情報の設定

次に、Anthropic API key を指定します。

import os, getpass
os.environ["ANTHROPIC_API_KEY"] = getpass.getpass("Enter Anthropic API Key:")

Response

Enter Anthropic API Key: ········

別のLLMプロバイダーを使用するAnthropic API keyをお持ちでなく、別のLLMプロバイダーを使用したい場合は、 LlamaIndex “LLMs” ドキュメントでcredentialsの設定手順を確認できます

MCPサーバーを初期化する

次に、ClickHouse MCP serverがClickHouse SQL playgroundを参照するように設定します。これらをPython関数からLlama Indexツールに変換する必要があります。

from llama_index.tools.mcp import BasicMCPClient, McpToolSpec

mcp_client = BasicMCPClient(
    "uv",
    args=[
        "run",
        "--with", "mcp-clickhouse",
        "--python", "3.13",
        "mcp-clickhouse"
    ],
    env={
        "CLICKHOUSE_HOST": "sql-clickhouse.clickhouse.com",
        "CLICKHOUSE_PORT": "8443",
        "CLICKHOUSE_USER": "demo",
        "CLICKHOUSE_PASSWORD": "",
        "CLICKHOUSE_SECURE": "true"
    }
)

mcp_tool_spec = McpToolSpec(
    client=mcp_client,
)

tools = await mcp_tool_spec.to_tool_list_async()

エージェントを作成する

これで、それらのツールにアクセスできるエージェントを作成する準備が整いました。1 回の実行でのツール呼び出し回数の上限を 10 に設定します。必要に応じて、このパラメーターは変更できます。

from llama_index.core.agent import AgentRunner, FunctionCallingAgentWorker

agent_worker = FunctionCallingAgentWorker.from_tools(
    tools=tools,
    llm=llm, verbose=True, max_function_calls=10
)
agent = AgentRunner(agent_worker)

LLM を初期化する

次のコードで Claude Sonnet 4.0 モデルを初期化します。

from llama_index.llms.anthropic import Anthropic
llm = Anthropic(model="claude-sonnet-4-0")

エージェントを実行する

最後に、エージェントに質問してみましょう。

response = agent.query("What's the most popular repository?")

返されるレスポンスは長いため、以下のレスポンス例では一部を省略しています:

Response

Added user message to memory: What's the most popular repository?
=== LLM Response ===
最も人気のあるリポジトリを探します。まず、利用可能なデータベースとテーブルを調べてデータ構造を把握します。
=== Calling Function ===
Calling function: list_databases with args: {}
=== Function Output ===
meta=None content=[TextContent(type='text', text='amazon\nbluesky\ncountry\ncovid\ndefault\ndns\nenvironmental\nfood\nforex\ngeo\ngit\ngithub\nhackernews\nimdb\nlogs\nmetrica\nmgbench\nmta\nnoaa\nnyc_taxi\nnypd\nontime\nopensky\notel\notel_v2\npypi\nrandom\nreddit\nrubygems\nstackoverflow\nstar_schema\nstock\nsystem\ntw_weather\ntwitter\nuk\nwiki\nwords\nyoutube', annotations=None)] isError=False
=== LLM Response ===
リポジトリデータが含まれていると思われる `github` データベースが見つかりました。そのデータベース内のテーブルを調べてみます。
=== Calling Function ===
Calling function: list_tables with args: {"database": "github"}
=== Function Output ===
...
...
...
=== LLM Response ===
GitHub のデータによると、**最も人気のあるリポジトリは `sindresorhus/awesome`** で、**402,292 スター**を獲得しています。

スター数による上位 10 件の人気リポジトリは以下のとおりです：

1. **sindresorhus/awesome** - 402,292 stars
2. **996icu/996.ICU** - 388,413 stars  
3. **kamranahmedse/developer-roadmap** - 349,097 stars
4. **donnemartin/system-design-primer** - 316,524 stars
5. **jwasham/coding-interview-university** - 313,767 stars
6. **public-apis/public-apis** - 307,227 stars
7. **EbookFoundation/free-programming-books** - 298,890 stars
8. **facebook/react** - 286,034 stars
9. **vinta/awesome-python** - 269,320 stars
10. **freeCodeCamp/freeCodeCamp** - 261,824 stars

`sindresorhus/awesome` リポジトリは厳選されたリストをまとめたものです。ソフトウェア開発のさまざまなトピックにわたるリソースの包括的なまとめとして機能しており、それがこのリポジトリの人気の理由となっています。

​前提条件

​ライブラリをインストールする

​認証情報の設定

​MCPサーバーを初期化する

​エージェントを作成する

​LLM を初期化する

​エージェントを実行する

前提条件

ライブラリをインストールする

認証情報の設定

MCPサーバーを初期化する

エージェントを作成する

LLM を初期化する

エージェントを実行する