ClickHouse MCP Server 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、ClickHouse の SQL Playground と対話できるようにするために、ClickHouse MCP Server を利用した LlamaIndex AI エージェントの構築方法を説明します。

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利用できます。

前提条件

• システムにPythonがインストールされていること
• システムにpipがインストールされていること
• AnthropicのAPIキー、または他のLLMプロバイダーのAPIキー

以下の手順は、Python REPLまたはスクリプトから実行できます。

ライブラリのインストール

次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

資格情報の設定

次に、Anthropic の API キーを設定する必要があります。

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

Anthropic APIキーを入力: ········

別の LLM プロバイダーを使用する場合

Anthropic の API キーを持っておらず、別の LLM プロバイダーを使用したい場合は、 認証情報の設定方法については LlamaIndex「LLMs」ドキュメント を参照してください。

MCP Server を初期化する

次に、ClickHouse MCP Server を構成し、ClickHouse SQL playground を接続先として指定します。 これらを Python の関数から LlamaIndex のツールへ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()

## エージェントの作成 \{#create-agent}

これで、これらのツールにアクセス可能なエージェントを作成する準備が整いました。1回の実行におけるツール呼び出しの最大数を10に設定します。このパラメータは必要に応じて変更可能です:

```python
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")

エージェントの実行

最後に、エージェントに質問することができます：

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

応答は長いため、以下の例では一部省略されています：

Added user message to memory: What's the most popular repository?
=== LLM Response ===
I'll help you find the most popular repository. Let me first explore the available databases and tables to understand the data structure.
=== 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 ===
I can see there's a `github` database which likely contains repository data. Let me explore the tables in that database.
=== Calling Function ===
Calling function: list_tables with args: {"database": "github"}
=== Function Output ===
...
...
...
=== LLM Response ===
Based on the GitHub data, **the most popular repository is `sindresorhus/awesome`** with **402,292 stars**.

Here are the top 10 most popular repositories by star count:

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

The `sindresorhus/awesome` repository is a curated list of awesome lists, which explains its popularity as it serves as a comprehensive directory of resources across many different topics in software development.